空间金字塔池化     空间金字塔池化层简介：                  在对图片进行卷积操作的时候，卷积核的大小是不会发生变化的额，反向调节的权重仅仅是数值会发生变化。但是，但是，但是，输入的图片的大小你是否可以控制呢？哈哈，我们的输入图片大小是会发生变化的，这里图片大小的变化并不会在卷积操作和polling操作产生影响，但是会对全连接层的链接产生影响。这篇文章的核心就是解决如何

深度学习入门:Aggregating Deep Convolutional Features for Image Retrieval       在原来的基于CNN的图像检索方法中使用的都是最后的全连接层的特征作为feature去进行相似度检索，但是这篇论文使用的是卷积层的特征。有一个区别需要注意的是卷积层的特征features map是N*W*H，但是fc层的特征却是一个vector

机器学习：SVR支持向量机回归     一直以来接触的都是支持向量去做分类，这里稍微谈一下SVR，就是用支持向量去做回归。SVR最回归在本质上类似于SVM，都有一个margin，只不过是这里的margin表示和SVM是不相同的，完全相反。在SVM中的margin是想把两个class分开，而这里SVR的margin是说:在margin里面的的数据是不会对对回归有任何的帮助，也就是没有贡献

机器学习：SVR支持向量机回归     一直以来接触的都是支持向量去做分类，这里稍微谈一下SVR，就是用支持向量去做回归。SVR最回归在本质上类似于SVM，都有一个margin，只不过是这里的margin表示和SVM是不相同的，完全相反。在SVM中的margin是想把两个class分开，而这里SVR的margin是说:在margin里面的的数据是不会对对回归有任何的帮助，也就是没有贡献

机器学习：浅谈先验概率，后验概率          在学习贝叶斯网络模型的时候，接触到好多比较麻烦的概念，今天又复习了一下，就写一下笔记，用来巩固一下。      主题模型LDA算法是自PLSA之后一个重大提升。PLSA的model如下：        P(di) ------>P(z|di)--------->P(wj|zk)        上面的P(di)被认为是文档的概率

机器学习：SVR支持向量机回归     一直以来接触的都是支持向量去做分类，这里稍微谈一下SVR，就是用支持向量去做回归。SVR最回归在本质上类似于SVM，都有一个margin，只不过是这里的margin表示和SVM是不相同的，完全相反。在SVM中的margin是想把两个class分开，而这里SVR的margin是说:在margin里面的的数据是不会对对回归有任何的帮助，也就是没有贡献

Tensorflow 使用正则化Timport tensorflow.contrib.layers as layersdef easier_network(x, reg):""" A network based on tf.contrib.learn, with input `x`. """with tf.variable_scope('EasyNet'):

如果激活函数使用sigmoid和tanh，怎最好使用xavirtf.contrib.layers.xavier_initializer_conv2d如果使用relu，则最好使用he initialtf.contrib.layers.variance_scaling_initializer

人工神经网络             最近，有一篇关于微软亚洲研究院模式识别小组利用残差神经网在2015 ImageNet计算机识别挑战赛中拼接深层神经网最新技术的突破，以绝对的优势获得图像分类。图像定位以及图像检索全部三个项目的冠军，成功的关键就是这个网络丝的深度达到了125层之神（深），我们知道之只包含一层隐含层的神经网络可以训练处大部分连续性函数，随着隐含层个数可以进行无限地逼近理论数值

空间金字塔池化     空间金字塔池化层简介：                  在对图片进行卷积操作的时候，卷积核的大小是不会发生变化的额，反向调节的权重仅仅是数值会发生变化。但是，但是，但是，输入的图片的大小你是否可以控制呢？哈哈，我们的输入图片大小是会发生变化的，这里图片大小的变化并不会在卷积操作和polling操作产生影响，但是会对全连接层的链接产生影响。这篇文章的核心就是解决如何