Scikit-Learn是用于机器学习的Python 模块，它建立在SciPy之上。操作简单、高效的数据挖掘和数据分析。Scikit-Learn的基本功能主要被分为六个部分：分类、回归、聚类、数据降维、模型选择、数据预处理。机器学习算法用Python语言实现，需要机器学习包scikit-learn，下面介绍一下我的scikit-learn的安装过程。本人Python的机器学习包scik

目录1. A-Softmax的推导2. A-Softmax Loss的性质3. A-Softmax的几何意义4. 源码解读A-Softmax的效果与L-Softmax的区别【引言】SphereFace在MegaFace数据集上识别率在2017年排名第一，用的A-Softmax Loss有着清晰的几何定义，能在比较小的数据集上达到不错的效果。这个是他们总结...

1、介绍Introduction从OpenCV2.4开始，加入了新的类FaceRecognizer，我们可以使用它便捷地进行人脸识别实验。本实验采用的编程环境为：opencv3.0+VS2013。人脸识别的实验已经转移到face模块中，face模块在我这里的路径为：D:\ProgramFiles\opencv3.0\opencv\sources\modules\opencv_cont

一、线性回归——家庭用电预测（时间与功率以及功率与电流之间的关系）

1、背景以人脑中的神经网络为启发，历史上出现过很多不同的版本，最著名的算法是1980年的backpropagation2、多层向前神经网络（Multilayer Feed-Forward Neural Network）backpropagation被使用在多层向前神经网络上，多层向前神经网络由一下几部分组成：输入层（input layer）、隐藏层（hidden layers）、输

关于修改train_softmax.py文件进行迁移学习比如：自己的数据集要识别6个人，最后一个全连接层的节点个数为6。训练的数据集路径下改成自己的数据集。代码修改及解释有如下几处：经过上面的修改后即可在自己的数据集上进行迁移学习的训练，保存最终训练的模型，其他地方的参数可以自行调整优化。 FaceNet源码使用方法主要参照转载自：https://blog.cs...

1、皮尔逊相关系数（Pearson Correlation Coeffident）（1）衡量两个值线性相关的强度（2）取值范围[-1,1]：正向相关>0；负向相关（3）公式：

参考博客https://blog.csdn.net/baishuo8/article/details/81408369和知乎https://www.zhihu.com/question/36301367一、导数（derivative）导数，是我们最早接触的一元函数中定义的，可以在 xy 平面直角坐标系中方便的观察。当 Δx→0时，P0处的导数就是因变量y在x0处的变化率，反映因变量...

一、理论部分介绍1. 目标定位和特征点检测图片检测问题：分类问题：判断图中是否为汽车；目标定位：判断是否为汽车，并确定具体位置；目标检测：检测不同物体并定位。目标分类和定位：对于目标定位问题，我们卷积神经网络模型结构可能如下：输出：包含图片中存在的对象及定位框行人，0 or 1；汽车，0 or

一、简述头部姿态估计（Head Pose Estimation ）：通过一幅面部图像来获得头部的姿态角. 在3D 空间中，表示物体的旋转可以由三个欧拉角(Euler Angle)来表示：分别计算 pitch(围绕X轴旋转)，yaw(围绕Y轴旋转) 和 roll(围绕Z轴旋转) ，分别学名俯仰角、偏航角和滚转角，通俗讲就是抬头、摇头和转头。百闻不如一见，上示意图：...