SVM本身是一个最优化问题，因此理所当然可以用简单的最优化方法来求解，比如SGD。2007年pegasos就发表了一篇文章讲述简单的求解SVM最优化的问题。其求解形式简单，但是并没有解决核函数计算量巨大的问题。这里给出了一个tensorflow的带核函数的SVM的解法，使用GPU加速，并且支持在线学习。

为了让面模型始终显示，而不被体绘制模型遮挡

回归和分类从某种意义上讲，本质上是一回事。SVM分类，就是找到一个平面，让两个分类集合的支持向量或者所有的数据（LSSVM）离分类平面最远；SVR回归，就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近。　　我们来推导一下SVR。根据支持向量机二分类博客所述，数据集合归一化后，某个元素到回归平面的距离为r=d(x)−g(x)r=d(x)-g(x)。另外，由于数据不可能都在回归平面上，

彩色图像边缘检测

最小二乘支持向量机（LSSVM）是一种简单的支持向量机（SVM）。

研究空间域滤波方法是图像处理领域的重要内容。相比频域滤波，空间域滤波直接在图像空间上进行操作，除了传统的滤波外，还能加入各种直观的空间域操作，可扩展性和可理解性都比较强。在图像复原领域，当噪声较为复杂时，频域滤波方法因为难以计算得到噪声的频域模型，不能合理地去除噪声干扰，空间域方法就容易多了，因此空间域滤波方法占有很重要的地位。图像复原问题的重要步骤是建立合理的图像退化模型。假设退化图像，即观测.

Neural Style开辟了计算机与艺术的道路，可以将照片风格化为名家大师的画风。然而这种方法即使使用GPU也要花上几十分钟。Fast Neural Style则启用另外一种思路来快速构建风格化图像，在笔记本CPU上十几秒就可以风格化一张图片。我们来看看这是什么原理。

深度学习巨头之一的Hinton大神在数据降维领域有一篇经典论文Visualizing Data using t-SNE。该方法是流形（非线性）数据降维的经典，从发表至今鲜有新的降维方法能全面超越。该方法缺点是计算复杂度大，一般推荐先线性降维然后再用tSNE降维。python sklearn有相应的实现。我现在用Tensorflow实现这个算法。

似然函数到高斯分布为了得到精确值，我们需要进行多次测量，测量值大部分对称分布在真实值两侧附近。设测量期望为θ\theta，误差为ei=xi−θe_i=x_i-\theta,期望为0，误差分布满足什么规律呢？

回归和分类从某种意义上讲，本质上是一回事。SVM分类，就是找到一个平面，让两个分类集合的支持向量或者所有的数据（LSSVM）离分类平面最远；SVR回归，就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近。　　我们来推导一下SVR。根据支持向量机二分类博客所述，数据集合归一化后，某个元素到回归平面的距离为r=d(x)−g(x)r=d(x)-g(x)。另外，由于数据不可能都在回归平面上，