LBP.obj : error LNK2019: 无法解析的外部符号 _cvCreateImage，该符号在函数 "public: void __thiscall LBP::CalGrayInvariant(char const *)" (?CalGrayInvariant@LBP@@QAEXPBD@Z) 中被引用1>LBP.obj : error LNK2019: 无法解析的外部符号 _cv

配置网站上有很有详细的教程，不多赘述，最佳的配置教材博客是：                   http://blog.csdn.net/poem_qianmo/article/details/19809337                   在这个博客中，需要注意的几个点：                包含的目录：              D:\Program

运行时错误的概念和 C++没什么关系，就象在 C 中一样。没有下溢，上溢，除零检查；没有数组越界检查（运行时错误），等等。一旦程序通过了编译和链接，你就得靠自己了----  一切后果自负。        现在的情况下，它的含义就是要避免运行时错误。只要有可能，就要让出错检查从运行时退回到链接时，或者，最理想的是，编译时。        这种方法带来的好处不仅仅在于程序的大小和速度，还有可靠

这几年来，机器学习和数据挖掘非常火热，它们逐渐为世界带来实际价值。与此同时，越来越多的机器学习算法从学术界走向工业界，而在这个过程中会有很多困难。数据不平衡问题虽然不是最难的，但绝对是最重要的问题之一。一、数据不平衡在学术研究与教学中，很多算法都有一个基本假设，那就是数据分布是均匀的。当我们把这些算法直接应用于实际数据时，大多数情况下都无法取得理想的结果。因为实际数据往往分布得很不

课程链接：http://www.powercam.cc/slide/6552。Kernel Methord 的基本思想：                        Kernal的基本思想是，将低维空间不可分数据映射到高纬度的空间，比如说左图的数据是线性不可分的，分界线是：，将数据映射到三维空间，就可以得到线性的分类面，总结：在低维空间线性不可分，映射

没有高质量的数据，就没有高质量的数据挖掘结果，数据值缺失是数据分析中经常遇到的问题之一。当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理。但在实际数据中，往往缺失数据占有相当的比重。这时如果手工处理非常低效，如果舍弃缺失记录，则会丢失大量信息，使不完全观测数据与完全观测数据间产生系统差异，对这样的数据进行分析，你很可能会得出错误的结论。造成数据缺失的原因现实世界中的

转载自 哈工大SCIR热身：一个基于矩阵的快速计算神经网络输出的方法

说明：我是在keras的官方demo上进行修改https://github.com/fchollet/keras/blob/master/examples/imdb_cnn.py1、几点说明，从文件中读入数据，会降低GPU的使用率，如果能够直接将数据载入内存，GPU的使用率会比较高。下面进行对比：全部数据载入内存,GPU的使用率：使用队列,边读数据边进行训练：结论：

转载自 哈工大SCIR热身：一个基于矩阵的快速计算神经网络输出的方法

import tensorflow as tfimport sysfrom tensorflow.examples.tutorials.mnist import input_data# this is datamnist = input_data.read_data_sets('MNIST_data', one_hot=True)# hyperparameterslr = 0.00