本文介绍了余弦自动编码器（CosineAutoencoder,CosAE），这是一种新颖的通用自动编码器，它将经典傅里叶级数与前馈神经网络无缝结合。CosAE将输入图像表示为一系列二维余弦时间序列，每个序列由一组可学习的频率和傅里叶系数构成的元组定义。该方法与传统自动编码器形成鲜明对比，传统自动编码器在降低分辨率的瓶颈潜在空间中往往会牺牲细节。而CosAE在其瓶颈层对频率系数（即幅度和相位）进行编

之前介绍了利用 Mobinet V1 做特征提取，从 Tensorflow 的官网上看， Mobilenet V2 的性能比 V1 要更好，今天介绍用 V2 的预训练模型提取特征的方式，基本和 V1 是一样的，只是有一个地方需要注意一下，就是加载网络结构的时候：with tf.contrib.slim.arg_scope(mobilenet_v2.training_scope(is_traini.

今天，我们介绍机器学习里非常常用的一个概念，KL 散度，这是一个用来衡量两个概率分布的相似性的一个度量指标。我们知道，现实世界里的任何观察都可以看成表示成信息和数据，一般来说，我们无法获取数据的总体，我们只能拿到数据的部分样本，根据数据的部分样本，我们会对数据的整体做一个近似的估计，而数据整体本身有一个真实的分布（我们可能永远无法知道），那么近似估计的概率分布和数据整体真实的概率分布的相似度，或者

在机器学习，模式识别中，我们做分类的时候，会用到一些指标来评判算法的优劣，最常用的就是识别率，简单来说，就是acc=Npre/Ntotalacc=N_{pre}/N_{total}这里的 NpreN_{pre}表示预测对的样本数，NtotalN_{total}表示测试集总的样本数。识别率有的时候过于简单， 不能全面反应算法的性能，除了识别率，还有一些常用的指标，就是我们要介绍的

今天介绍 IJCV 2013 年的一篇文章，Selective Search for Object Recognition，这个是后面著名的DL架构 R-CNN 的基础，后续介绍 R-CNN 的时候，会发现 R-CNN 和这篇文章里介绍的算法非常类似。做模式识别的人都知道，目标识别与目标检测是两个不同的东西，目标检测比目标识别要难得多，目标识别可以看做是一个分类问题，给定一张测试图，我们只要判断这

博客专栏：机器学习PDF 文档下载地址：Machine Learning 学习笔记机器学习 scikit-learn 图谱人脸表情识别常用的几个数据库机器学习 F1-Score, recall, precision机器学习 DeepDreaming with TensorFlow (三)机器学习 DeepDreaming with TensorFlow (二)机器学习 DeepDre...

scikit-learn 是机器学习领域非常热门的一个开源库，基于Python 语言写成。可以免费使用。网址： http://scikit-learn.org/stable/index.html上面有很多的教程，编程实例。而且还做了很好的总结，下面这张图基本概括了传统机器学习领域的大多数理论与相关算法。我们可以看到，机器学习分为四大块，分别是 classification (分类)， clust

今天，我们介绍机器学习里非常常用的一个概念，KL 散度，这是一个用来衡量两个概率分布的相似性的一个度量指标。我们知道，现实世界里的任何观察都可以看成表示成信息和数据，一般来说，我们无法获取数据的总体，我们只能拿到数据的部分样本，根据数据的部分样本，我们会对数据的整体做一个近似的估计，而数据整体本身有一个真实的分布（我们可能永远无法知道），那么近似估计的概率分布和数据整体真实的概率分布的相似度，或者

今天介绍向量空间中的投影，以及投影矩阵。假设空间中有两个向量 a,b\mathbf{a}, \mathbf{b}a,b，b\mathbf{b}b 在 a\mathbf{a}a 上的投影为 p\mathbf{p}p，我们要计算出 p\mathbf{p}p 到底是多少，如下图所示：为了计算 p\mathbf{p}p，我们可以先假设 p=xa\mathbf{p} = x \mathbf{a}p=x...

今天介绍数值计算和优化方法中非常有效的一种数值解法，共轭梯度法。我们知道，在解大型线性方程组的时候，很少会有一步到位的精确解析解，一般都需要通过迭代来进行逼近，而 PCG 就是这样一种迭代逼近算法。我们先从一种特殊的线性方程组的定义开始，比如我们需要解如下的线性方程组：Ax=bAx=b\mathbf{A} \mathbf{x} = \mathbf{b}这里的 A(n×n)A...