logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

深度之眼Pytorch打卡(十五):Pytorch卷积神经网络部件——转置卷积操作与转置卷积层(对转置卷积操作全网最细致分析,转置卷积的stride与padding,转置与反卷积名称论证)

前言  原先是将这篇笔记和上一篇笔记合起来写的,但是由于内容很多,于是将卷积与转置卷积分作两篇。转置卷积(transposed convolution)是一种上采样技术,操作过程是卷积的反过程,也被称作反卷积(deconvolution),但它的操作结果不是卷积的逆。它也可以通过卷积操作来实现,只是需要将卷积核旋转180度。它主要应用在图像分割和超分辨率等任务中。笔记主要包括转置卷积操作和Pyto

机器学习十大经典算法:深入浅出聊贝叶斯决策(贝叶斯公式,最小风险贝叶斯,最小错误贝叶斯)

前言   常听人说,在学习一个东西时,如果能够深入浅出的讲给别人听,才算是真的懂了。最近正好在学模式识别,于是就用它来练笔了。贝叶斯决策(Bayes Decision) 是十大经典机器学习算法之一,其实我们日常做判断时常常用到它,只是我们没有发现。   现假设你面前有10张卷子,老师告诉你有5份是说没有复习实际也没有复习的学渣的,有5份是说没有复习却复习的很好的学霸的,你从里面任意抽了一份出来,是

神经网络激活函数及其Katex公式代码模板合集

KaTeX 是一个快速为网站呈现 Tex 科学公式的简单易用的库,通过它我们可以方便快速的书写公式。KaTeX由关键词(标签)和其作用的参数所构成,每个关键词(标签)参数的作用域都只有一个字符,如果想要作用到多个字符,必须用{}将其括起来,不然只会作用到第一个字符。在书写时,代码应当放在$ $之间,如果想要公式居中,则把代码放在$$ $$之间。本文借着学习KaTeX的契机,把神经网络中激活函数都整

驾考笔记:科目二考试满分攻略——超详细的点位细节梳理,各种意外情况处理方案整理

前言  还记得去年听台湾大学的李宏毅老师讲他的宝可梦的时候,他谈到他至今没有去考驾照,因为他在等无人驾驶。当时笔者的感受是,我们可真是同道中人,作为无人驾驶的坚定拥护者,并且觉得自己未来还能为该领域的发展做出贡献的人,笔者的确有点get不到开车的乐趣。可现在终究是去学了,不是因为想赚学分,不是因为家长的劝导,更不是因为工作的需要,而是因为一个女孩,或许只有这样的理由才符合笔者放荡不羁的心性。还有两

机器学习十大经典算法:深入浅出聊贝叶斯决策(贝叶斯公式,最小风险贝叶斯,最小错误贝叶斯)

前言   常听人说,在学习一个东西时,如果能够深入浅出的讲给别人听,才算是真的懂了。最近正好在学模式识别,于是就用它来练笔了。贝叶斯决策(Bayes Decision) 是十大经典机器学习算法之一,其实我们日常做判断时常常用到它,只是我们没有发现。   现假设你面前有10张卷子,老师告诉你有5份是说没有复习实际也没有复习的学渣的,有5份是说没有复习却复习的很好的学霸的,你从里面任意抽了一份出来,是

机器学习十大经典算法:另辟蹊径EM算法+高斯混合模型图像像素分割实战——Nemo鱼图像分割(python代码+详细注释)

前言  今天程序员节,据说发博客会有1024勋章,所以就来整理一下笔者模式识别课第一次大作业的第二道题——用EM算法来做Nemo鱼图像像素分割。网上看了很多关于EM算法的分析,大多都涉及很复杂的数学推导,包括要用凸函数的不等关系,要证单调性收敛性等,看了很久也没有理太清楚。在这里分享一种形象化理解EM算法的方法,来源于笔者的模式识别老师。她将EM算法看成是反复进行贝叶斯决策和最大似然估计的过程,当

机器学习十大经典算法:深入浅出聊贝叶斯决策(贝叶斯公式,最小风险贝叶斯,最小错误贝叶斯)

前言   常听人说,在学习一个东西时,如果能够深入浅出的讲给别人听,才算是真的懂了。最近正好在学模式识别,于是就用它来练笔了。贝叶斯决策(Bayes Decision) 是十大经典机器学习算法之一,其实我们日常做判断时常常用到它,只是我们没有发现。   现假设你面前有10张卷子,老师告诉你有5份是说没有复习实际也没有复习的学渣的,有5份是说没有复习却复习的很好的学霸的,你从里面任意抽了一份出来,是

到底了