街景房屋号码 (SVHN) 数据集下载地址：(SVHN) 数据集SVHN 是一个真实世界的图像数据集，用于开发机器学习和对象识别算法，对数据预处理和格式化的要求最低。它可以被视为与MNIST 的风格相似（例如，图像是裁剪后的小数字），但包含一个数量级的标记数据（超过 600,000 个数字图像），并且来自一个明显更难、未解决的现实世界问题（识别自然场景图像中的数字和数字）。SVHN 是从谷歌街景图

STL-10数据集STL-10数据集是一个用于开发无监督特征学习、深度学习和自学学习算法的图像识别数据集。其灵感来源于CIFAR-10数据集，但经过一些修改。特别是，与CIFAR-10相比，每个类都有较少的标记训练示例，但提供了大量未标记示例，用于在监督训练之前学习图像模型。主要的挑战是利用未标记的数据（来自与标记数据相似但不同的分布）来构建有用的先验知识。我们还预计，该数据集（96x96）的更高

nginx docker官方镜像添加自定义启动命令自动退出​今天在启动nginx官方镜像的时候想在启动后执行一些CMD命令，但发现每次执行完CMD命令后镜像会自动退出，在网上查找后发现：​If you add a custom CMD in the Dockerfile, be sure to include -g daemon off; in the CMD in order for nginx

Error starting userland proxy: listen tcp 0.0.0.0:80: bind: address already in use今天在阿里的服务器上发现80端口被占用了，优点莫名其妙，一查结果发现是进程aliyundun占用了端口tcp100.100.100.200:80TIME_WAIT-tcp100.100.30.25:80ESTABLISHED 14

计算机视觉：三、图像基础本文我们将回顾构建图像的基础元素：像素。什么是像素？每个图像都由一组像素构成，像素是图像原生的基础构件，没有比像素更好的粒度(granularity)了。一般来说，我们认为像素是图像中某个给定位置出现的光的"颜色"或者"强度"。如果我们将图像看成一个网格，网格中的每个方块就包含一个像素。​例如，如果我们有一个分辨率为10*10的图像，这就说明我的图像被表示为一个像素网格,这

绘画在之前的计算机视觉：三、图像基础中介绍了如何在一幅图像中画一个蓝色的矩形，那么如果我们如果想画一条直线，一个圆呢？我们应该如何进行呢？我们就不能再用NumPy来操作了，而是用OpenCV​本文将展示如何利用openCV库来画直线、矩形和圆。直线​接下来的所有操作都将再会一副我们自己定义的画布上进行，我们可以利用NumPy数组自己定义一个画布（图像），因为openCV将一副图片解释为一个NumP

上篇文章1.17.1 注意欠拟合和过拟合中，我们一起讨论了过拟合和欠拟合发生的现象以及导致的原因。在本文中，我们将创建一个TrainingMonitor回调函数，在训练时的每个epoch结束时调用。监视器会将训练和验证的loss和准确率序列化到硬盘当中保存，并且以此为数据进行绘图。通过这个回调函数，我们就可以照看我们的训练过程，及时发现过拟合，阻止实验的继续进行，以防计算资源和时间的白白浪费。创建

数据增强Any modification we make to a learning algothrithm that is intended to reduce its generalization error but not its training error.​——Goodfellow et.al我们对（ 深度）学习算法所做的所有调整都是为了减少其泛化误差，而非训练误差。我们之前所说的正则

Learning Rate Scheduler之前在cifar-10数据集上训练了MiniVGGNet网络，为了缓和过拟合，我们在应用SGD时引入了学习率decay的概念。本片文章将讨论学习率调度器的概念，有时也称为适应性学习率，通过在不同epoch上调整学习率，我们可以降低loss，提高精确度，在某种情况写甚至可以减少训练网络的时间。我们可以将调整学习率的过程看作：用较高的learning ra

一、第一个图像分类器​机器学习算法例如K-NN、SVM等，即便是卷积神经网络也需要使数据集中的数据有固定的向量大小，对于图像来说就是要求图像的尺寸一致。​有许多改变图像大小的方法，从保持图像适应比的高级方法 到 压缩\拉伸图像的简单方法。应用那种方法因人而因、因地制宜、根据应用场景而变化。​我们选择的使简单的改变图像大小，不考虑适应比（长宽比）的方法，目录结构如下：​----pyimgsearch