首先介绍线性核函数的概念：就是没有核函数，用θ0+θ1*X1+θ2*X2+...θn*Xn进行分类。假设有数据有n个特征，m条数据：则当n很大，m很小的时候，用线性核函数。n很小，m很大的时候，用高斯核函数。选择高斯核函数的时候需要调整参数δ，如果δ的平方很大，那么你就有可能得到一个较大的误差、较低方差的分类器。但是如果σ 的平方很小，那么你就会有较大的方差，较低误差的分类器。 正常情况下就使用以

众所周知，在机器学习深度学习领域，合理划分训练集验证集和测试集是很重要的，本文主要介绍如何划分。过去，人们运用机器学习传统方法的时候，一般将训练集和测试集划为7：3.若有验证集，则划为6:2:2. 这样划分确实很科学，当数据量不大的时候（万级别及以下）。但到了大数据时代，数据量陡增为百万级别，此时我们不需要那么多的验证集和训练集。假设有100W条数据，只需要拿出1W条来当验

本篇文章介绍SVM如何选择标记点，以及引入核函数后的损失函数。若是还没理解核函数及高斯核函数的同学可以看看上一篇：http://blog.csdn.net/wenqiwenqi123/article/details/79313876给定m个样本(x1,y1)、(x2,y2).....(xm,ym).最好的标记点选择就是把所有样本都当做标记点。将标记点记为l1、l2...

上篇文章介绍了GRU，建议不太了解RNN和GRU的同学看看我上一篇文章：https://blog.csdn.net/wenqiwenqi123/article/details/80707810这篇来说一说LSTM，这两个最大的不同之处在于LSTM多了一个门。GRU有update gate（更新门）、reset gate（重置门）。而LSTM有三个门，update gate（更新门），forget

上一篇中已经总结了RNN的原理，传送门：https://blog.csdn.net/wenqiwenqi123/article/details/80704528本文讲解一下GRU的原理，GRU对于RNN中的梯度消失有很大帮助。GRU即Gated Recurrent Unit。前面说到为了克服RNN无法很好处理远距离依赖而提出了LSTM，而GRU则是LSTM的一个变体，当然LSTM还有有很多其他的变

最近在计算机视觉界流行一个算法，神经风格迁移（neural style transfer），出自论文《 A Neural Algorithm of Artistic Style》，今天来让我们看看这究竟是怎么一回事。我们有一个内容图片（拿学校大门献丑了）：一个风格图片：最终生成图片：是不是还是相当有意思的，我先介绍原理，一会给代码。首先，在介绍原理之前，确保你明白卷积神经网络（CNN）原理，CNN

AI创作正在逐步超越人类。

最近在弄支付宝、微信支付等的事，发现这两家的文档都写得很差，demo也让人看的云里雾里。所以写篇博客，来尽量减少后来的同学走的弯路。首先，若是要做app支付的话，在微信第三方平台申请APP，若是安卓的话上传你的keystore和包名，ios上传bundle id，微信会生成相应的签名。然后前往微信商户平台，拿到要做支付必要的各种id和密钥。请看以下配置代码：package co

使用opencv-python（cv2）读取和保存中文路径图片（含代码）。