多层感知机解决了之前无法模拟异或逻辑的缺陷，同时更多的层数也让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。多层感知机给我们带来的启示是，神经网络的层数直接决定了它对现实的刻画能力——利用每层更少的神经元拟合更加复杂的函数。但是随着神经网络层数的加深，优化函数越来越容易陷入局部最优解（即过拟合，在训练样本上有很好的拟

环境：win7+64位系统相关安装软件： Anaconda2-4.0.0-Windows-x86_64.exevisual_studio_ultimate_2013cuda_7.5.18_windows.exe硬件：联想Y480笔记本电脑， 显卡型号: NVIDIA  GEFORCE  GT 650M 1、安装Anconda。因为如果安装纯净

连续看了DeepID和FaceNet后，看了更早期的一篇论文，即FB的DeepFace。这篇论文早于DeepID和FaceNet，但其所使用的方法在后面的论文中都有体现，可谓是早期的奠基之作。因而特写博文以记之。DeepFace基本框架本文的贡献     DeepFace一文依旧是沿着“检测-对齐-人脸表示-分类”这一人脸识别技术路线来的，其贡献在于对人脸对齐和

NVIDIA Jetson TK1 开发者套件为您提供所需的一切，针对嵌入式系统应用释放 GPU 的潜能。它以革命性的NVIDIA Tegra® K1 SoC 为基础构建，并且使用相同的NVIDIA Kepler™ 计算核心，该核心专为全世界的超级计算机而设计。这为您提供了一款全功能NVIDIA CUDA® 平台，用于快速开发和部署面向计算机视觉、机器人技术、医疗和更多领域的计算密集型

前文记述了如何使用下载好的deb包在Jetson tk1上安装CUDA和OpenCV的方法。但是目前NVIDIA官网已经不提供单独的CUDA和OpenCV4Tegra的下载包，所有的下载、安装工作都集成到了Jetpack安装文件中去。这就意味着如果你想安装最新的NVIDIA产品，就必须使用Jetpack安装方法。如果你拿到一块新的Jeston tk1或者tx1开发板，笔者建议直接使用Jetpack

原论文是：《 Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman coding》本博客是该论文的阅读笔记，不免有很多细节不对之处。还望各位看官能够见谅，欢迎批评指正。更多相关博客请猛戳：http://blog.csdn.net/cy

NVIDIA Jetson TK1 开发者套件为您提供所需的一切，针对嵌入式系统应用释放 GPU 的潜能。它以革命性的NVIDIA Tegra® K1 SoC 为基础构建，并且使用相同的NVIDIA Kepler™ 计算核心，该核心专为全世界的超级计算机而设计。这为您提供了一款全功能NVIDIA CUDA® 平台，用于快速开发和部署面向计算机视觉、机器人技术、医疗和更多领域的计算密集型

感受野（receptive field）是怎样一个东西呢，从CNN可视化的角度来讲，就是输出featuremap某个节点的响应对应的输入图像的区域就是感受野。在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和pooling层，在层与层之间均为局部相连（通

多层感知机解决了之前无法模拟异或逻辑的缺陷，同时更多的层数也让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。多层感知机给我们带来的启示是，神经网络的层数直接决定了它对现实的刻画能力——利用每层更少的神经元拟合更加复杂的函数。但是随着神经网络层数的加深，优化函数越来越容易陷入局部最优解（即过拟合，在训练样本上有很好的拟

你可以怎样让你的深度学习模型实现更好的表现？这是一个我常被问到的问题：「我该怎么提升准确度？」或者「如果我的神经网络表现很糟糕我该怎么办？」……我常常给出的回答是：「我也不完全知道，但我有很多想法。」然后我开始列出所有我可以想到的可能能够带来效果改进的想法。我将这些想法汇集到了这篇博客中，这些想法不仅能在机器学习上为你提供帮助，而且实际上