浅谈范数正则化     作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/     这篇博客介绍不同范数作为正则化项时的作用。首先介绍了常见的向量范数与矩阵范数,然后说明添加正则化项的原因,之后介绍向量的$L_0$,$L_1$,$L_2$范数及其作为正则
有监督学习和无监督学习两者的区别: 1.有标签就是有监督学习,没有标签就是无监督学习,说的详细一点,有监督学习的目的是在训练集中找规律,然后对测试数据运用这种规律,而无监督学习没有训练集,只有一组数据,在该组数据集内寻找规律。 2. 无监督学习方法在寻找数据集中的规律性,这种规律性并不一定要达到划
一类涉及矩阵范数的优化问题 作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/     这篇博文主要探讨一下有关矩阵范数的优化问题,我们知道,矩阵按行或列拆开就是向量,因此矩阵范数优化问题在某种程度上可以转化为向量范数的优化,而向量拆开是一个个数值,因此
       目前市场上仅有的几家三维地图编辑器都是通过上传建筑CAD截图图片,然后上传到地图平台,在图片上进行描绘,这个过程时间花费如果房间量少的时候还能忍受,但是在针对复杂、房间比较多的地图场景时,需要重复的绘制房间建筑,操作简单,但工作量大,小伙伴们是不是感觉很无聊呢?比如下面的视频就是纯手
交替方向乘子法(ADMM) 详细请看:交替方向乘子法(Alternating Direction Method of Multipliers) - 凯鲁嘎吉 - 博客园 参考1 参考2 经典的ADMM算法适用于求解如下2-block的凸优化问题( 是最优值,令 表示一组最优解):
  之前写了一篇《LAXCUS集群操作系统是个啥》,放到网上后收到网友私信,要求讲讲DFL3小样本深度学习。老实说,我本人不在AI研发团队,让我来讲DFL3,有点班门弄斧的感觉。但是我们团队和AI团队交流颇多,来往互动非常频繁,他们开发的AI编程接口都是交给我们,一起做LAXCUS集群操作系统的
上一篇《小样本OLS回归的框架》讲解了小样本OLS回归的主要框架,本文沿着该框架,对小样本OLS回归做一个全面的梳理。 1 假设 这里先将所有的小样本OLS回归中可能用到的假设放到一起,方便浏览。当然,后面的每一个结论并不是要用到所有的假设,而是只用到某几个假设,这在后面讲每个结论时会具体说明。
目录   举例   在Inception module上的应用   参考资料 可以减少计算量,可以增加非线性判别能力 举例 假设有1个高为30、宽为40,深度为200的三维张量与55个高为5、宽为5、深度为200的卷积核same卷积,步长=1,则结果是高为30、宽为40、深度为55的三维张量,
ResNet可以说是我认真读过的第一篇paper,据师兄说读起来比较简单,没有复杂的数学公式,不过作为经典的网络结构还是有很多细节值得深究的。因为平时不太读英文文献,所以其实读的时候也有很多地方不是很懂,还是搜了很多博客,所以我准备结合paper将读到的内容做一下总结。   一、为什么要引入Res
结果展示 其中绿线是我绘制的图像划分网格。 这里的loss是我训练的 0.77 ,由于损失函数是我自己写的,所以可能跟大家的不太一样,这个不重要,重要的是学习思路。 重点提示 yolov1是一个目标检测的算法,他是一阶段的检测算法。 一阶段(one-stage):检测物体的同时进行分类。
n-gram模型是自然语言处理里面的一个传统模型。我们来看看他是怎么实现的吧!要了解n-gram模型,我们先来看看什么是语言模型! 一.语言模型 语言模型的定义是:语言模型是一种用来预测下一个单词什么的任务。比如我们有一句话:      the students opened their  __
LBPH人脸识别 import cv2 import numpy as np images=[] #刘诗诗 images.append(cv2.imread("./lss/1.png",0)) images.append(cv2.imread("./lss/2.png",0)) images.
原文全文目录 机器学习技术的实施方法 预测阶段效果监控 离线预测+在线预测 监控点击率的稳定性 真实点击率的稳定性 计算相邻两个区间内点击率分布的 PSI(Population Stability Index, 群体稳定性指标), 小于 0.1 可认为数据相对稳定; 预测点击率的稳定性 与
原文 全文目录 机器学习技术的实施方法 特征处理 特征工程的重要性 需要同时掌握理论方法和业务逻辑才能提取有效的特征; 在特征方面拥有最大的自主性和探索性; 指征能力, 该特征的大小变化对最终结果的大小变化会在什么方向起到多大的作用; 用户ID类特征 ID特征, 指为每个用户分配一个唯一ID, 将
原文 全文目录 机器学习技术概述 让计算机在没有被显示编程的情况下具有自主学习的能力; 学习出特征和目标之间具体的相关性; 学习结果的用法: 预测, 推断(inference); 推荐系统中的应用场景 推荐系统的本质是匹配; 推荐结果排序 传统的方式是利用公式来定义排序规则, 机器学习是选择具有