良有以也

Ricardo

计算机视觉之最优化与随机梯度下降

在上一节中，我们介绍了图像分类任务中的两个关键部分： 用于把原始像素信息映射到不同类别得分的得分函数/score function 用于评估参数W效果(评估该参数下每类得分和实际得分的吻合度)的损失函数/loss function 其中对于线性SVM，我们有： 在取...

Posted by jjx on February 28, 2017

计算机视觉之损失函数

在上一节定义了从图像像素值到所属类别的评分函数（score function），该函数的参数是权重矩阵$W_i$。在函数中，数据$(x_i,y_i)$是给定的，不能修改。但是我们可以调整权重矩阵这个参数，使得评分函数的结果与训练数据集中图像的真实类别一致，即评分函数在正确的分类的位置应当得到最...

Posted by jjx on February 27, 2017

计算机视觉之线性分类器

线性分类 上一篇笔记介绍了图像分类问题。图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest ...

Posted by jjx on February 26, 2017

Kaggle学习入门

kaggle是数据挖掘与机器学习领域的常用网站，经常会有各种比赛，适合在数据挖掘与机器学习领域的实战提高。下面以CIFAR-10 - Object Recognition in Images项目为例演示kaggle入门。 1、下载并解压数据 直接下载，数据通常比较大，解压需要...

Posted by jjx on February 24, 2017

K近邻分类器python实现

本作业的目标如下： 理解基本的图像分类流程和数据驱动方法（训练与预测阶段）。 理解训练、验证、测试分块，学会使用验证数据来进行超参数调优。 熟悉使用numpy来编写向量化代码。 实现并应用k-最近邻（k-NN）分类器。 实现并应用支持向量机（SVM）分类器。 实现并...

Posted by jjx on February 24, 2017

计算机视觉之图像分类基础

图像分类 所谓图像分类问题，就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。虽然看起来挺简单的，但这可是计算机视觉领域的核心问题之一，并且有着各种各样的实际应用。 困难和挑战：对于人来说，识别出一个像“猫”一...

Posted by jjx on February 23, 2017

机器学习基石之正则化

1，正规化：Regularization 发生overfitting 的一个重要原因可能是假设过于复杂了，我们希望在假设上做出让步，用稍简单的模型来学习，避免overfitting。例如，原来的假设空间是10次曲线，很容易对数据过拟合；我们希望它变得简单些，比如w 向量只保持三个分量（其他分...

Posted by jjx on February 21, 2017

CS231n开始

CS231n是斯坦福大学深度学习与计算机视觉公开课，课程主页：http://vision.stanford.edu/teaching/cs231n/index.html 笔记：http://cs231n.github.io/ 笔记中文翻译版：贺完结！CS23...

Posted by jjx on February 21, 2017