Always_ease的博客

一、LBP算子　　局部二值模式是一种灰度范围内的非参数描述子，具有对灰度变化不敏感且计算速度快等优点[1].LBP算子利用中心像素的领域像素与中心像素的比较结果进行编码。常见的LBP_{P,R}模式有： P,R分别代表领域像素点的个数和领域半径，上图所示分别为8点半径为1；16点半径为2；8点半径为2的模式。　　LBP算子计算实例如下：从左上角开始，沿顺时针方向依次与中心像素进行比较，如果大于等于中心像素的取值为1，否则为0.得到一个01序列，我们视为一个二进制数。将二进制数转化...

神经网络构架：25张图了解神经网络常用模型 RNN结构：层之间的神经元也建立权连接 随着序列的不断推进，前面的隐层将会影响后面的隐层。图中O代表输出，y代表样本给出的确定值，L代表损失函数，我们可以看到，“损失“也是随着序列的推荐而不断积累的 神经网络细节：理解dropout Dropout实现（向前传播向后传播） Receptive field(感受野) BP神经网络讲解...

参考博客：深度学习最常用的算法，一文看懂各种神经网络优化算法：从梯度下降到Adam方法 SDG1、定义：        随机梯度下降（Stochastic gradient descent，SGD）对每个训练样本进行参数更新，每次执行都进行一次更新，且执行速度更快。2、公式：        θ=θ−η⋅∇(θ) × J(θ;x(i);y(i))，其中 η 是学习率，x(i)...

定义及原理：           生成器 （G）generator：接收一个随机的噪声z（随机数），通过这个噪声生成图像。G的目标就是尽量生成真实的图片去欺骗判别网络D。       判别器（D） discriminator：对接收的图片进行真假判别。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的...

1.ResNet意义深度残差网络，它允许网络尽可能的加深。最后的输出是 y=F(x)+x。残差指的就是F(x)部分 。理论上，对于“随着网络加深，准确率下降”的问题，Resnet提供了两种选择方式，也就是identity mapping和residual mapping，如果网络已经到达最优，继续加深网络，residual mapping将被push为0，只剩下identity mappi...

1、简介一句话概括：从以前的任务当中去学习知识（knowledge）或经验，并应用于新的任务当中。传统的机器学习方法包括有监督学习、无监督学习和半监督学习，针对不完全数据，有监督和半监督学习还有相应的变形，如处理噪声分类标签问题以及代价敏感学习。然而，这些方法的大多数都假设已标注数据与未标注数据的分布是相同的。与之相反的是，迁移学习允许源空间、任务空间，并且在测试集和训练集中的分布是不同的...

【GANs学习笔记】（一）初步了解GANs【GANs学习笔记】（四）GANs的缺陷1、generator中的最小化的过程不一定是在最小化两者数据之间的JS divergence距离【GANs学习笔记】（六）JS Divergence不是最好的Divergence1、JS divergence是通过discriminator计算出来的，而discriminator的本质是binary...