POST
Paper_GAN_GenerativeOneShotFaceRecognition
介绍 英文： 即One-shot face recognition， 问题： 测量的学习算法仅看一眼就能识别人员的能力；  (较好的小样本人脸识别的例子。) 目标：为普通人脸(可以看多次)和”one-shot”人脸共同建立一个更有效的泛化的人脸分类器 常见实例应用： 大
Sector Overview
AI 认知校准
持续校准对模型、论文、概念和判断框架的理解，而不是只追逐表面热点。
9 资产总量
0 近期活跃
Warm 当前热度
Lead Assets
POST
CS231n-Week3-Assignment4
知识点 上节内容 图像分类问题，机器看到的图像是像素值矩阵 机器识别图像的困难在于语义鸿沟，即识别图片中的事物即含义 两个算法：KNN算法和线性分类器，KNN算法相对线性分类器而言没有可优化的权重矩阵W 损失函数 损失函数的通用表达式 L(W) = \frac{1}{N} \su
POST
CS231n-Week2-WeekSummary
总结 知识点 CIFAR-10数据集，5w训练，1w测试，10class，32x32像素 距离度量方法： L1范数 ：$ d_1 (I_1, I_2) = \sum_p \lvert I_1^p - I_2^P\rvert$ L2范数 ：$d_2(I_1, I_2 = \sqrt
POST
CS231n-Week2-Assignment3
学习： 知识点： KNN算法： 距离度量： 根据给定的度量，在训练集合中找出与x距离最近的k个点(k=1时即近邻算法) 分类决策规则(k>1时为KNN) 根据分类决策规则(如多数表决，加权方法等)决定x的类别y 总结：KNN算法三要素：K值的选择，距离度量，分类决策规则 复杂度：
POST
CS231n_Week1_Assignment2
学习： 数据驱动方法 一张图像在计算机的眼中就是一堆数字矩阵，大小为长x宽x通道数，其中每个数字在0~255之间代表像素。 图像即训练数据，而在分类任务中，图像的种类即label标签。 图像分类存在的问题与挑战：角度，光照，形变和遮挡，图片背景混乱，类内差异等 过去的尝试： 硬编
POST
Pyramid-GAN的代码结构
GAN的代码结构 在GAN类外，是生成器类和判别器类的代码，而本篇中的GAN较为特殊，使用的是金字塔结构的判别器，有些地方需要额外注意。 初始化函数 参数解析器 首先是使用参数解析器(argparse)，方便直接在控制台使用Python命令来控制训练的部分超参数 本篇代码中含有的
POST
Adam的回顾
加权平均数 温馨提示：由于本篇latex公式较多，容易显示异常或者加载较慢 公式： $V_t = \beta_1V_{t-1} + (1-\beta_1)\theta_t$ 其中$V_0 = 0$，所以展开后为： $V_t = \beta_1^{t-1}(1-\beta_1)\t
POST
CS231n_Week1_Assignment1
作业： (阅读理解题) 1. 图像的数据主要来源有哪些 照相机，手机，摄像头等一系列视觉传感器设备生产出了大量的图像数据 2. sift feature，金字塔匹配思想和hog特征分别是什么，可以用来干什么 sift feature： 确认目标上在变化中具有表现型和不变性的特征，
POST
用numpy实现一个双层的softmax神经网络
使用的数值化数据集： 链接： https://pan.baidu.com/s/110dhDKA8eXYV4-kfmevo0g 提取码：x3wu 整体思路 使用Numpy和pandas写一个神经网络，进行手写数字识别(MNIST)，样本图如下： 总思路 整体神经网络代码只使用Num
post
Paper_GAN_GenerativeOneShotFaceRecognition
介绍 英文： 即One-shot face recognition， 问题： 测量的学习算法仅看一眼就能识别人员的能力；  (较好的小样本人脸识别的例子。) 目标：为普通人脸(可以看多次)和”one-shot”人脸共同建立一个更有效的泛化的人脸分类器 常见实例应用： 大
post
CS231n-Week3-Assignment4
知识点 上节内容 图像分类问题，机器看到的图像是像素值矩阵 机器识别图像的困难在于语义鸿沟，即识别图片中的事物即含义 两个算法：KNN算法和线性分类器，KNN算法相对线性分类器而言没有可优化的权重矩阵W 损失函数 损失函数的通用表达式 L(W) = \frac{1}{N} \su
post
CS231n-Week2-WeekSummary
总结 知识点 CIFAR-10数据集，5w训练，1w测试，10class，32x32像素 距离度量方法： L1范数 ：$ d_1 (I_1, I_2) = \sum_p \lvert I_1^p - I_2^P\rvert$ L2范数 ：$d_2(I_1, I_2 = \sqrt
post
CS231n-Week2-Assignment3
学习： 知识点： KNN算法： 距离度量： 根据给定的度量，在训练集合中找出与x距离最近的k个点(k=1时即近邻算法) 分类决策规则(k>1时为KNN) 根据分类决策规则(如多数表决，加权方法等)决定x的类别y 总结：KNN算法三要素：K值的选择，距离度量，分类决策规则 复杂度：
post
CS231n_Week1_Assignment2
学习： 数据驱动方法 一张图像在计算机的眼中就是一堆数字矩阵，大小为长x宽x通道数，其中每个数字在0~255之间代表像素。 图像即训练数据，而在分类任务中，图像的种类即label标签。 图像分类存在的问题与挑战：角度，光照，形变和遮挡，图片背景混乱，类内差异等 过去的尝试： 硬编
post
Pyramid-GAN的代码结构
GAN的代码结构 在GAN类外，是生成器类和判别器类的代码，而本篇中的GAN较为特殊，使用的是金字塔结构的判别器，有些地方需要额外注意。 初始化函数 参数解析器 首先是使用参数解析器(argparse)，方便直接在控制台使用Python命令来控制训练的部分超参数 本篇代码中含有的
post
Adam的回顾
加权平均数 温馨提示：由于本篇latex公式较多，容易显示异常或者加载较慢 公式： $V_t = \beta_1V_{t-1} + (1-\beta_1)\theta_t$ 其中$V_0 = 0$，所以展开后为： $V_t = \beta_1^{t-1}(1-\beta_1)\t
post
CS231n_Week1_Assignment1
作业： (阅读理解题) 1. 图像的数据主要来源有哪些 照相机，手机，摄像头等一系列视觉传感器设备生产出了大量的图像数据 2. sift feature，金字塔匹配思想和hog特征分别是什么，可以用来干什么 sift feature： 确认目标上在变化中具有表现型和不变性的特征，
post
用numpy实现一个双层的softmax神经网络
使用的数值化数据集： 链接： https://pan.baidu.com/s/110dhDKA8eXYV4-kfmevo0g 提取码：x3wu 整体思路 使用Numpy和pandas写一个神经网络，进行手写数字识别(MNIST)，样本图如下： 总思路 整体神经网络代码只使用Num