机器学习算法中如何选取超参数：学习速率、正则项系数、minibatch size本文是《Neural networks and deep learning》概览中第三章的一部分，讲机器学习算法中，如何选取初始的超参数的值。（本文会不断补充）学习速率（learning rate，η）运用梯度下降算法进...
分类：
编程语言 时间：
2015-05-19 22:23:04
阅读次数：
167
梯度下降法和牛顿法是最常见的两个模型训练算法了，现在对这两个算法做一个比较：梯度下降法牛顿法迭代公式\[{w^{(k + 1)}} = {w^{(k)}} - \alpha \nabla J({w^{(k)}})\]\[{w^{(k + 1)}} = {w^{(k)}} - {H^{ - 1}}({...
分类：
其他好文 时间：
2015-05-18 18:33:45
阅读次数：
107
最近一两年来，芯片市场的热闹有从细分、垂直的圈子向整个大社会场景发酵的迹象。 备受各界关注的高通发垄断案，国家大基金的成立，以及展讯、锐迪科等私有化等等，都意味着这个行业的热度在快速上升。这里面既有芯片产业从欧美、日韩向中国大陆进行梯度产业转移的市场大势，也有中国信息产业界对“缺芯少屏”这一产业桎....
分类：
其他好文 时间：
2015-05-15 01:17:07
阅读次数：
131
NABCD分析1.需求 计算机的发展突飞猛进，人们使用计算机的目的各不相同，但是我们很容易发现，关于计算的问题生活中随处可见，于是计算器也是计算机中必备的软件。我们可以使用计算器进行复杂的算术运算，也可以用来不同数值之间的转化。况且数学中我们也经常用到弧度、梯度、角度等的运算，于是计算器应运而生。....
分类：
其他好文 时间：
2015-05-14 13:33:52
阅读次数：
163
%梯度算子检测边缘用 MATLAB实现如下：
clc;clear;close;
I=imread('e:\role0\003i.bmp');
subplot(2,3,1);
imshow(I);
title('原始图像');
grid on; %显示网格线
axis on; %显示坐标系
I1=im2bw(I);...
分类：
其他好文 时间：
2015-05-12 15:41:36
阅读次数：
142
近期在学习视频检索领域的镜头切割方面的知识，发现经常使用的方法是直方图的方法，所以才专门有时间来学习下。查看到这两种直方图的时候，感觉有点接近，好像又不同，放在这做个比較。大部分还是百科的内容，只是对基本理解还是够了.OK，開始正文~首先，介绍下什么是直方图在统计学中，直方图（英语：Histogra...
分类：
其他好文 时间：
2015-05-12 13:25:26
阅读次数：
198
OpenCV入门 - 提取SIFT特征向量
为了确保旋转不变性，会以关键点为中心，以关键点的方向建立坐标轴，不是单独考察单一的这个关键点，而是需要一个邻域。邻域中每个小格的方向代表该像素的梯度方向，长度是梯度模大小，在每个4X4的小块上计算8个方向的梯度方向直方图，统计每个方向的累加值，形成一个种子点。David G.Lowe建议对每个关键点使用4X4=16个种子点进行描...
分类：
其他好文 时间：
2015-05-11 20:09:02
阅读次数：
168
1、HOG特征： 方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检測的特征描写叙述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检測中...
分类：
其他好文 时间：
2015-05-10 11:07:58
阅读次数：
186
本文主要包含如下3部分内容：$\lambda$-强凸函数的定义和性质。$\mu$-平滑函数的定义和性质。通过共轭次梯度定理建立起上面两个概念之间的一个联系。 定义1[强凸函数]：若函数$f(\cdot)$是集合$C$上的$\lambda$-强凸函数，那么$f(\cdot) - \frac{\lam....
分类：
其他好文 时间：
2015-05-06 17:26:11
阅读次数：
135
OpenCV_检测图像中的条形码
看了StackOverflow上的这篇文章后，加以改进，基于C++实现
先上几张效果图：
算法的主要流程为：
1、首先将读入图片归一化到640*480大小以内的，图片太大的话，一是运行速度慢，而是影响检测效果；
2、将彩色图转换成灰度图；
3、得到灰度图分别在水平方向和垂直方向上的梯度幅值；
4、将水平方向上梯度幅值减去垂直方向上的梯...
分类：
其他好文 时间：
2015-05-05 16:27:04
阅读次数：
191
