聊一聊深度学习中的调参技巧？

本期问题能否聊一聊深度学习中的调参技巧？我们主要从以下几个方面来讲.1. 深度学习中有哪些参数需要调？ 2. 深度学习在什么时候需要动用调参技巧？又如何调参？ 3. 训练网络的一般过程是什么？1. 深度学习有哪些需要们关注的参数呢？大家记住一点：需要用到调参技巧的参数都是超参数！！因此，这个问题还可以换成更专业一点：神经网络中有哪些超参数？主要从两个方面来看：和网络设计相关的参数：神经网络的网络层数、不同层的类别和搭建顺序、隐藏层神经元的参数设置、LOSS层的选择、正则化参数和训练过程相关的参数：网络权重初始化方法、学习率使用策略、迭代次数、小批量数据 minibatch的大小、输入数据相关2. 深度学习在什么时候需要动用调参技巧，以及如何进行调参呢？通常网络训练的结果一般表现为以下五种情况：过拟合、欠拟合、恰好拟合，趋于收敛但一直在震荡以及完全不收敛。关于过拟合、欠拟合和恰好拟和，在机器学习中的定义描述如下：（不知道的可以移步此博客：https://www.imooc.com

CUDA-cuDNN配置

ubuntu18.04 Install development and runtime libraries (~4GB) sudo apt-get install --no-install-recommends \ cuda-10-1 \ libcudnn7=7.6.4.38-1+cuda10.1 \ libcudnn7-dev=7.6.4.38-1+cuda10.1 # Install TensorRT. Requires that libcudnn7 is installed above. sudo apt-get install -y --no-install-recommends libnvinfer6=6.0.1-1+cuda10.1 \ libnvinfer-dev=6.0.1-1+cuda10.1 \ libnvinfer-plugin6=6.0.1-1+cuda10.1 ubuntu16.04 Install dev

NVIDIA-显卡驱动安装-ubuntu18.04/ubuntu16.04

ubuntu16.04-CUDA9.0 sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.1.85-1_amd64.deb sudo apt install ./cuda-repo-ubuntu1604_9.1.85-1_amd64.deb wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1

做算法，如何进行文献整理和文献阅读？

没有长篇大论，只谈几点：经典文献要不要读，除了必要的，我反正是没读（很多经典的东西，相关的中文博客太多了，而且很多最新的文章也会在introduction或者其他部分介绍到）。文献检索的时间范围：近3-5年文献检索的地方：作为一个博士生，至少自己的这个方向有什么顶级的会议和期刊应该是了然于胸的，CV的会议和期刊主要是：CVPR、ECCV、ICCV、IJCAI、AAAI、ICML、ICLR、TPAMI、TCSVCT、TIP、TM等等，其他的基本不看。arxiv，有时间就看看，找一些大牛的文章，或者经过上面筛选发现文章数量少的有限，那可以考虑下，在找找。检索关键词，不要局限于特定的范围，我以前做ReID（那时候还是特征工程和优化理论的江山），顺便也会看一些多视角、核学习、稀疏表示、低秩等相关的文章作为借鉴。大牛文章？个人觉得没必要太在意，泛读更重要。读文章的时候，记得对文章做分类！刚入门的朋友可以先找几篇硕士博士论文看看了解下基本情况，在去找一些英文的review文章，搞清楚领域大概几类方法，在重点扫论文的时候

Python下的图像处理库，你要选哪个？

在进行数字图像处理时，我们经常需要对图像进行读取、保存、缩放、裁剪、旋转、颜色转换等基本操作。在使用python进行编程时，涉及到多个不同的图像处理库的选择，今天我们简单聊一聊这几个库：opencv、scikit-image、scipy、pillow、matplotlib等等（不包括深度学习：tf.image等）1. PIL(Python Imaging Library)PIL（Python Imaging Library）是Python常用的图像处理库，而Pillow是PIL的一个友好Fork，提供了了广泛的文件格式支持，强大的图像处理能力，主要包括图像储存、图像显示、格式转换以及基本的图像处理操作等。相比opencv更为轻巧。Image模块是在Python PIL图像处理中常见的模块，对图像进行基础操作的功能基本都包含于此模块内。如open、save、show等功能。2. scipy.miscpython在科学计算领域有三个非常受欢迎库，numpy、SciPy、matplotlib。numpy是一个高性

计算机视觉基础——数字图像与颜色空间

Hello，大家好。白话机器学习 新的一个专题又开始了。在本次专题中，我们呼应“白话”这个概念，为大家科普一些简单的计算机视觉的概念，帮助大家扫盲~~~今天我们首先聊一聊——数字图像与颜色空间。我们经常会说做算法其实也是在玩数学，很大的原因就是我们需要将想要分析的对象转化为数字，然后再对数字中存在的规律进行分析。而在计算视觉任务中，我们主要处理的对象就是图像数据。图像是指使用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视觉的实体。包括：1）各类图片，如普通照片、X光片、遥感图片；2）各类光学图像，如电影、电视画面；3）客观世界在人们心目中的有形想象以及外部描述，如绘画、绘图等。为了对图像数据进行更好的分析，我们会采用计算机来对其进行进一步的加工处理，也就是离散化、数字化，进而得到了数字图像。其中，图像中每个基本单元叫做图像的元素，简称像素（Pixel）。数字图像处理（Digital Image Processing）：是指应用计算机来合成、变换已有的数字图像

计算机视觉基础——数字图像与颜色空间

Hello，大家好。微信公众号：白话机器学习。新的一个专题又开始了。在本次专题中，我们呼应“白话”这个概念，为大家科普一些简单的计算机视觉的概念，帮助大家扫盲~~~今天我们首先聊一聊——数字图像与颜色空间。我们经常会说做算法其实也是在玩数学，很大的原因就是我们需要将想要分析的对象转化为数字，然后再对数字中存在的规律进行分析。而在计算视觉任务中，我们主要处理的对象就是图像数据。图像是指使用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视觉的实体。包括：1）各类图片，如普通照片、X光片、遥感图片；2）各类光学图像，如电影、电视画面；3）客观世界在人们心目中的有形想象以及外部描述，如绘画、绘图等。为了对图像数据进行更好的分析，我们会采用计算机来对其进行进一步的加工处理，也就是离散化、数字化，进而得到了数字图像。其中，图像中每个基本单元叫做图像的元素，简称像素（Pixel）。数字图像处理（Digital Image Processing）：是指应用计算机来合成、变换已有的数字图

FaceNet源码解析

1. facenet:triplet-loss理解与train_tripletloss.py代码理解https://blog.csdn.net/ninesky110/article/details/84877114https://blog.csdn.net/liyuan123zhouhui/article/details/714277992. train_softmax.py代码注释https://blog.csdn.net/liyuan123zhouhui/article/details/69569562

ubuntu18.04 配置caffe-ssd

首先，大家如果想省事情，请直接换成ubuntu16.04，网上很多配置教程很好用。不然，有很多坑要填！gcc和g++版本用5.0以上版本python用原生的python，最好用python2gflags，下载源码安装opencv下载源码安装，参考我的另一篇博客：https://www.imooc.com/article/284786/usr/local/lib/libopencv_imgcodecs.so：对‘TIFFClose@LIBTIFF_4.0’ 未定义的引用 /usr/local/lib/libopencv_imgcodecs.so：对‘TIFFRGBAImageOK@LIBTIFF_4.0’ 未定义的引用 /usr/local/lib/libopencv_imgcodecs.so：对‘TIFFReadRGBAStrip@LIBTIFF_4.0’ 未定义的引用 collect2: error: ld returned 1 exit  st

ubuntu18.04 opencv编译

在ubuntu18.04下编译安装opencv采用老的方法cmake..make all发现会报错，不支持C++11后来发现，可以直接在release下编译安装：参考链接：https://blog.csdn.net/kevineeo/article/details/83242516 第一步：下载完成后对该文件进行解压，会得到一个opencv-3.4.0的文件夹，进入该文件夹，手动新建一个release的文件夹，然后进入到里面，打开一个终端。或者直接在opencv-3.4.0文件夹中打开一个终端，然后# 新建一个release的文件夹$ mkdir release# 进入到release文件夹中$ cd release第二步：cmake，进入到release文件夹后，在终端中输入如下命令，后面的-D CUDA_GENERATION=kepler 加上# 正常情况下使用如下cmake命令即可$ cmake -D CMAKE_BUILD_TYP

人脸智能小程序开发填坑笔记

记录下开发微信小程序时，遇到的一些坑：1. 微信小程序真机调试的时候，报错request:fail url not in domain listhttps://blog.csdn.net/qq_40421671/article/details/86650126 2. 图片缩放通过画布实现，要采用回调函数。const ctxx = wx.createCanvasContext('attendCanvasId'); ctxx.drawImage(tempImagePath, 0, 0, windowWidth, windowHeight * 0.5); ctxx.draw(false, wx.canvasToTempFilePath({     canvasId: 'attendCanvasId',   &nbs

人脸检测相关Paper&资源汇总

想要简单了解下人脸检测问题，推荐直接阅读Wider Face数据集评测的各个算法：了解如下：http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/WiderFace_Results.html更多的人脸文章，则可以扫一下里面的论文列表：文章内容转载自：https://zhuanlan.zhihu.com/p/38512246ACMMM2016_UnitBox：An Advanced Object Detection Network：arxiv2016_Face Detection with the Faster R-CNN：arxiv2016_xiaomi_Bootstrapping Face Detection with Hard Negative Examples：arxiv2017_Face Detection using Deep Learning：An Improved Faster RCNN Approach：arxiv2017_FAN_Face Atten

caffe-windows版本环境配置相关问题

作者：会写代码的好厨师链接：https://www.imooc.com/article/275499来源：慕课网对于caffe的配置安装一直都是新手刚开始接触caffe是遇到的最大的困难。这里简单的谈一谈windows版本的安装。1）准备工作源码下载：caffe版本Microsoft/caffe环境安装：cuda9.0：CUDA Toolkit 9.0 Downloads，主要是版本不要出问题cudnn: cudnn-9.0-windows10-x64-v7.1python2.7，建议用python2，不建议用condaVS20132）打开VS2013，使用VS2013打开caffe，里面有一个VS的工程项目。3）在VS里面找到，更新Nuget程序包管理，需要修改opencv版本，还可能会有一些其他库版本的更新，一并处理掉。4）math_functions函数编码错误，打开在保存就OK了5）python版本最好使用python26）errorMSB3721:too few arguments in func