原创 AI賦能的判定機制的傾向性

最近忙着論文的事情,沒有時間寫一些技術博客,而且CSDN的圖牀經常出現問題,也懶得整理了。 今天也是說些閒話,討論下對未來AI賦能的判定機制的一些思考。 什麼是AI賦能的判定機制,主要其實就是:基於機器智能的技術手段,來代替人類評判事

原创 CNN 反向傳播推導

CNN卷積神經網絡推導和實現 本文的論文來自: Notes on Convolutional Neural Networks, Jake Bouvrie。 這個主要是CNN的推導和實現的一些筆記,再看懂這個筆記之前,最好具

原创 Reveal.js:把你的 Markdown 文稿變成 PPT

Reveal.js:把你的 Markdown 文稿變成 PPT   https://github.com/hakimel/reveal.js 通過 Reveal.js 這個框架, 我們可以把 Markdown 文件轉爲類似 PPT 的演示

原创 StyleGAN

有用的網址:http://www.gwylab.com/download.html 基於StyleGAN的一個好玩的網站:www.seeprettyface.com ————————————————————————————————

原创 目標跟蹤【更新中...】

最近需要跟蹤clathrin CCP的運動與半徑,所以調研了一下多目標跟蹤的方法: 首先總結一下基本工作流: 1.分割圖像,將圖像轉爲二值化樣本,分割方法有太多了,根據情況而定,暫時定位分水嶺分割: https://imagej.net/

原创 Win10 【TITAN Xp】和【TITAN RTX】-【TensorFlow】環境簡單總結

最近CSDN改版,寫文章的時候圖片上傳總是失敗,也不知道是網速太差了,還是什麼原因,所以一直沒有更新博客,最近又安裝了幾次不同的環境,記錄一下自己遇到的坑吧,就暫時不上圖了,幹說: TITAN RTX 首先RTX是不支持CUDA 10.0

原创 各語言的GPU類庫

總結一些語言調用GPU的關鍵詞:   Java: Aparapi, JavaCL,jCUDA, Deeplearning4j, Rootbeer.  C, C++: CUDA, OpenCL (2.x not for NVIDIA), P

原创 Git上傳Github及基本操作

git config --global user.name "github’s Name" git config --global user.email "[email protected]" git config --list 隔段時間傳一次

原创 3D U2-Net

探索了一種有前途的通用體系結構,該體系結構可以處理多種醫學分割任務,並且可以擴展用於新任務,而無需考慮不同的器官和成像方式。我們的3D通用U-Net(3D U2-Net)建立在可分離的卷積基礎上,假設來自不同域的圖像具有特定於域的空間相

原创 MCMC方法與變分推斷

貝葉斯推理(Bayesian inference)是統計學中的一個重要問題,也是許多機器學習方法中經常遇到的問題。例如,用於分類的高斯混合模型或用於主題建模的潛在狄利克雷分配(Latent Dirichlet Allocation,簡稱L

原创 GELU激活函數

論文鏈接:https://arxiv.org/abs/1606.08415 在神經網絡的建模過程中,模型很重要的性質就是非線性,同時爲了模型泛化能力,需要加入隨機正則,例如dropout(隨機置一些輸出爲0,其實也是一種變相的隨機

原创 Adaboost原理和實例

原文鏈接:https://blog.csdn.net/guyuealian/article/details/70995333 Adaboost算法原理分析和實例 資源: 【1】http:

原创 深度森林淺析

深度森林 深度學習最大的貢獻是表徵學習(representation learning),通過端到端的訓練,發現更好的features,而後面用於分類(或其他任務)的輸出function,往往也只是普通的softmax(或者其他一

原创 FISTA淺析

前言: FISTA(A fast iterative shrinkage-thresholding algorithm)是一種快速的迭代閾值收縮算法(ISTA)。FISTA和ISTA都是基於梯度下降的思想,在迭代過程中進行了更爲聰

原创 Attention機制【圖像】

1. 什麼是Attention機制? 其實我沒有找到attention的具體定義,但在計算機視覺的相關應用中大概可以分爲兩種: 1)學習權重分佈:輸入數據或特徵圖上的不同部分對應的專注度不同,對此Jason Zhao在知乎回答中概括得很好