V2EX › shadowind 的所有回复 › 第 2 页 / 共 7 页

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

1 2 3 4 5 6 7

❮

❯

2016 年 1 月 22 日

回复了 dahuaer 创建的主题 › Python › Python 图像识别突点检测

opencv 有 python api 啊~ 用 pil 实现会比较麻烦

2015 年 10 月 20 日

回复了 leoli 创建的主题 › 北京 › 中关村上班，找房子

@leoli 微信吧 wley1988

2015 年 10 月 20 日

回复了 leoli 创建的主题 › 北京 › 中关村上班，找房子

我要转租～～在马连洼梅园，明年 3 月底到期，另一个舍友是网易的开发，现在房租是 1800 ，我可以再优惠一些～有意的话，可以联系我～

2015 年 9 月 18 日

回复了 moonshile 创建的主题 › 分享创造 › [干货分享] 最细致的卷积神经网络算法解析

@moonshile 招数就是调参啊，感觉用 CNN ，一个重点在于数据准备，另一个重点就在于调参了，嘿嘿~~改改学习率什么的，又是一轮漫长的训练。

2015 年 9 月 17 日

回复了 moonshile 创建的主题 › 分享创造 › [干货分享] 最细致的卷积神经网络算法解析

哇，写的好详细~~赞一个~~

不过有以下几点想补充以下：
- 输入图像一般需要归一化，但这个归一化应该是直接除以 255 ，即最大像素值，不是使用 sigmoid 或者 tanh 函数吧。
- 梯度发散：这个就像你说的那样，因为本身已经把输入归一化，而且更新梯度时一般都有个学习率的值， 0 到 1 之间的多个值相乘，就会变得很小，以至于无法更新参数的值，这就是梯度发散了。当然，训练数据的不合理也会导致梯度发散。其实，最终收敛的结果就是学习到的模型。
- 高斯池化：池化参数符合高斯分布，这个你了解下图像模糊的公式，就知道这其实也是卷积啦~~

去年研究过一段深度学习，上面几点理解可能会有偏差，与君互勉~~ :-P

2015 年 9 月 10 日

回复了 sunfanteng 创建的主题 › 程序员 › 天天做程序员，发现自己越来越胖了

上班一年半，减了 20 斤~~一周两三次下班走回去，一次差不多要 40 多分钟~

2015 年 8 月 31 日

回复了 ljbha007 创建的主题 › Go 编程语言 › [Go 语言]第一次用大量的并发逻辑写程序有点烧脑

使用 goroutine 和 channel 玩递归，有意思啊~

2015 年 6 月 18 日

回复了 rock_cloud 创建的主题 › 职场话题 › Offer 比较：去哪儿 VS 新浪微博 VS 创业公司

1. 新浪很少加班；2. 新浪有少量户口名额。

2015 年 6 月 8 日

回复了 Explorare 创建的主题 › Linux › [讨论]基于卷积神经网深度学习的图像降噪算法初步探究

@Explorare 对啊，噪点是已有信息，处理起来方便很多，要增加细节就要考虑很多情况了，不然增加的信息就是噪声了，哈哈~~

2015 年 6 月 8 日

回复了 Explorare 创建的主题 › Linux › [讨论]基于卷积神经网深度学习的图像降噪算法初步探究

@xlrtx 其实很多机器学习都是这个思路，重点就是要确定合适的模型。模型确定好了以后，利用数据训练调节参数，就可以学到一般的通用特性，就可以用来处理其他的图像的。

1 2 3 4 5 6 7

❮

❯