Lecture

CS231n-深度学习与计算机视觉-笔记-Lecture5 卷积神经网络

1.历史2.卷积和池化先从函数角度了解工作原理，简单介绍这些连接点。对于全连接层，我们要做的就是在这些向量上进行操作。比如我们有一张图片，三维图片32*32*3大小，我们将所有的像素展开，就可以得到一个3072维的向量。我们得到这些权重，把向量和权重矩阵相乘，这里我们就用10*3072，然后就可以得到激活值。卷积层和全连接层的主要差别，可以保全空间结构，不是将它展开成一个长的向量，我们可以保持图片
FishSugar·2020-08-08 13:18

卷积神经网络 + 机器视觉：L8_Static_Tensorflow_Dynamic_Pytorch (斯坦福CS231n）

PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv&index=8完整的视频课堂投影片连接：http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture8
CHUNLIN GO·2020-08-08 12:40

GAMES101-Lecture 07

Visibility/occlusion场景中远近物体的放置问题：画家算法：将物体远近关系排好，远的场景先画，再画近处的场景，近处的自然覆盖了远处的。缺陷：不同物体两两相互覆盖的问题无法解决。Z-buffering深度缓存对每个像素进行处理，每个像素记录场景中最近的物体的颜色。framebuffer：最终结果。depthbuffer（深度图）：只存任何一个像素所看到的物体最浅的深度信息。始终假设相
ios_miracle·2020-08-08 00:34

GAMES101-Lecture 06

Antialiasing抗锯齿Samplingtheory采样理论光栅化过程：在屏幕空间用一系列离散的点（像素的中心）进行是否在三角形内的采样。采样可以发生在不同的位置、不同的时间。动画：在时间中采样SamplingArtifacts（瑕疵）：锯齿摩尔纹（如像素的奇数行和奇数列去除，但显示大小一样）车轮效应：人眼看到高速旋转的车轮旋转方向和实际方向相反。原因是人眼在时间中的采样跟不上运动的速度……
ios_miracle·2020-08-08 00:34

学习分布式一致性协议：自己实现一个Raft算法

前言MIT6.824是麻省理工学院开设的一个很棒的分布式系统公开课程，课程的Schedule在这里，这门课程的学习方式主要是通过教授的lecture讲解、Paper阅读、FAQ答疑，以及实践lab来完成的
Static_lin·2020-08-07 17:20

Lecture 1 | 计算机视觉的卷积神经网络介绍

课程讲义：http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture1.pdf计算机视觉的应用领域非常广泛，涉及到物理、生物、心理学、计算机科学
puran1218·2020-08-05 19:47

Lecture 2 | 图像分类

课程讲义：http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture2.pdf知识点：图像分类K-NearestNeighbor及其距离Linearclassifiers1
puran1218·2020-08-05 19:47

【计算机视觉】Lecture 19：本质矩阵和基础矩阵

对极几何左边极点：相机1所看到的相机2的位置。右边极点：相机2所看到的相机1的位置对极几何对应点位于共轭极线上对极几何给定一幅图像中的一个点，我们如何确定在第二幅图像中要搜索的对应极线？本质矩阵EssentialMatrix本质矩阵和基础矩阵都是3x3的矩阵，用于“编码”两个视图的对极几何。动机：给定一张图像中的一个点，乘以本质/基础矩阵将告诉我们在第二个视图中沿着哪个极线搜索。本质矩阵R，T是旋
USRL所长·2020-08-05 14:27

lecture7-序列模型及递归神经网络RNN

Hinton第七课。这里先说下RNN有recurrentneuralnetwork和recursiveneuralnetwork两种，是不一样的，前者指的是一种人工神经网络，后者指的是一种深度神经网络这里指的是前者，这部分翻译的不好，因为之前没怎么接触过RNN，不过就当理解意境吧，所以附上所有的ｐｐｔ，看得懂的就看PPt,下面的是附带说明，有些语句没有那么通顺，所以就当意境了。而且百科上居然有这么
仙守·2020-08-05 08:49

lecture9-提高模型泛化能力的方法

HInton第9课，这节课没有放论文进去。。。。。如有不对之处还望指正。话说hinton的课果然信息量够大。推荐认真看PRML《PatternRecognitionandMachineLearning》。摘自PRML中22页。正文：一、提高泛化方法的概述在这部分中，将会介绍通过减少（当一个模型的数据表现能力大大的超过训练时提供的数据而产生的）过拟合来提高模型的泛化能力，将会介绍不同的方法去控制网络
仙守·2020-08-05 08:17

CS-231N-斯坦福李飞飞机器视觉课（Cydiachen版笔记+感悟）

CS231N斯坦福李飞飞机器视觉课这个笔记的话，因为本身的课件之间有一些耦合性，但是关联性也不是很大，这里的话，因为我是在雷锋网上看的整个视频课程，感谢字幕组有整理出来每一个Lecture的关键词，这里的话我的笔记组织的话
weixin_34088598·2020-08-04 20:24

[学习笔记] CS131 Computer Vision: Foundations and Applications：Lecture 2 颜色和数学基础

大纲whatiscolor?Theresultofinteractionbetweenphysicallightintheenvironmentandourvisualsystem.Apsychologicalpropertyofourvisualexperienceswhenwelookatobjectsandlights,notaphysicalpropertyofthoseobjectsor
weixin_30952103·2020-08-04 19:59

StanFord University CS131 lecture2:Linear Algebra Primer

斯坦福的CS131课件中的Lecture2，介绍了计算机视觉所需要必备的一些线性代数知识：向量和矩阵矩阵变换矩阵转置矩阵的秩奇异值分解（SVD）【非常重要】一、向量和矩阵这部分内容主要介绍了矩阵是什么？
weixin_30527551·2020-08-04 19:53

Computer Vision(CS131,CS231n)学习笔记（1）

目录Incs231Lecture2:ImageClassificationPipeline图像识别的流水线PythonNumpyTutorial图像识别是计算机视觉中的一项主要任务，想像一下，当
金毛狮王熊吉·2020-08-04 19:54

CS131学习笔记（lecture7）

讲义地址：http://vision.stanford.edu/teaching/cs131_fall1718/files/07_DoG_SIFT.pdf上节说到，Harris检测器对于尺度变换下的关键点检测效果不理想，所以本节将关注一些在尺度变换下依然可以有效检测的方法。尺度不变检测从直觉上，我们在进行不同尺度下的特征检测时，需要选取范围不同的窗函数（以下以圆圈为例），即：对比例尺较小的图像选取
玄云飘风·2020-08-04 18:44

CS131-Lecture1 课程介绍

cs131第一讲课程介绍by：斯坦福大学计算机科学系github:https://github.com/zhaoxiongjun/CS131_notes_zh-CN（包含中英文版课件及相关课程视频）1什么是计算机视觉？1.1定义计算机视觉有两种定义：计算机视觉可以定义为从数字图像中提取信息的科学领域。从图像获得的信息类型可以是多样的，从识别，空间测量导航或增强现实应用。定义计算机视觉的另一种方法是
末尾带空格的bearBaby·2020-08-04 16:52

Google File System及其继任者Colossus

GoogleFileSystem及其继任者Colossus在CMU16Fall学期StorageSystems的课堂上，我有幸听了在GoogleInfraTeam的LarryGreenfield的一个Lecture
克终·2020-08-04 15:58

[CS131] Lecture 5 Edge detection

根据StanfordCS131课程写的笔记（大部分为note翻译），英语水平一般，如有错误请评论指正Lecture5EdgeDetectionEdgeDetectioninMammalsHubel&Wiesel
XiongLY0·2020-08-04 13:06

[CS131] Lecture 1 Course Introduction课程介绍

[CS131]Lecture1CourseIntroduction课程介绍课件为本人上计算机视觉这门课的时候进行的翻译因为翻译水平有限可能会有部分翻译错误如需原始课件请联系博主下载地址：ppt：https
xiaoming3526·2020-08-04 13:50

[CS131] Lecture 1 Course Introduction

根据StanfordCS131课程写的笔记（大部分为note翻译），英语水平一般，如有错误请评论指正Lecture1CourseIntroduction什么是计算机视觉？定义从数字图像中提取信息。
XiongLY0·2020-08-04 10:07

李宏毅机器学习课程笔记9：Recurrent Neural Network

Lecture25,26:RecurrentNeuralNetworkRNN的基本概念与SimpleRNN以订票系统中的SlotFilling为例，我们希望订票系统听到用户说:”Iwouldliketo
徐子尧·2020-08-04 08:56

【计算机视觉】Lecture 11：LoG和DoG滤波算子

今天的主题高斯拉普拉斯(LoG)滤波算子用于寻找边缘也有助于寻找斑点！使用高斯差分(DoG)来近似回忆：一阶导数滤波器输入图像灰度的急剧变化对应于输入信号一阶导数的“峰或谷”二阶导数滤波器输入信号一阶导数的峰或谷对应于输入信号二阶导数的“零交叉点”。数值导数泰勒级数展开中心差分近似于二阶导数例子：二阶导数优点：可以获得边缘的清晰定位，而不是边缘上高梯度幅值的“涂抹”比较：一阶vs二阶导数寻找零交叉
USRL所长·2020-08-04 02:47

李宏毅-深度学习Note（Lecture 0-2 Introduction Regression）

李宏毅-深度学习Note视频链接：机器学习-李宏毅(2019)MachineLearning参考：李宏毅深度学习19（完整版）国语】机器学习深度学习   李宏毅-深度学习Note（目录）目录P1MLLecture0-IntroductionofMachineLearningP2MLLecture1-Regression-CaseStudyP3MLLecture1-Regression-DemoP4
渣渣的夏天·2020-08-03 22:49

李宏毅《Deep Learning》学习笔记 - transformer

PLJV_el3uVTsOK_ZK5L0Iv_EQoL1JefRL4&index=61&t=1s课件：http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2019/Lecture
dupei·2020-08-03 16:37

pandas 习题

题目来源：https://nbviewer.jupyter.org/github/schmit/cme193-ipython-notebooks-lecture/blob/master/Exercises.ipynbAnscombe'squartetAnscombe'squartetcomprisesoffourdatasets
odls·2020-08-03 16:10

CS231n Lecture 15 | Efficient Methods and Hardware for Deep Learning

Lecture15主要从算法和硬件两个层面讲解了模型压缩和优化等问题，以实现深度学习模型的体积减少、参数数量缩减、计算量减少、计算加速等。
困比比·2020-08-03 02:00

GAMES101-现代计算机图形学入门-闫令琪 - lecture15 光线追踪3 - 辐射度量学、渲染方程(Ray Tracing 3) - 课后笔记

光线追踪3-辐射度量学、渲染方程和全局光照内容：辐射度量学光线传输（Lighttransport）反射方程（Thereflectionequation）渲染方程（Therenderingequation）全局光照（Globalillumination）辐射度量学Radiantenergy：辐射能量，单位位焦耳J，在图形学中几乎不用Radiantflux(power)：单位时间内辐射出的能量Radi
教宗沙立van·2020-08-02 22:12

GAMES101-现代计算机图形学入门-闫令琪 - lecture14 光线追踪2 - 加速结构(Ray Tracing 2 - Acceleration) - 课后笔记

光线追踪2-加速结构（RayTracing2-Acceleration）对AABB结构优化来加速光线追踪的速度均匀网格（Uniformgrids）空间划分（Spatialpartitions）均匀空间划分（UniformSpatialPartitions）上一节课中，使用了AABB包围盒的方式来判断物体，然后判断光线是否和包围盒相交，如果和包围盒相交，再判断是否和内部的物体相交。均匀空间划分就是直
教宗沙立van·2020-08-02 22:41

GAMES101-现代计算机图形学入门-闫令琪 - lecture13 光线追踪1(Ray Tracing 1 - Whitted-Style Ray Tracing) - 课后笔记

光线追踪1（RayTracing1-Whitted-StyleRayTracing）课程一共分为四个大的板块，目前已经学习了光栅化和几何，可以实现图1和2的效果，下面要来学习第三个大的板块，光线追踪。为什么要使用光线追踪？在学习光栅化时，我们在进行着色的过程中实现光照效果的时候可以发现，我们实现了环境光、漫反射、镜面反射，但是确没有做出阴影。因为光栅化考虑的只是一个局部的着色的过程，只是对那一个像
教宗沙立van·2020-08-02 22:40

GAMES101-现代计算机图形学入门-闫令琪 - lecture9 着色3(Shading 3) - 课后笔记

着色3（Shading3）重心坐标纹理查询纹理应用插值-重心坐标（BarycentricCoordinates）为什么要插值？能够获得三角形三个固定顶点的属性，但是不知道三角形内部的属性希望三角形内部属性能有一个平滑的过度效果可以插值的属性有哪些？纹理坐标、法向量、颜色等等如何进行插值？使用重心坐标上图中（α，β，γ）就是点（x,y）的重心坐标。重心坐标是定义在一个三角形上的，三角形平面上的任何一
教宗沙立van·2020-08-02 22:40

GAMES101-现代计算机图形学入门-闫令琪 - lecture11 几何3(Geometry 3) - 课后笔记

几何2-曲线和曲面（Geometry2-CurvesandSurface）上一节提到，要表现一些复杂的几何模型有两种方法：隐式几何显式几何本节课讲的为显式几何显式几何（ExplicitRepresentations）显式几何有两种方式：一种是像三角形直接定义出来另一种是通过参数映射的方法定义表面显式几何有许多的方法，如：下面介绍几种方法：点云（PointCloud）点云是最简单的一种方法，点云是将
教宗沙立van·2020-08-02 22:40

Lecture Notes: Macros

原论文链接失效，特在这里保存一份http://www.apl.jhu.edu/~hall/Lisp-Notes/Macros.htmlLispfunctionstakeLispvaluesasinputandreturnLispvalues.Theyareexecutedatrun-time.LispmacrostakeLispcodeasinput,andreturnLispcode.Theya
寒风被人抢注了·2020-08-02 18:56

英国留学生不敢承认的「50个秘密」

¤è±lectureé¨é°±è°è§4.èé騤¤é°è°1§5.108vlog2¨°é°è·6.èInstagramèèè7.è¨é±éè°±¤8.è§éfancyè§è·±·¤·èè·°¤èAliexpressè
INSIGHT视界·2020-08-02 00:00

Python学习笔记ucas（lecture2）数据结构（字符串、列表、元组、字典、集合）

Lecture2数据结构（字符串、列表、元组、字典、集合）目录Lecture2数据结构字符串列表元组字典集合目录1序列通用操作2字符串3列表4元组5字典6集合1序列通用操作print(str(123.45
九方先生·2020-08-01 13:07

【CS229 Lecture notes，Machine Learning，Andrew Ng 】阅读笔记（持续更新中...）

MachineLearningLinearRegressionLMS（leastmeansquares）在使用批梯度下降（batchgradientdescent）最小化代价函数时，每个theta的更新是同步的。判断是否收敛是启发式的，即判断两次迭代的代价函数值的大小。代价函数是一个凸二次函数，只存在一个全局最优值，而不存在局部最优值。在使用梯度下降时，每次迭代的步长会自动减小，因为梯度在减小。使
某晏·2020-08-01 08:29

Stanford Machine Learning - Lecture 01

为了对机器学习有一个大体的了解，开始看网易上斯坦福机器学习的公开课，记录一些东西在这里。机器学习在我们生活中的应用已经很多了，它已经成为了IT界一项很重要的技能，learningalgothrim在各种产业中都有广泛的应用。这门课需要一些高等数学，线性代数，概率统计和数据结构的基础。什么是机器学习：ArthurSamuel(1959)MachineLearning:Fieldofstudythat
liuyongkanglinux·2020-07-31 19:27

Hinton先生的讲课真的很生动

课程：https://www.coursera.org/learn/neural-networks/lecture/Hxnaz/why-do-we-need-machine-learning-13-min
alucardzhou·2020-07-31 13:41

CUDA的线程块size

这部分主要参考资料是：[Hotball'sHive]GPU的硬体架构ProgrammingMassivelyParallelProcessors的Lecture7在研究硬体架构前，可能须要先回去看《nVidiaCUDA
DSQ_17·2020-07-30 19:31

笔记 | 一天搞懂深度学习

Lecture1:IntroductionofDeepLearning深度学习的3个步骤NetworkStructure一系列函数LearningTarget什么样的算好？优化目标是什么？Learn!
步晓德·2020-07-30 17:55

Coursera课程笔记：HTML, CSS, and Javascript for Web Developers

Lecture2:Relevan
NgCafai·2020-07-30 07:58

机器学习基础练习题（2）线性回归

作业题目基于Lecture4第4页表格中的数据（输入特征为livingarea和#bedrooms，预测房价price），建立线性回归模型预测房价。
Tommyll·2020-07-30 04:16

【CS229 lecture18】linear quadratic regulation(LQR) 线性二次型调节控制

lecture18今天来讨论我最喜欢的算法之一，用以控制MDP，我觉得是一个优雅、高效、强大的算法。先讨论MDP的几个常见变种（与现有的MDP定义会有不同）。
qiusuoxiaozi·2020-07-29 21:35

【托福考试】2018年11月4日·托福考场回忆——南京凯奔教育

去打印店打材料，店员给学生建议了一个website，最后学生同意回去试试Lecture1、细菌的抗药性及解决方法2、达芬奇发明的一个帮助飞行的装置3、一
凯奔教育·2020-07-29 04:49

用单张2D图像重构3D场景

用单张2D图像重构3D场景[email protected]://blog.csdn.net/zouxy09之前看到Stanford大学的机器学习公开课程的lecture01中，AndrewNg介绍他的两个学生用单幅图像去重构这个场景的三维模型
zouxy09·2020-07-29 03:32

Scikit-learn与Tensorflow_Aurelien——2017学习笔记 chapter1-2

开源网站https://github.com/ageron/handson-ml2.机器学习网上课程吴恩达：https://www.coursera.org/learn/machine-learning/lecture
zhuiyuan2012·2020-07-29 03:40

Kaggle课程 | lecture 1 机器学习算法、工具与流程概述

在july的网站购买了kaggle课程，自己学习并作笔记记录，非给july打广告，只是为了不忘记或自己学习查询。在这里感谢july提供的该课程。下面开始笔记。主要内容应用领域常用算法算法之间的联系工具常用scikit-learn,文本分析用gensim，数据处理用Numpy、matplotlib、pandas，深度学习有tensorflow、caffe、keras解决问题的流程图中的链接：http
茁壮小草·2020-07-29 01:49

CS224d: Deep Learning for NLP Lecture1 听课记录

重点提炼自然语言处理的一般处理过程/NLPlevels初始输入数据分为语音和文本两大类，对于语音一般进行语音分析转换成文本(语音识别)，对于文本一般进行词条化处理。而后两者处理过程类似，即依次进行词法分析，句法分析，语义分析，语篇加工等。深度学习的优势(1)工程师手动设计的特征往往只针对一个领域，并且需要花费大量的时间设计和验证特征，也有可能因为数据量巨大，不能得到完整的特征(2)深度学习可以通过
C塔贝塔伽马·2020-07-28 11:51

CS224N学习笔记（十四）Transformers and Self-Attention

原文链接：https://zhuanlan.zhihu.com/p/126780292Lecture14TransformersandSelf-AttentionForGenerativeModelsguestlecturebyAshishVaswaniandAnnaHuang
沃特么.拆基.达柴机·2020-07-28 10:16

Deep learning lecture 3

RNNLanguagemodeling目标：估计一个wordsequence的概率举个例子：recognizespeechorwreckanicebeach，从声音讯号里是判断不出来，但我们可以估计出来recognizespeech的概率会更大一些传统的方法是N-gramLanguageModelingn-1个字的概率smoothing表示给某些情况一些小概率，例如p=0.0001这些概率是不准确
飞奔的红舞鞋·2020-07-28 09:25

Deep learning-Lecture 2

*反向传播*Wordrepresentation*Sequencemodeling*反向传播Reviewlayer输出关系，从a到z的关系从z到a的关系输出层关系神经网络公式训练集的损失函数神经网络的梯度下降梯度下降最优化image.png算法最优化神经网络的梯度下降正向传播和反向传播ChainRule神经网络梯度下降*Wordrepresentation文字处理领域：Knowledge-base
飞奔的红舞鞋·2020-07-28 02:53
上一页 15 16 17 18 19 20 21 22 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他