LeetCode 题解(持续更新)

本篇文章置顶,长期更新,用于记录日常刷题题解以及需要注意的tip。

阅读全文

堆排序,python实现

堆排序这个名称一直困扰着我,现在扫一下盲。

阅读全文

深度学习代码的框架

以pytorch为例,梳理一下深度学习中,数据的读取,神经网络的搭建,NMS,以及各个指标的计算流程。

阅读全文

normalization

Normalization 正则化在wikipedia上的解释是,使得某个东西更加正规和正常化的一个过程。深度学习中,正则化使用十分广泛,通常网络通过修改loss,添加参数的正则项,对参数的分布进行控制;或是在数据预处理阶段,对数据进行正则化操作。正则化操作通常指的是将数据大小范围缩放到[0,1]之间。

阅读全文

image upsample-downsample method

图像尺度的放大,缩小是图形学中一个十分常见的问题。然而这个过程并不是无损的,缩放的过程是一个非线性的过程,因此存在许多算法在效率,平滑度,清晰度和速度上进行一些权衡(trade-off)。在图形的缩放过程中,存在插值,采样等一些关键的步骤,下面对一些在图像缩放过程中使用的算法进行简要的介绍,这些算法均有其优缺点。

参考资料:https://clouard.users.greyc.fr/Pantheon/experiments/rescaling/index-en.html#bicubic

阅读全文

Deep Learning for image Super-resolution: a Survey

本篇论文是2019年2月份,发表在arxiv上的篇关于超分辨率的一篇综述。这篇文章系统且全面的介绍了一些基于深度学习的超分辨率方法。其中包括:

  • 超分辨率问题的定义 (problem setting)
  • benchmark datasets
  • 性能评价指标 (performance metrics)
  • 基于深度学习的超分辨率方法
  • 特定领域的超分辨率应用 (domain-specific application)

此外作者对比每个超分辨率方法,指出了网络的优点以及局限。最后对该领域的一些开放性问题(open issuse) 以及挑战提出了未来研究的方向。

阅读全文

一些提升效率的方法

在word或ppt中插入公式

  1. 使用mathpix snipper工具,从截图中获取latex公式。

阅读全文

xigua-支持向量机

支持向量机主要目的在于找到 一个位于两类训练样本的正中间,该分界面对样本的局部扰动的鲁棒性最好。通过该分界面能够最大限度的对数据进行分类。

阅读全文

xigua-神经网络

“神经网络是具有适应性的简单单元组成的广泛,并行互连的网络,能够模拟生物神经系统对真实世界物体所作出的交互反应。”

阅读全文

19/7/2019 preview

welcome to my blog,enter password to read.

阅读全文