J1z's Blog

本系列Blog是基于周志华老师的《机器学习》一书的学习笔记。 第1章 绪论机器学习（Machine Learning）致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于在计算机上从数据中学得“模型”（model）的算法，即“学习算法”（learning algorithm）。 一般地，我们用“模型”指从数据中学得的全局性结果（例如一棵决策树），而用“模式”指局部性结构（例如一条规则）。 1.1 基本术语数据样本要进行机器学习，先要有数据。 假定我们收集了一批关于西瓜的数据，例如：（色泽=青绿；根蒂=蜷缩；敲声=浊响），（色泽=乌黑；根蒂= 稍蜷；敲声=沉闷），（色泽=浅白；根蒂=硬挺；敲声=清脆），…… 每对括号内是一条记录，这组记录的集合称为一个”数据集”（data set），其中： 每条记录是关于一个事件或对象（这里是一个西瓜）的描述，称为一个**”示例”（instance）或”样本”（sample）**； 反映事件或对象在某方面的表现或性质的事项，例如”色泽””根蒂””敲声”， ...

SSH 简介SSH（Secure Shell 的缩写）是一种网络协议，它主要用于保证远程登录和远程通信的安全，任何网络服务都可以用这个协议来加密。 SSH 的软件架构是服务器-客户端模式（Server - Client）。在这个架构中，SSH 软件分成两个部分：向服务器发出请求的部分，称为客户端（client），OpenSSH 的实现为 ssh；接收客户端发出的请求的部分，称为服务器（server），OpenSSH 的实现为 sshd。 另外，OpenSSH 还提供一些辅助工具软件（比如 ssh-keygen 、ssh-agent）和专门的客户端工具（比如 scp 和 sftp）。 SSH 客户端1. OpenSSH 简介OpenSSH 的客户端是二进制程序 ssh。它在 Linux/Unix 系统的位置是/usr/local/bin/ssh，Windows 系统的位置是\Program Files\OpenSSH\bin\ssh.exe。 Linux 系统一般都自带 ssh，如果没有就需要安装。 12345# Ubuntu 和 Debian$ sudo apt install ope ...

临近毕业季，越来越发觉自己对于拍摄的喜爱，也越来越深刻地意识到手机摄影的不足，对手上的 iphone 11 pro 也越来越不满。因此，觉得有必要也给自己正儿八经入个相机了。 先列一下自己的需求： 微单 以风景、人像为主 对视频拍摄也有一定的要求，不能太拉 索尼 类似安卓，操作不太友好，而佳能更像苹果，而且屏幕质量也高，触摸操作， 桂花语录 差一点的微单不如顶级卡片机 定焦镜头一定优于变焦镜头

机器学习基础验证集与测试集 验证集的作用： 使用验证集是为了 快速调参，也就是用验证集选择超参数（网络层数，网络节点数，迭代次数，学习率这些）。另外用验证集还可以监控模型是否异常（过拟合啦什么的），然后决定是不是要提前停止训练。 验证集的关键在于 选择超参数，我们手动调参是为了让模型在验证集上的表现越来越好，如果把测试集作为验证集，调参去拟合测试集，就有点像作弊了。 而测试集既 不参与参数的学习过程，也 不参与参数的选择过程，仅仅用于模型评价。 Bias 与 Variance欠拟合也称为高偏差（bias），过拟合也称为高方差（variance）。 关于过拟合问题，要注意： Batch Normalization的主要作用是加快网络的训练速度，一般不说它是防止过拟合的。 如果硬要说是防止过拟合，可以这样理解： BN每次的mini-batch的数据都不一样，但是每次的mini-batch的数据都会对moving mean和moving variance产生作用，可以认为是引入了噪声，这就可以认为是进行了data augmentation，而data augmentation被认为是 ...

<机器爱学习>YOLO v1深入理解 YOLO系列综述：从V1到V4 0x00 目标检测算法的发展从 Two-Stage 到 One-Stage0x01 YOLO v1: You Only Look Once!YOLO（You Only Look Once）是一种基于深度神经网络的物体识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。该算法创造性的将候选区和物体识别这两个阶段合二为一，即看一眼图片（不用看两眼哦）就能知道有哪些对象以及它们的位置。 实际上，YOLO并没有真正去掉候选区，而是采用了预定义的候选区（准确点说应该是预测区，因为并不是Faster RCNN所采用的Anchor）。也就是将图片划分为 7 * 7 = 49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49 * 2 = 98 个bounding box。可以理解为98个候选区，它们很粗略的覆盖了图片的整个区域。 RCNN虽然会找到一些候选区，但毕竟只是候选，等真正识别出其中的对象以后，还要对候选区进行微调，使之更接近真实的bo ...

来源：https://www.cnblogs.com/along21/p/7519710.html 一、条件选择、判断1、条件选择if（1）用法格式 123456789if 判断条件 1 ; then 条件为真的分支代码elif 判断条件 2 ; then 条件为真的分支代码elif 判断条件 3 ; then 条件为真的分支代码else 以上条件都为假的分支代码fi 逐条件进行判断，第一次遇为“真”条件时，执行其分支，而后结束整个if。 （2）经典案例： 请输入年纪，先判断输入的是否含有除数字以外的字符，有，就报错；没有，继续判断是否小于150，是否大于18。 1234567891011121314#判断年纪#!/bin/bashread -p "Please input your age: " ageif [[ $age =~ [^0-9] ]] ;then echo "please input a int" exit 10elif [ $age -ge 150 ];then e ...

0x00 标准化与归一化 这一节与本文要重点介绍的 normalization 无关，只是为了区别这两个概念。 1. 关于二者在概念上的勘误网上各种资料，抄来抄去，而在于大家讨论的概念内涵不统一，导致 “标准化” (standardization) 和 “归一化” (normalization) 这两个词长期被混用并被传播。 根据维基百科 Feature scaling - Wikipedia ，”标准化”和”归一化”这两个中文词指代的是四种 Feature scaling （特征缩放）方法： Rescaling (min-max normalization) : $$x’ = \frac{x - min(x)}{max(x) - min(x)}$$ Mean normalization : $$x’ = \frac{x - mean(x)}{max(x) - min(x)}$$ Standardization (Z-score normalization) : $$x’ = \frac{x - \bar{x} }{\sigma}$$ Scaling to unit leng ...

机器学习中，如果参数过多，模型过于复杂，容易造成过拟合（overfitting）：即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。 为了避免过拟合，最常用的一种方法是使用正则化，例如 L1 和 L2 正则化。但是，正则化项是如何得来的？其背后的数学原理是什么？L1 正则化和 L2 正则化之间有何区别？除此之外，还有哪些方法来解决过拟合问题？ 本文将对这些问题给出直观的解释。 0x00 过拟合问题虽然很简单，但我们还是先来回顾一下过拟合问题，以线性回归中的房价预测为例： 左边第一幅图是一个线性模型，并没有很好的拟合训练数据，我们把此类情况称为欠拟合(underfitting)**，或者叫作叫做高偏差(bias)**。 中间第二幅图，我们在中间加入一个二次项，也就是说对于这幅数据我们用二次函数去拟合，事实也证明这个拟合效果很好，我们称之为 just right。 右边第三幅图则是一个更加极端的情况，我们使用一个四次多项式来拟合。通过我们的五个训练样本，我们可以得到如右图的一条曲线。 一方面，我们似乎对训练数据做了一个很好的拟合，因为这条 ...

本文介绍CNNs的基础概念，网络结构及经典CNN模型。 0x00 概述卷积神经网络（CNN），听起来像是计算机科学、生物学和数学的诡异组合，但它们已经成为计算机视觉领域中最具影响力的革新的一部分。 卷积神经网络是一种带有卷积结构的深度神经网络，由纽约大学的Yann Lecun于1998年提出，其本质仍是一个多层感知机（MLP）。 但卷积神经网络在 2012 年才开始崭露头角，Alex Krizhevsky 凭借它们赢得了那一年的 ImageNet 挑战赛（大体上相当于计算机视觉的年度奥林匹克），他把分类误差记录从 26% 降到了 15%，在当时震惊了世界。自那之后，大量公司开始将深度学习用作服务的核心。Facebook 将神经网络用于自动标注算法、谷歌将它用于图片搜索、亚马逊将它用于商品推荐、Pinterest 将它用于个性化主页推送、Instagram 将它用于搜索架构。 CNN 成功的原因在于其所采用的局部连接和权值共享的方式： 一方面减少了参数的数量使得网络易于优化 另一方面降低了模型的复杂度，也就是减小了过拟合的风险 该优点在网络的输入是图像时表现的更为明显，使得图像可以直 ...

持续更新中…… 写在前面《请回答1988》，其实是在很早之前就种草的剧，但是第一次听见这个名字 “请回答1988” 再加上看到一集将近两个小时，让我产生了这是一部80年代冗长的家庭伦理剧的误解，险些与它无缘。 我记得是在准备考研期间，舍友天天抱着平板追这部剧，甚至走在去图书馆的路上也会哼一路的 “ 可带yo，阿木考早马次 吗拉yo” 我也在耳濡目染下听了很多个版本的《你不要担心》。不得不承认，我是先喜欢上这首曲子，才开始对这部剧也渐渐充满了好感。 在这之前，我看过的唯一一部韩剧是初中时和小伙伴们一起追的《继承者们》，加上火爆全宇宙的《来自星星的你》，让我一直对韩剧的印象就是男一男二女一女二之间造作的感情戏。 但是《请回答1988》彻底改观了我对韩剧的印象，上一部让我这样一个大男人泣不成声的影剧，是《山海情》。兴许是受到疫情的影响，兴许是在家里待得太久，也兴许是受到盖里老哥和饼叔的感染，我开始越发地关注到身边的小事，儿时玩伴间的一点一滴，广场上孩子们的嬉笑打闹，父母对自己无微不至的，真的是无微不至的言语举动… 我慢慢地意识到，最能打动我的，并不是撕心裂肺的爱情，而是亲情，是友情， ...