Resulte的博客 | Resulte's Blog

深度学习学习笔记5-模型选择、欠拟合和过拟合

Dive into deep learning

深度学习学习笔记5-模型选择、欠拟合和过拟合一、训练误差和泛化误差训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和s...

Posted by Resulte on October 20, 2020

深度学习学习笔记4-多层感知机

Dive into deep learning

深度学习学习笔记4-多层感知机一、简介多层感知机在单层神经网络的基础上引入了一到多个隐藏层（hidden layer）。隐藏层位于输入层和输出层之间。隐藏层中的神经元和输入层中各个输入完全连接，输出层中的神经元和隐藏层中的各个神经元也完全连接。因此，多层感知机中的隐藏层和输出层都是全连接层。我们先来看一种含单隐藏层的多层感知机的设计。其输出O的计算为也就是将隐藏层的输...

Posted by Resulte on October 18, 2020

深度学习学习笔记3-softmax回归

Dive into deep learning

深度学习学习笔记3-softmax回归一、简介线性回归模型适用于输出为连续值的情景。在另一类情景中，模型输出可以是一个像图像类别这样的离散值。对于这样的离散值预测问题，我们可以使用诸如softmax回归在内的分类模型。和线性回归不同，softmax回归的输出单元从一个变成了多个，且引入了softmax运算使输出更适合离散值的预测和训练。线性回归和softmax回归都是单层神经网络...

Posted by Resulte on October 16, 2020

深度学习学习笔记2-线性回归

Dive into deep learning

深度学习学习笔记2-线性回归一、简介线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适用于分类问题。线性回归和softmax回归都是单层神经网络。二、...

Posted by Resulte on October 16, 2020

深度学习学习笔记1-绪论

Dive into deep learning

深度学习学习笔记1-绪论一、简介机器学习和深度学习应用共同的核心思想：我们可以称其为“用数据编程”。通俗来说，机器学习是一门讨论各式各样的适用于不同问题的函数形式，以及如何使用数据来有效地获取函数参数具体值的学科。深度学习是指机器学习中的一类函数，它们的形式通常为多层神经网络。近年来，仰仗着大数据集和强大的硬件，深度学习已逐渐成为处理图像、文本语料和声音信号等复杂高维度数据的...

Posted by Resulte on October 14, 2020

车牌定位与字符分割

Hello World, Hello dip

vehicle-license-plate-recognition 简单的车牌定位和字符分割基本原理车牌字符分割的步骤：最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景...

Posted by Resulte on June 25, 2020

现代密码加解密

Hello World, Hello crypto

modern-crypto-system 现代密码加解密系统，自行设计的基于Feistel结构的分组密码+AES对称密码+RSA非对称密码，python实现分组密码自行设计的基于Feistel结构的分组密码，包含有雪崩效应分析。采用的轮函数为异或，对于函数为简单的异或函数的feistel网络来说，难以达到雪崩效应的要求（50%以上），但是随着加密轮次的提升，雪崩效应也越来越大。...

Posted by Resulte on June 18, 2020

灰度变换与空间滤波

Hello World, Hello dip

直方图均衡化基本原理直方图均衡化，把直方图均匀的平摊开，不改变某个灰度级像素的个数。要找到一个灰度映射函数，完成灰度映射。直方图均衡化中，用累计直方图做了灰度映射的函数。步骤如下：计算直方图对直方图进行积分后，可得到累计直方图。再归一化到 [0, 255] 空间，得到灰度映射函数。做灰度映射。所以每个图像都有不同的映射函数，他是动态计算的。累...

Posted by Resulte on June 18, 2020

《未来简史》读后感

Hello World, Hello Books

《未来简史》读后感在《未来简史》中，尤瓦尔·赫拉利以他的独特视野，为我们描述了人类的未来。阅读通篇之后，感触颇多，在感叹作者的不同常人的清晰文笔和观察视角的同时，我心中也升起了许多思考与疑惑。千百年来，人类一直都被三个大难题所困扰，它们便是战争、疾病和饥荒。即使到了今日，这三种威胁于我们依旧如芒在背。且不说远如中东之地，战火频临，就说前不久中美贸易战一事便令国人如临大敌。...

Posted by Resulte on June 18, 2020

数字水印技术

Hello World, Hello crypto

digital-watermarking 数字水印技术，基于LSB算法图像信息隐藏 1、基本原理首先将原始图片位平面分解：可以看到一幅256灰度的图像为例, 256灰度共需要8个位来表示, 但其中每一个位的作用是不一样的, 越高位对图像的影响越大, 反之越低的位影响越小, 甚至不能感知。从几个位平面图中可以看出, 较高的位平面反映的图像的轮廓等主要信息, 而较低的位平面反...

Posted by Resulte on June 18, 2020

Resulte's Blog

深度学习学习笔记5-模型选择、欠拟合和过拟合

Dive into deep learning

深度学习学习笔记4-多层感知机

Dive into deep learning

深度学习学习笔记3-softmax回归

Dive into deep learning

深度学习学习笔记2-线性回归

Dive into deep learning

深度学习学习笔记1-绪论

Dive into deep learning

车牌定位与字符分割

Hello World, Hello dip

现代密码加解密

Hello World, Hello crypto

灰度变换与空间滤波

Hello World, Hello dip

《未来简史》读后感

Hello World, Hello Books

数字水印技术

Hello World, Hello crypto

FEATURED TAGS

ABOUT ME

FRIENDS