网络程序设计
来源:互联网 发布:他知道我们在膜他知乎 编辑:程序博客网 时间:2024/05/21 16:57
目录
1:pull request情况
1:使用caffe训练神经网络输入图片得到图片项目编号(接受合并) 2:caffe的安装使用并运行一个demo(被拒绝)
2:课程理论学习情况
1:线性回归 2:逻辑回归 3:随机森林 4:神经网络:CNN+RNN
3:BloodTestOCR项目部分
1:项目框架 1:切图 2:识别 3:预测 2:运行结果展示
1:pull request情况
1:caffe的安装,训练神经网络并输入图片预测图片的项目编号
$ git clone https://github.com/bvlc/caffe.git $ cd caffe/ $ mv Makefile.config.example Makefile.config $ vim Makefile.config $ CPU_ONLY=1 $ make -j8
2:使用caffe训练神经网络并输入图片输出图片编号
1:将jpg格式的图片文件转化为为lmdb格式的文件
2:训练神经网络,输入图片输出图片的项目编号
卷积层- 池化层-卷积层-池化层-分类层-分类层
3,预测代码,
二:机器学习算法
1:线性回归
1:简单模型:
2:损失函数:
3:参数调整算法
2:逻辑回归
逻辑回归是在线性回归上面做了一些,改进,线性回归适用于预测结果为连续值,逻辑回归使用于预测结果为离散值,主要改进在损失函数上面
3:神经网络
当我们使用x1,x2 的多次项式进行预测时,我们可以应用
的很好。
之前我们已经看到过,使用非线性的多项式项,能够帮助
我们建立更好的分类模型。假设我们有非常多的特征,例如大
于100 个变量,我们希望用这100 个特征来构建一个非线性的
多项式模型,结果将是数量非常惊人的特征组合,即便我们只
采用两两特征的组合(x1x2+x1x3+x1x4+…+x2x3+x2x4+…+x99x100),
我们也会有接近5000 个组合而成的特征。这对于一般的逻辑回
归来说需要计算的特征太多了。
所以神经网络适合用来处理特征量非常多的情况。
卷积神经网络:
卷积神经网络是在普通的深度神经网络上发展而来,主要有两个思
- 网络程序设计
- 网络程序设计
- 网络程序设计
- 网络程序设计 Sockets
- 网络程序设计概述
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- 网络程序设计 Sockets
- UDP网络程序设计
- SOCKET网络程序设计
- TCP网络程序设计
- CC2530 zstack 2.5.1 生成hex文件
- cocos2d-x 检测矩形碰撞
- 用Hostapd创建可用的软AP
- tomcat报错
- ECMAScript 6(3)const和顶层对象
- 网络程序设计
- Arcgis 三维场景模拟
- VirtualBox Ubuntu hadoop-1.2.1 搭建总结
- 网络程序设计考察报告
- 【LeetCode】 260. Single Number III
- android的Socket通信
- 微服务之分布式跟踪系统(springboot+zipkin)
- Ajax_典型应用_2级联动__城市到部门的 Ajax 实现
- 基于Spring Boot和Spring Cloud实现微服务架构学习