深度学习 | （五）卷积神经网络
1. 整体结构
卷积神经网络（CNN）：多了卷积层（Convolution层）和池化层（Pooling层）。
全连接（fully-connected）：相邻层的所有神经元之间都有连接。另外，我们用Affine层实现了全连接层。
基于全连接层（Affine层）的网络：全连接的神经网络中，Affine层
...
深度学习 | （四）误差反向传播法
1. 计算图
计算图将计算过程用图形表示出来。这里说的图形是数据结构图，通过多个节点和边表示（连接节点的直线称为“边”）。
正向传播（forward propagation）：从左向右进行计算，传递的是计算结果。
反向传播（backward propagation）：是从右向左进行计算，传递的是
...
深度学习 | （三）神经网络的学习
本章的“学习”是指：从训练数据中自动获取最优权重参数的过程。学习的目的：找出使损失函数的值达到最小的权重参数。方法：函数斜率的梯度法。
1 从数据中学习从数据中学习是指：由数据自动决定权重参数的值
1.1 数据驱动
利用数据来解决问题：先从图像中提取特征量，再用机器学习技术学习这些特征量的模式。
特
...
深度学习 | （二）神经网络
感知机：好消息，对于复杂的函数，感知机也隐含着能够表示它的可能性。即便是计算机进行的复杂处理，感知机（理论上）也可以将其表示出来。坏消息，设定权重的工作，即确定合适的、能符合预期的输入与输出的权重，现在还是由人工进行的。神经网络：为了解决感知机的坏消息。神经网络的一个重要性质是它可以自动地从数据中学
...
深度学习 | （一）感知机
一、感知机是什么感知机是具有输入和输出的算法。给定一个输入后，将输出一个既定的值。x1、x2是输入信号，y是输出信号，w1、w2是权重（w是weight的首字母）。○称为“神经元”或者“节点”。输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，只
...
Computer Vision | LocalImageFeaturesAndMatching
一、哈里斯角的不变性Harris Corners 哈里斯角结构矩阵：2. 结构矩阵：
Affine intensity change 仿射强度变化仅使用导数=>强度偏移I->I+b的不变性
强度缩放：I ->a I
Image translation 图像翻译导数和窗函数是平移不
...
Computer Vision | InterestPointsAndCorners
Filtering——>Edges——>Corners滤波器——>边沿——>角点
Feature points 特征点也称为兴趣点（interest points）、关键点（ key points）等，通常称为“局部”特征（ ‘local’ features）。
视图之间的
...
Computer Vision | ImageFiltering
一张图片—>feature detection 特征检测（e.g.：DoG）—>feature description 特征描述（e.g.：SIFT）—>Matching/Indexing/Detection 匹配/索引/检测<—database of local des
...
查看远端地址 git remote -v时报错 fatal:not a git repository(or any of the parent directories):.git
查看git远端地址时：
1$ git remote –v
报错：
1fatal: not a git repository (or any of the parent directories): .git
提示说没有.git这样一个目录解决办法：
1$ git init
ok啦！
部署hexo时出错：fatal: Could not read from remote repository.Error: Spawn failed
在部署hexo执行下面代码时：
1$ hexo d
出现错误：
123456789On branch masternothing to commit, working tree cleangit@git.coding.net: Permission denied (publickey).fatal
...