cs231n

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I am follow the standard cs231n , in the assignment2, when I run python setup.py build_ext --inplace , on my Mac os x capitan, it always gives me back ' running build_txt ', and I think this is based on Cython , but It seems that this command doesn't work, i checked out that Ive gcc, so do you guys have any idea about this? here is the tutorial . It works for my Ubuntu, but doesn't work on my Mac, I am not familiar with C, and Cython neither. Any suggestion will be appreciated. 回答1: I want to add an comment but my reputation is not enough. I

文章目录 一、学习资料 二、公开课笔记 三、公开课项目 一、学习资料 学习资料总结 二、公开课笔记 CS231n:(2) Image Classificaton pipeline CS231n:(3) Loss Functions and Optimization CS231n:(4) Backpropagation and Neural Networks CS231n:(5)ConvoluionalNeural Networks CS231n:(6)Training Neural Networks, Part I CS231n:(7)Training Neural Networks, Part II CS231n:(9) CNN Architecture CS231n:(10) Recurrent Neural Networks CS231n:(11) Detection and Segmentation 三、公开课项目 CS231n：作业1――softmax CS231n：作业1――KNN CS231n: 作业1――SVM 来源：51CTO 作者： 无聊的人生事无聊 链接：https://blog.csdn.net/Wangpeiyi9979/article/details/100162110

Bayesian Hyperparameter Optimization Spearmint SMAC Hyperopt . here . CS231n Convolutional Neural Networks for Visual Recognition CS231n: Convolutional Neural Networks for Visual Recognition Justin Johnson Andrej Karpathy git repo hypothes.is Spring 2019 Assignments Assignment #1: Image Classification, kNN, SVM, Softmax, Neural Network Assignment #2: Fully-Connected Nets, Batch Normalization, Dropout, Convolutional Nets Assignment #3: Image Captioning with Vanilla RNNs, Image Captioning with LSTMs, Network Visualization, Style Transfer, Generative Adversarial Networks Module 0: Preparation

怎么入门机器/深度学习？ 回答这个问题，最先要考虑的问题是：你有多少时间？ 准备用三个月入门，和想要一个月速成，肯定是截然不同的路径。当然我建议大家稳扎稳打，至少可以拿出五个月的时间来学好机器学习的基础知识。 基础很重要，知其所以然很重要。毕竟工具总在进步，每个月都会出现更好的深度学习技术，但基础知识是不变的。 如何用五个月时间入门？下面分三个部分，详细指南。（以及，如果你确实时间有限，最后还有一个速成指南） 五个月入门 Part 1：从机器学习开始（两个月） 最好的入门教程，就是吴恩达讲授的机器学习。吴恩达这套课程发布很久了，虽然有些地方稍微过时，但相信我，现在没有任何公开的课程，能比吴恩达讲得更好。真的，课程结束时我几乎哭了出来。 这个课程可以说适合任何水平的学生，当然，你最好还是得知道两个矩阵如何相乘，以及对编程有一些基本的了解。 这套课程可以前往Coursera学习，传送门： https://www.coursera.org/learn/machine-learning 也可以上网易公开课收看，传送门： http://open.163.com/special/opencourse/machinelearning.html 如果你有时间，一定要听完全部的课程。如果时间紧张，至少要听完前五节课程，后面的可以暂时跳过。 吴恩达的机器学习课程深入讲解了经典的机器学习模型，如线性回归

Bayesian Hyperparameter Optimization is a whole area of research devoted to coming up with algorithms that try to more efficiently navigate the space of hyperparameters. The core idea is to appropriately balance the exploration - exploitation trade-off when querying the performance at different hyperparameters. Multiple libraries have been developed based on these models as well, among some of the better known ones are Spearmint , SMAC , and Hyperopt . However, in practical settings with ConvNets it is still relatively difficult to beat random search in a carefully-chosen intervals. See some

最近在做cs231n的作业 发现第一行都运行不下去 报错 ImportError: cannot import name 'imread' from 'scipy.misc' (/home/orangestar/anaconda3/lib/python3.7/site-packages/scipy/misc/__init__.py) ] 网上搜了很多很多解决方法： 终于在评论区找到了： 解决方法： 进入 \cs231n\data_utils.py 将第七行： from scipy.misc import imread 修改为： from imageio import imread 报错的原因听说是 scipy把 imread 移除了 来源： https://www.cnblogs.com/orangestar/p/11407183.html

本文转载自：https://zhuanlan.zhihu.com/p/21560667?refer=intelligentunit 译者注：本文智能单元首发，译自斯坦福CS231n课程笔记Neural Nets notes 2，课程教师Andrej Karpathy授权翻译。本篇教程由杜客翻译完成，堃堃进行校对修改。译文含公式和代码，建议PC端阅读。 原文如下 内容列表： 设置数据和模型 数据预处理 权重初始化 批量归一化（Batch Normalization） 正则化（L2/L1/Maxnorm/Dropout） 损失函数 小结 设置数据和模型 在上一节中介绍了神经元的模型，它在计算内积后进行非线性激活函数计算，神经网络将这些神经元组织成各个层。这些做法共同定义了评分函数（score function）的新形式，该形式是从前面线性分类章节中的简单线性映射发展而来的。具体来说，神经网络就是进行了一系列的线性映射与非线性激活函数交织的运算。本节将讨论更多的算法设计选项，比如数据预处理，权重初始化和损失函数。 数据预处理 关于数据预处理我们有3个常用的符号，数据矩阵X，假设其尺寸是[N x D]（N是数据样本的数量，D是数据的维度）。 均值减法（Mean subtraction）是预处理最常用的形式。它对数据中每个独立特征减去平均值