注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. matlab中如何实现平均梯度的计算

  2. matlab中如何实现平均梯度的计算 avegrad代码

  3. 所属分类：其它

  1. GPU精粹2：高性能图形芯片和通用计算编程技...part1.rar

  2. 本书目录 第Ⅰ部分 几何复杂性 第1章 实现照片级真实感的虚拟 植物 5 1.1 场景管理 6 1.1.1 种植栅格 6 1.1.2 种植策略 6 1.1.3 实时优化 7 1.2 草层 7 1.2.1 通过溶解模拟Alpha透明 9 1.2.2 变化 10 1.2.3 光照 11 1.2.4 风 12 1.3 地面杂物层 12 1.4 树和灌木层 13 1.5 阴影 14 1.6 后处理 15 1.6.1 天空圆顶辉散 16 1.6.2 全场景辉光 16 1.7 本章小结 17 参考文献 1

  3. 所属分类：硬件开发

    • 发布日期：2012-02-07
    • 文件大小：61865984
    • 提供者：on__no

  1. 梯度海量视频内容搜索系统

  2. 1 系统概述 随处可见的视频监控，无非就是摄像头不停地抓拍录像。然而，一旦须要检索视频中的特定目标，人们面对的往往是在成千上万个小时的海量视频中大海捞针，传统上须要投入的人力和时间，简直让人不敢想象，也很不现实。因此，如何通过计算机程序快速从海量视频中搜索特定目标，已经成为当前视频检索和视频侦查迫切须要解决的问题。 当前市场存在的视频侦查系统，普遍仅仅是依赖于传统局限的“帧差法”、“背景建模法”、“颜色分类法”等，从视频中检测所有运动目标，开发出的系统大多停留在“视频摘要”、“视频浓缩”、“拌

  3. 所属分类：C++

    • 发布日期：2015-07-26
    • 文件大小：4194304
    • 提供者：ruixin_1981

  1. 投影梯度法系数重构（GPSR）

  2. 这里介绍了两种重构算法一种是GPSR-Basic,这种算法除了原来的将GBSR的基本原理搞懂之外，算法的关键点是进行回溯线性搜索，这一部分可以在stephen Boyd的凸优化这本书中可以搞定。 第二种方法是GPSR-BB算法，这种算法计算搜索步长和搜索方向，可以深入研究一下如何计算搜索步长和搜索方向。

  3. 所属分类：深度学习

    • 发布日期：2018-09-08
    • 文件大小：25600
    • 提供者：weixin_40532940

  1. 实例详解机器学习如何解决问题

  2. 随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还 是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有 侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问 题。我们结合美团在机器学习上的实践，进行一个实战（InAction）系列的介绍（带“机器 学习InAction系列”标签的文章），介绍机器学习在解决工业界问题的实战中所需的基本技 术、经验和技巧。本文主要结合实际问题，概要地介绍机器学习解决实际问题的整个流

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：1048576
    • 提供者：abacaba

  1. 机器学习算法基础学习总结

  2. 机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：312320
    • 提供者：abacaba

  1. 深度学习（三）：梯度计算

  2. 文章目录1 概念2 示例 1 概念   Tensor是autograd包的核心类，若将其属性.requires_grad设置为True，它将开始追踪在其上的所有操作。完成计算后，可以调用 .backward()来完成所有梯度计算。此Tensor的梯度将累计到.grad属性中。若要停止追踪，则方法如下： 调用.detach() with torch.no_grad(): 包裹的代码块将不会被追踪 2 示例 示例1： import torch def my_grad(): x = torch

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：54272
    • 提供者：weixin_38621312

  1. 使用定向梯度直方图进行图像质量评估

  2. 由于通常认为人类视觉感知非常适合从场景中提取结构信息，因此提出了许多基于梯度的图像质量评估（IQA）指标。 该主题的主要研究重点是设计梯度相似度计算模型以测量图像质量的变化。 在本文中，我们将注意力转向另一个问题：如何使用梯度变化来估计一幅图像中不同区域的视觉重要性，以改善现有IQA指标的性能。 提出了一种基于梯度的直方图（HOG）和结构相似度（SSIM）索引相结合的基于梯度的全参考IQA。 在LIVE图像数据库上进行的大量实验表明，与许多竞争性IQA算法相比，所提出的HOGM方法在主观评估方面

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：519168
    • 提供者：weixin_38742954

  1. 基于光谱的图像分类视觉匹配方法

  2. 视觉匹配算法可以在视觉内容表示和相似性度量的术语。 使用基于局部特征的表示，可以进行视觉匹配重述为：1）如何从本地获得视觉相似性核矩阵，以及2）如何计算局部核矩阵有效并且高效地。 现有方法主要集中在并使用欧几里得距离来计算局部核在高斯噪声假设下。 但是，这种假设可能对于基于梯度的局部特征不是最佳的。 在本文中， 我们提出了一种基于局部编码的频谱分析（LCSA） 利用低维流形结构的方法功能空间。 具体来说，我们选择一组锚点，然后将每个要素表示为锚点的线性组合有局部性约束。 然后可以进行光谱分析根据

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：290816
    • 提供者：weixin_38537541

  1. physics_based_learning:计算成像系统的学习变得简单-源码

  2. 如何进行基于物理的学习 计算成像系统（例如，层析成像系统，计算光学系统，磁共振成像）共同设计软件和硬件，以检索传统上无法访问的信息。 通常，这种系统的特征在于如何根据测量值对信息进行编码（正向处理）和解码（逆问题）。 计算成像系统的关键方面（例如实验设计和图像先验）可以通过展开深度网络来优化，这些深度网络是通过展开基于经典模型的重建的迭代而形成的。 这次开源演示的目的是为刚接触物理学习的人们提供一个最低限度的工作示例，以使用它来设计自己的系统。 考虑到快速原型制作，我们提倡两次利用Pytorc

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：1048576
    • 提供者：weixin_42126677

  1. AutoDiff:通过轮廓积分自动区分-源码

  2. 自动差异 通过轮廓积分自动区分 动机： 科学家之间先前曾有过来回的争论，例如大脑等生物网络是否可以计算导数。 我之前已经明确表示了我在此问题上的立场： : 标准的反驳是，反向传播在生物学上不可行，但偏导数对于闭环控制非常有用，因此我们面临着一个我们不能忽视的基本问题。 大脑和其他生物系统中的大型分支结构如何计算衍生物？ 经过一番思考后，我意识到，由于柯西（Cauchy积分公式）的原因，在复杂分析中的重要结果可用于使用蒙特卡洛方法以信号的简单正向传播来计算导数。 顺便说一句，柯西还发现了

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：152576
    • 提供者：weixin_42165980

  1. 衍生产品介绍ds-apply-000-源码

  2. 直线导数 学习目标 了解导数是函数的瞬时变化率 了解如何计算直线的导数 介绍 在讨论梯度下降算法步长的课程中，我们填写了有关如何使用梯度下降找到“最佳拟合”回归线的更多信息。 即，我们学习了如何有效地改变回归线的y截距以最小化残差平方和。 我们通过将一个回归线参数-假设我们的y截距$ b $的变化的大小和方向校准为在该值$ b $处与成本曲线相切的直线的斜率来完成此操作。 切线是指在给定点“仅接触”曲线的线。 下面的曲线显示了具有$ b $不同值的回归线的RSS。 我们的橙色，绿色和红色线分

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：547840
    • 提供者：weixin_42098104

  1. 导数数据科学入门-000-源码

  2. 直线导数 学习目标 了解导数是函数的瞬时变化率 了解如何计算直线的导数 介绍 在讨论梯度下降算法步长的课程中，我们填写了有关如何使用梯度下降找到“最佳拟合”回归线的更多信息。 即，我们学习了如何有效地改变回归线的y截距以最小化残差平方和。 我们通过将一个回归线参数-假设我们的y截距$ b $的变化的大小和方向校准为在该值$ b $处与成本曲线相切的直线的斜率来完成此操作。 切线是指在给定点“仅接触”曲线的线。 下面的曲线显示了具有$ b $不同值的回归线的RSS。 我们的橙色，绿色和红色线分

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：547840
    • 提供者：weixin_42097533

  1. 梯度下降数据科学介绍000-源码

  2. 梯度下降 学习目标 了解如何从RSS转到找到“最合适”的行 了解成本曲线及其显示内容 介绍 在上一节中，我们看到了在选择回归线的斜率和y截距值之后，如何计算残差平方和（RSS）和相关的均方根误差（RMSE）。 我们可以使用RSS或RMSE来计算一条线的准确性。 在本课程中，我们将继续使用RSS，因为这是两者中的简单者。 一旦我们计算了一条线的精度，就可以通过最小化RSS来改进该线。 这是梯度下降的任务。 但是在学习梯度下降之前，让我们回顾一下并确保我们了解如何评估我们的直线如何拟合我们的数据。

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：63488
    • 提供者：weixin_42166105

  1. 计算统计：最小函数的优化算法-源码

  2. 查找功能最小值的优化算法 我将介绍1个参数的两种最基本的最优化方法： 三分法黄金分割搜索 然后，我将介绍“括号”并介绍如何实现。 它将与以下内容结合使用： 最陡下降或梯度下降Newton-Raphson方法 三等分 [tri-section.py] 三分法如何工作？ 假设 在之间 和 和 < 。 所以我们将间隔除 --- 分为三个相同大小的部分： = + -- ）/ 3 = -- -- ）/ 3 让我们在这两点上计算函数并评估以下内容： 现在，根据发生的情况，我们在2个新

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：11264
    • 提供者：weixin_42165508

  1. 基于梯度的数字体图像相关方法测量物体内部变形

  2. 数字体图像相关方法通过分析两幅以体素为单位的三维体图像获得物体内部的三维变形信息。在利用数字体图像相关方法测量物体内部变形的过程中，整体素的位移场可以通过简单的空域搜索获得，因此如何计算亚体素位移是提高该方法位移测量精度的关键。介绍了一种基于空间灰度梯度的亚体素位移测量算法，并用计算机模拟生成的可精确控制位移的三维散斑体图像和真实的激光扫描共焦显微镜三维体图像测试了该算法的计算精度和计算效率。结果表明，基于梯度的亚体素位移测量算法原理简单，计算效率高，可用于实际物体内部变形的高精度测量。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：3145728
    • 提供者：weixin_38745891

  1. 从零开始：从零开始实施递归神经网络-源码

  2. 从头开始实现递归神经网络 我假设您对基本的神经网络有些熟悉。 如果不是这样，您可能想直接去，它会指导您了解非经常性网络背后的想法和实现。 介绍 这篇文章的灵感来自 。 您可以深入阅读它，以了解有关RNN的基本知识，我将不在本教程中介绍。 在本教程中，我们将重点介绍如何基于RNN的计算图训练RNN并进行自动微分。 您会发现，以这种方式计算梯度比手动计算更为简单可靠。 这篇文章将以RNN语言模型（rnnlm）为例。 有关RNN的高级应用的更多信息，请参见。 如何训练RNN RNN的体系结构可以

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：3145728
    • 提供者：weixin_42144199

  1. 过拟合、梯度消失、RNN进阶

  2. 一、过拟合和欠拟合 训练误差：指模型在训练数据集上表现出的误差。 泛化误差：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。(ML应关注此项) 如何计算训练误差或者泛化误差，可以用损失函数。【损失函数：均方误差(线性回归)、交叉熵损失函数(softmax回归)】 验证集的作用：进行模型选择。 K折交叉验证：由于验证数据集不参与模型训练，当训练数据不够用时，预留大量的验证数据显得太奢侈。一种改善的方法是K折交叉验证（K-fold cross-validatio

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：241664
    • 提供者：weixin_38744435

  1. Canny边缘检测（高斯滤波，计算图像的梯度和梯度方向，非极大值抑制NMS，双阈值筛选边缘）

  2. Canny边缘检测： 计算机如何识别边缘：即颜色变化强度大的地方，即像素变化大的地方。 1.高斯滤波：高斯滤波的就是先找到高斯滤波核然后再进行卷积    1.1高斯噪声 首先我们先说一下，什么是高斯噪声？高斯噪声就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。其在图像当中常表现为能引起较强视觉效果的孤立像素点或像素块。噪声的出现会给图像带来干扰，让图像变得不清楚。 高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。消除图像在数

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：549888
    • 提供者：weixin_38722607

  1. 在pytorch中实现只让指定变量向后传播梯度

  2. pytorch中如何只让指定变量向后传播梯度？ （或者说如何让指定变量不参与后向传播？） 有以下公式，假如要让L对xvar求导： （1）中，L对xvar的求导将同时计算out1部分和out2部分； （2）中，L对xvar的求导只计算out2部分，因为out1的requires_grad=False； （3）中，L对xvar的求导只计算out1部分，因为out2的requires_grad=False； 验证如下： #!/usr/bin/env python2 # -*- coding: u

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：71680
    • 提供者：weixin_38680475
« 12 3 »