原文链接：https://machinelearningmastery.com/impressive-applications-of-generative-adversarial-networks/

https://github.com/xiaoyao153379/QTSSTM4?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

人脸方面的应用，包括人脸识别、人脸检测、人脸匹配、人脸对齐等等，这应该是计算机视觉方面最热门也是发展最成熟的应用，而且已经比较广泛的应用在各种安全、身份认证等，比如人脸支付、人脸解锁。

其中第二个只是北大计算机课程的大作业，而第一个则包括更多的课程内容，包括专业课、通选课、英语课、政治课，而专业课包含了人工智能、数学课程、物理课程等等，具体示例如下所示：

一方面这种专业考试是听说读写全方位测试你的英语能力，相比其他测试更加客观一些而且能体现你的短板。另一方面就是如果出国留学或者工作，也可以作为你英语能力的证明。当然缺点就是要备考，然后考一次差不多

http://www.cnblogs.com/tornadomeet/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/default.html?page=1

：在单步执行时，在函数内遇到子函数时不会进入子函数内单步执行，而是将子函数整个执行完再停止，也就是把子函数整个作为一步。有一点,经过我们简单的调试,在不存在子函数的情况下是和Step

test_size=0.25)上述代码就完成从硬盘中加载图片的路径信息，然后依次遍历，读取图片，提取特征，提取标签信息，保存特征和标签信息，接着编码标签，然后就是划分训练集和测试集。

超参数调优是一件非常头疼的事情，很多时候都需要一些先验知识来选择合理的参数值，但如果没有这部分先验知识，要找到最优的参数值是很困难，非常耗费时间和精力。但超参数调优确实又可以让模型性能变得更加的好。

http://www.huaxiaozhuan.com/%E7%BB%9F%E8%AE%A1%E5%AD%A6%E4%B9%A0/chapters/9_model_selection.html

https://chrome.google.com/webstore/detail/octotree/bkhaagjahfmjljalopjnoealnfndnagc

个参数就是一个卷积核，而卷积核是提取特征的方式，与其在图像上的位置无关，图像一个局部的统计特征与其他局部的统计特征是一样的，我们用在这个局部抽取特征的卷积核也可以用在图像上的其它任何地方。

专注于自我学习成长，定期分享Python编程、机器学习、深度学习、计算机视觉等读书学习笔记以及实践项目文章，不定期分享一些工作生活心得感想，欢迎交流，一起成长。

专注于自我学习成长，定期分享Python编程、机器学习、深度学习、计算机视觉等读书学习笔记以及实践项目文章，不定期分享一些工作生活心得感想，欢迎交流，一起成长。

fitting）；2）只能处理标称型数据（离散型）；3）信息增益的计算依赖于特征数目较多的特征，而属性取值最多的属性并不一定最优；4）抗噪性差，训练例子中正例和反例的比例较难控制

3.也可以将前向和后向搜索结合起来，每一轮逐渐增加选定的相关特征（这些特征在后续迭代中确定不会被去除），同时减少无关特征，这样的策略被称作是双向bidirectional搜索。

由于微信公众号不支持外链，可点击文末“阅读原文”以访问外部链接。另外，排版时候，对于数学公式都是转换为图片形式，带有水印，为了排版更美观，所以简化了带有数学公式部分的描述，详细内容可以点击原文查看。

专注于自我学习成长，定期分享Python编程、机器学习、深度学习、计算机视觉等读书学习笔记以及实践项目文章，不定期分享一些工作生活心得感想，欢迎交流，一起成长。

利用机器学习方法，将缺失属性作为预测目标进行预测，具体为将样本根据是否缺少该属性分为训练集和测试集，然后采用如回归、决策树等机器学习算法训练模型，再利用训练得到的模型预测测试集中样本的该属性的数值。

在下载数据后，首先要做的是创建测试集，这是在分析数据前先排除测试集的数据，不会引入测试数据的规律，从而影响算法的选择，保证采用测试集进行测试的结果是客观可信的，而不会出现数据透视偏差的问题。

接下来计划通过几篇文章来介绍下，一个完整的机器学习项目的实现步骤，最后会结合《hands-on-ml-with-sklearn-and-tf》的例子来介绍下相应代码的实现。

descent）等。迭代法在机器学习中有广泛的应用，其实是因为机器学习的过程，就是根据已知数据和一定的假设，求一个局部最优解。迭代法可以帮助学习算法逐步搜索，直到发现这种解。

机器学习发展到现在，已经积累了非常多的文章，特别是深度学习火起来后，每年新增加的论文非常多，如果需要研究某个领域，不仅需要阅读这个领域经典的论文，也必须时刻关注最新的学术进展，比如最近两年特别火的

Soup、XPath、pyquery、数据存储、Ajax数据爬取等内容，接着通过多个案例介绍了不同场景下如何实现数据爬取，后介绍了pyspider框架、Scrapy框架和分布式爬虫。

此外，在采用机器学习算法训练的时候，可以对训练集进行降维，这样有助于提高训练速度，降低占用的硬盘和内存空间，有时候也能提高算法的性能，但必须选择合适的降维算法，否则性能实际上是很有可能会下降的。

sizex表示等待被转换的数值，size表示有限存储空间的数量，mod表示取余操作。通过余数，你就能将任何数值，转换为有限范围内的一个数值，然后据这个新的数值，来确定将数据存放在何处。

有内建函数可以直接实现这几个进制之间的转换，比如bin、oct、hex分别表示将十进制数转换为二进制、八进制和十六进制，而将其他进制转换为十进制，则可以用int(val,

设计师和摄像师习惯使用一个非常强有力的工具--内容感知填充，来修复图片中不需要或者缺失的部分。图像修复是指用于修复图像中缺失或者毁坏的部分区域。实现图像的修复有很多种方法。在本文中，介绍的是在

的循环神经网络分类代码https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition

也是。他主要发表的是对于机器学习和深度学习领域的理解神经网络方面的文章。他的目标是用简单的语言解释神经网络的复杂功能。如果你是刚入门神经网络，那么他的博客正好适合作为你的入门教程。

其中，教程是介绍了一些基本的机器学习模型，包括分类、回归等，也包括一些深度学习方面的模型，包括常用的卷积神经网络、生成对抗网络、循环神经网络等等，并且主要使用高阶的

loss接口代码：https://www.tensorflow.org/code/tensorflow/contrib/gan/python/losses/python/losses_impl.py

专注于自我学习成长，定期分享Python编程、机器学习、深度学习、计算机视觉等读书学习笔记以及实践项目文章，不定期分享一些工作生活心得感想，欢迎交流，一起成长。

除了这种简单的添加随机噪声，还可以通过图像变形的方式，使得新图像和原始图像视觉上一样的情况下，让分类器得到有很高置信度的错误分类结果。这种过程也被称为对抗攻击(adversarial

专注于自我学习成长，定期分享Python编程、机器学习、深度学习、计算机视觉等读书学习笔记以及实践项目文章，不定期分享一些工作生活心得感想，欢迎交流，一起成长。

主要就是两个网络组成，生成器网络(Generator)和判别器网络(Discriminator)，通过这两个网络的互相博弈，让生成器网络最终能够学习到输入数据的分布，这也就是

因为我还没有开通留言功能，所以欢迎关注我的微信公众号--一个算法汪的技术成长之路或者扫描下方的二维码，和我分享你的建议和看法，指正文章中可能存在的错误，大家一起交流，学习和进步！

cv2.IMREAD_GRAYSCALE)这里调用cv2.imread函数时，设置了cv2.IMREAD_GRAYSCALE的标志，表示加载灰度图。在imread函数中是设置了三种标志，分别是

低质量的数据指的是数据有错误、带有过多噪声或者是出现异常值等的数据，这种数据会影响系统整体的性能，因此，数据清洗对于构建一个机器学习系统或者一个机器学习项目来说都是必不可少的步骤。

此外，在采用机器学习算法训练的时候，可以对训练集进行降维，这样有助于提高训练速度，降低占用的硬盘和内存空间，有时候也能提高算法的性能，但必须选择合适的降维算法，否则性能实际上是很有可能会下降的。