前段时间做了caffe的batchnormalization层的解析，由于整体的BN层实现在Caffe是分段实现的，因此今天抽时间总结下Scale层次，也会后续两个层做合并做下铺垫。基本公式梳理Scale层主要完成 \(top = alpha*bottom+ beta\)的过程，则层中主要有两个参数\(alpha\)

【第一部分】视频学习心得及问题总结1.视频学习心得蔺一迪：老师在第一节中首先介绍了深度学习的一些数学基础包括线性代数中矩阵线性变化、秩的概念，以及低秩近似等内容，还讲述了损失函数、误差函数等内容。第二节中，讲述了卷积网络。新的神经网络的提出必

参考一个例子import torchfrom torch.utils import dataclass MyDataset(data.Dataset):def __init__(self):super(MyDataset, self).__init__()self.data = torch.randn(8,2)def __getitem__(self, index):return self.data[index], indexdef __len__(self):r

Caffe Python特征抽取http://www.cnblogs.com/louyihang-loves-baiyan/Caffe大家一般用到的深度学习平台都是这个，关于Caffe的训练通常一般都可以通过一些命令来执行，但是在deploy阶段，如果是做实际的工程，那么C++接口用得会相对比较多。但是Caffe是支持Py

https://testerhome.com/topics/12383

https://blog.csdn.net/zouxy09/article/list/6https://blog.csdn.net/zouxy09/article/details/7929348  目标检测的图像特征提取之（一）HOG特征 

Dataset类是TensorFlow非常流行的存储数据的格式。常用来作为输入输出。data模块主要的用途就是通过这种方法创建Dataset。Dataset使用过程中的一些心得：经常将自变量X数据以及target数据以元组的形式包裹，如db_train=tf.data.Dataset.from_tensor_slices((x

1.三个核心函数介绍一系列关于 PyTorch 模型保存与加载的应用场景，主要包括三个核心函数：(1)torch.save其中，应用了 Python 的 pickle 包，进行序列化，可适用于模型Models，张量Tensors，以及各种类型的字典对象的序列化保存.(2)torch.load采用 Python

【转：http://www.csdn.net/article/2015-07-07/2825150】在深度学习（Deep Learning）的热潮下，Caffe作为一个高效、实用的深度学习框架受到了广泛的关注。了解Caffe研发的背景、愿景、技术特色、路线图及其开发者的理念，对于我们选择合适的工具更好地进行

在学习tensorflow过程中关于一些会话的语句不是很理解，抽空把三种主要的会话Session(), Session().as_fault(), InteractiveSession()整理下：1.Session()对于TF中执行会话中的语句时，需要指定是哪个会话中的函数(可能在一些项目中会生成很多个会话)。通过tf