cannot import name 'ReparseException' & tf模型参数提取

2018-04-16 | ML | |

Tensorboard ImportError: cannot import name ‘ReparseException’

环境：

python 3.5.4
Tensorflow==1.4.1
html5lib==1.0.1

错误信息：

1	ImportError: cannot import name 'ReparseException'

tf的条件赋值（量化）

2018-04-08 | ML | |

在numpy中一行实现的代码，始终不知道如何在tf中快速实现= =

问题

对于一个任意维度张量a，使其值在0到1之间的值量化到0.5。

微博树洞关闭之后

2018-03-18 | 感 | |

前一段时间早上看微博，发现几个博主都在说学校微博协会的事情。作为原来的运营部部长（虽然一年之后没有去竞选会长副会长这些职务就退休了），我一直都很关注协会的发展。看了一下协会发了一个声明，主要就是因为争议言论，把#成电树洞#栏目给关闭了。

python list 复制拷贝问题

2018-03-04 | Code | |

大概python绕不开这个小小的问题。。很简单不过还是记录一下吧。

问题

1 2	my_list = [ ... ] new_list = my_list

这样的操作并不会获得一个my_list的副本，而是会让new_list也“指向”my_list，共享内容。

my_list = [ 1 ,2 ,3 ]
new_list = my_list 
new_list[0] = 0
print(new_list, my_list)

center loss 论文学习

2018-02-28 | ML | |

center loss框架从网络的的框架来看，center loss的主要工作是下图中的“Discriminative Features”。普通的网络框架，在反向传播的过程中，根据类别标签，会将不同的类别划分开。如“Separable Features”所示，一开始两种颜色是混杂的，通过改变网络参数，让不同颜色能被分类器分开，就达到了目的。而这个过程中，只对不同类有要求，同一类没有进行约束。center loss则是让类内的输出结果更加集中。为了展示实际的效果，作者在mnist上进行了测试，下图是softmax分类器前面增加的一层的参数，其维度为2，这样就可以进行可视化的显示。 $$F=WX$$ $X$是上一层的输出，维度为800（根据论文计算得到），$F$为施加center loss的全连接层的输出，维度为2。那么权重参数$F$为{800,2}的矩阵。在没有采用center loss时，不同类别的输出图像是一种花瓣，其特点是同一类的方差较大。可以找到分界线将不同类别区分开，虽然花瓣外尖端与其他类间距很大，花瓣中心的区分很小，很容易造成错误，如橘色区域，红线表示分类线。如何让同一 ...