7th MilanoR Meeting: October 27

MilanoR is a free event, open to all R users and enthusiasts or those who wish to learn more about R. The meeting consists of two talks (this time one about big data and and one about statistical learning) + a free buffet and networking time
The post 7…

eRum a IV wydanie ,,Przewodnika po pakiecie R”

Ten miły człowiek na zdjęciu po prawej to Ross Ihaka. Razem z Robertem Gentlemanem ponad 20 lat temu stworzył R na bazie języka S. Dzięki programowi FNP Mentoring miałem możliwość go dwukrotnie odwiedzić. A piszę o tym, ponieważ właśnie kończę przygotowanie IV wydania ,,Przewodnika po pakiecie R”. Miało ono być już gotowe rok temu, ale … Czytaj dalej eRum a IV wydanie ,,Przewodnika po pakiecie R”

Program of the european R users meeting [only 7 days to go]

The european R users meeting [eRum] is going to start in just 7 days. We expect over 250 participants, 10 invited talks, 47 regular talks, 13 lightning talks and 12 posters. In order to handle that much content we scheduled 18 sessions [+ workshops]. Find the program of the conference here or here. In the … Czytaj dalej Program of the european R users meeting [only 7 days to go]

Czasem diabeł tkwi w szczegółach.

Ostatnio trafił do mnie taki ciekawy problem. Problem: Mamy dwa zbiory monet (oznaczmy typ 1/typ 2) z końca XIII w., chcemy sprawdzić się czy zostały wyprodukowane tą samą techniką = czy rozkłady ciężarów monet są takie same. Wiemy, że ich średnie wielkości wagowe są takie same ale mogą różnić się np. skośnością. Jeżeli uznamy, skośności … Czytaj dalej Czasem diabeł tkwi w szczegółach.

艺术风格的神经网络算法实验

2015年九月的时候出现了一篇很趣的论文《A Neural Algorithm of Artistic Style》。论文中提出了一种算法,可以将一张普通的图片,转换成具有某种艺术家的风格。

用语言来描述计算流程如下:
1、首先用一个给定参数的卷积神经网络(VGG网络),将原始的内容图片和风格图片进行函数映射,这个任务不需要网络后面的全连接层,只需要中间一些卷积层的输出即可,而且将网络中的max_pool改成了avg_pool。
2、可以利用这些中间输出,将其定义为内容输出和风格输出。内容输出是网络中较上层的映射结果,而风格输出是一些较低层映射的相关矩阵,用一个Gram矩阵计算表示。
3、将内容图片加噪音,这个将做为网络的输入,将网络的输出和内容输出进行对比,计算出内容损失函数(像素值取差值,再平方和),和风格输出进行对比,计算出风格损失函数,再整合两个损失形成总损失。
4、训练目标是总损失最小化,训练参数是第3步中的输入图片,这样得到一个图片,使内容和原来的内容图片相似,而风格和风格图片一致。

内容图片如下:

风格图片如下:

初始的输入是一个内容图片加噪音:

最后结果图片如下:

参考资料:
http://arxiv.org/pdf/1508.06576v2.pdf
https://github.com/ckmarkoh/neuralart_tensorflow
具体方法如下面代码所示,