Golden Grape goldengrape

## press.one
{"sig":"82fd2d33255aad1ec54fb69b5a746963c0bd9e8582b636fb86aae26718299352eee3cd6a8573d961031f3604912854918a358411ea5c732f8faf713cc3f0626d0","msghash":"b3e8afaa86b700e272fccefbc03907614e3f8ba581bc28613722f294acad2656"}

## keybase.md

      
              1 file
            
          
              0 forks
            
          
              0 comments
            
          
              0 stars
            
          
                goldengrape
                / keybase.md
            
            
              Created
              February 9, 2018 09:58
            
          
    Keybase proof

I hereby claim:

I am goldengrape on github.
I am goldengrape (https://keybase.io/goldengrape) on keybase.
I have a public key ASDJ1ImsAzB5_hBAL2UokE8ZOEGUxO_Q3ywvYNraSrKC8go

To claim this, I am signing this object:

  
## decorate_with_jit.py

# coding: utf-8

# # 给所有函数修饰
#
# Numba是一个python的加速器, 最简单的加速方式仅仅是在导入numba以后, 在函数定义之前增加@jit.
#
# 本程序是为了测试简单增加或者消除所有函数前@jit

# In[1]:

## Face_Recognition_tinker.py

# coding: utf-8

# # 持续训练
#
# 问题提出: 如果人脸识别在使用中发现准确率并不够高, 是否可以继续改进? 如何在已有的基础之上继续改进?
#
# 解决方法: 建立并联的判别神经网络, 将A人脸的128位编码和待测人脸的128位编码作为输入, 二值判别输出
# * 路径A: 计算二阶范数距离, 并以原题目中的阈值作为分界, 形成输出
# * 路径B: 待训练神经网络, 早期时参数值都很小, 因此输出值也很小, 但可被训练.

## patentIn_to_json.py　

# coding: utf-8

# # 读取并整理txt

# # 读取txt

# In[15]:

	# coding: utf-8

	# # 给所有函数修饰
	#
	# Numba是一个python的加速器, 最简单的加速方式仅仅是在导入numba以后, 在函数定义之前增加@jit.
	#
	# 本程序是为了测试简单增加或者消除所有函数前@jit

	# In[1]:

	# coding: utf-8

	# # 持续训练
	#
	# 问题提出: 如果人脸识别在使用中发现准确率并不够高, 是否可以继续改进? 如何在已有的基础之上继续改进?
	#
	# 解决方法: 建立并联的判别神经网络, 将A人脸的128位编码和待测人脸的128位编码作为输入, 二值判别输出
	# * 路径A: 计算二阶范数距离, 并以原题目中的阈值作为分界, 形成输出
	# * 路径B: 待训练神经网络, 早期时参数值都很小, 因此输出值也很小, 但可被训练.