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:
{"sig":"82fd2d33255aad1ec54fb69b5a746963c0bd9e8582b636fb86aae26718299352eee3cd6a8573d961031f3604912854918a358411ea5c732f8faf713cc3f0626d0","msghash":"b3e8afaa86b700e272fccefbc03907614e3f8ba581bc28613722f294acad2656"} |
I hereby claim:
To claim this, I am signing this object:
# 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. |
# coding: utf-8 | |
# # 读取并整理txt | |
# # 读取txt | |
# In[15]: | |