Lucio: We avoided Mourinho after every loss

Former Inter defender Lucio has revealed how players had to avoid former Nerazzurri coach Mourinho every time the team suffered a defeat.

The 37-year-old who won the treble under Mourinho back in 2010, stated that players would try to dodge the Portuguese coach in training if they lost a match the previous day.

The Brazilian also added that Mourinho wanted to win every single game and that a loss would result in him showing complete unhappiness.

“Every time the team lost, Mourinho was not smiling in the next training session.” Lucio told the International Business Times.

“He always wants to win every game. At Inter, when we lost a game once, we all avoided him (Mourinho) the next day at practice.”

“I ran into him, passed by him and he did not even look me in the face. ”

时间: 2024-11-05 16:01:43

Lucio: We avoided Mourinho after every loss的相关文章

caffe中accuracy和loss用python从log日志里面获取

import re import pylab as pl import numpy as np if __name__=="__main__": accuracys=[] losses=[] with open(r'/home/wxl/bnscallog.txt','r') as f: lines=f.readlines(); print len(lines) str="".join(lines) str=str.replace('\n','') print len

loss function与cost function

实际上,代价函数(cost function)和损失函数(loss function 亦称为 error function)是同义的.它们都是事先定义一个假设函数(hypothesis),通过训练集由算法找出一个最优拟合,即通过使的cost function值最小,从而估计出假设函数的未知变量. 例如: 可以看做一个假设函数,而与之对应的loss function如下: 通过使E(w)值最小,来估计出相应的w值,从而确定出假设函数(目标函数),实现最优拟合. 硬要说区别的话,loss funct

caffe之(五)loss层

在caffe中,网络的结构由prototxt文件中给出,由一些列的Layer(层)组成,常用的层如:数据加载层.卷积操作层.pooling层.非线性变换层.内积运算层.归一化层.损失计算层等:本篇主要介绍loss层 1. loss层总述 下面首先给出全loss层的结构设置的一个小例子(定义在.prototxt文件中) layer { name: "loss" type: "SoftmaxWithLoss" //loss fucntion的类型 bottom: &qu

triplet loss

因为待遇低,因为工作不开心,已经严重影响了自己的工作积极性和工作效率,这几天发觉这样对自己实在是一种损失,决定提高工作效率,减少工作时间. 说说最近做的tracking, multi-object tracking. object tracking首先要有object才能tracking是吧,而学术上研究的大多数single object tracking,其实就是单目标跟踪,就是开始你画个区域,告诉算法你要跟踪的是那个东西,然后接下来的视频里,把这个东西框出来.而实际应用的多是multi-ob

关于rnn神经网络的loss函数的一些思考

0: 原则上,loss函数都应该选convex函数,convex函数的定义就是函数上方得点是一个convex集合 1:  之前使用的0-1的数据预测正负样本,loss函数选用的是cross entropy loss, 实际上这里的0-1 cross entropy和seq2seq的softmax cross entropy都是使用的log函数算的loss, 但是最近看到有人说,在seq2seq里面使用MSE, mean square error比softmax cross entropy要好很多

loss function

并不搞机器学习,只是凭兴趣随便谈谈. loss function翻译为损失函数总觉得不妥,但也没有更好的翻译(或许就叫失函数更好),其实很多英文术语最好就是不翻译. 又称为cost function,用来度量预测错误的程度.对任意模型的输入输出X和Y,在其联合分布P(X,Y)下,总的loss为各分布点按概率密度进行积分(代表平均loss),称为risk function(expected loss). 机器学习的目标就是让risk function值最小.但实际上在学习前后,X与Y的联合分布并不

matlab利用hinge loss实现多分类SVM

介绍 hinge loss code 1 介绍 本文将介绍hinge loss E(w)以及其梯度?E(w).并利用批量梯度下降方法来优化hinge loss实现SVM多分类.利用hinge loss在手写字数据库上实验,能达到87.040%的正确识别率. 2. hinge loss 根据二分类的SVM目标函数,我们可以定义多分类的SVM目标函数: E(w1,-,wk)=∑kj=112||wj||2+C∑ni=1L((w1,-,wk),(xi,yi)). 其中T={(x1,y1),-,(xn,y

基于Caffe的Large Margin Softmax Loss的实现(中)

小喵的唠叨话:前一篇博客,我们做完了L-Softmax的准备工作.而这一章,我们开始进行前馈的研究. 小喵博客: http://miaoerduo.com 博客原文:  http://www.miaoerduo.com/deep-learning/基于caffe的large-margin-softmax-loss的实现(中).html 四.前馈 还记得上一篇博客,小喵给出的三个公式吗?不记得也没关系. 这次,我们要一点一点的通过代码来实现这些公式.小喵主要是GPU上实现前后馈的代码,因为这个层只

基于Caffe的Large Margin Softmax Loss的实现(上)

小喵的唠叨话:在写完上一次的博客之后,已经过去了2个月的时间,小喵在此期间,做了大量的实验工作,最终在使用的DeepID2的方法之后,取得了很不错的结果.这次呢,主要讲述一个比较新的论文中的方法,L-Softmax,据说单model在LFW上能达到98.71%的等错误率.更重要的是,小喵觉得这个方法和DeepID2并不冲突,如果二者可以互补,或许单model达到99%+将不是梦想. 再次推销一下~ 小喵的博客网址是: http://www.miaoerduo.com 博客原文:  http://