- 博客(23)
- 收藏
- 关注
RSS订阅原创 idea
找到target下的demo1-0.0.1-SNAPSHOT.jar（命名为自己的学号）3,controller调用service，mapper。打包-->M--->package。
2024-07-08 00:42:43
222
1
原创 功能点接口文档
501：（尚未实施） 服务器不具备完成请求的功能。200：（成功） 服务器已成功处理了请求。username String 用户名 是。username String 用户名 是。username String 用户名 是。204：（无内容） 服务器成功处理了请求，但没有返回任何内容。500：（服务器内部错误） 服务器遇到错误，无法完成请求。String 班级 是。请求体：包含用户名、密码、姓名、专业、班级、学号等信息。
2024-07-08 00:33:45
582
原创 机器学习之神经网络基础
人工智能的研究者为了模拟人类的认知，提出了不同的模型。人工神经网络是人工智能中非常重要的一个学派——连接主义最为广泛使用的模型。在传统上，基于规则的符号主义学派认为，人类的认知是基于信息中的模式；而这些模式可以被表示成为符号，并可以通过操作这些符号，显式地使用逻辑规则进行计算与推理。而基于统计的连接主义的模型将认知所需的功能属性结合到模型中来，通过模拟生物神经网络的信息处理方式来构建具有认知功能的模型。类似于生物神经元与神经网络，这类模型具有三个特点：1.拥有处理信号的基础单元。
2024-03-31 15:04:59
1714
原创 Logistic回归
广义线性回归模型使用非常广泛。例如在二元分类任务中，我们的目标是拟合这样一。线性回归是用于预测连续值，做预测；而逻辑回归是预测离散值，即是用来。这个时候，我们可以使用一个非线性变换。取离散值，这个阶跃判别函数是不可导的。使用一个函数 𝜎(⋅) 来近似这个离散的阶跃函数，之间的关系是线性的。x分别是fail、pass的概率。里面包含有一些常 用的数据集。在分类问题中，模型输出的就是输。候，函数梯度变化就非常小了。就要尽可能大，即尽可 能接近1。库里面包含有一些常用的数据集。在线性回归中，我们假设随机变量。
2024-03-24 22:51:35
501
1
原创 Logistic回归
线性回归模型是指采用线性组合形式的回归模型，在线性回归问题中，因变量和自变量之间是线性关系的。对于第i个因变量xi，我们乘以权重系数wi，取y为因变量的线性组合：其中b为常数项。若w=(w¹…wⁿ)，则上式可以写成向量形式：在上节中，我们假设随机变量x..x与y之间的关系是线性的。但在实际中，我们通常会遇到非线性关系。这个时候，我们可以使用一个非线性变换g(.)，使得线性回归模型f(.)实际上对g(y)而非y进行拟合，即：y=g¯1(f(x))其中(.)仍为：f(x)=wᵀx+b。
2024-03-24 22:34:11
811
1
原创 PyTorch深度学习基础之Reducation操作和PyTorch自动微分
Reduction操作的特点是它往往对一个Tensor内的元素执行归约操作，比如torch.max找极大值、torch.cumsum计算累加，它还提供了dim参数来指定沿矩阵的哪个维度执行操作。
2024-03-24 19:45:49
232
1
原创 PyTorch深度学习基础之Tensor的变换、拼接和拆分
第二种是分割方案，是一个list类型的数据，待分割的张量将会被分割为len(list)份，每一份的大小取决于list中的元素。PyTorch提供了大量的对Tensor进行操作的函数或方法，这些函数内部使用指针实现对矩阵的形状变换，拼接，拆分等操作，使得我们无须关心Tensor在内存的物理结构或者管理指针就可以方便且快速的执行这些操作。但是，Tensor.view返回的一定是一个索引，更改返回值，则原始值同样被更改，Tensor.reshape返回的是引用还是拷贝是不确定的。chunks是均匀分割的份数，
2024-03-12 20:53:47
639
1
原创 PyTorch深度学习基础之Tensor的索引、切片、变换、拼接与拆分
0,2]代表第一个非零元素为第0行第2列；[1,2]代表第二个非零元素为第1行第2列。
2024-03-12 20:39:22
651
1
原创 模型评估与模型参数选择之验证
因为这样的模型参数将会是针对某个特定测试集的，得出来的评价标准将会失去其公平性，失去了与其他同类或不同类模型相比较的意义。将训练集分为 k 份 每次使用 k 份中的 1 份作为验证集，其他全部作为训练集。必须在一个独立于训练集和测试集的数据集上进行，这样的用于模型调参的数据集被称为。使用最优的超参数，然后将 k 份数据全部作为训练集重新训练模型，得到最终模型。通过 k 次训练后，我们得到了 k 个不同的模型。将数据集分为训练集和测试集，将测试集放在一边。评估 k 个模型的效果，参数的选择（即调参）
2024-03-07 22:48:08
344
1
原创 模型评估与模型参数选择
验证集评估出来的效果并非模型的最终效果，主要是用来调整超参数的，模型最终效果以测试集的评估结果为准。通过测试集的评估，我们会得到一些最终的评估指标，例如：准确率、精确率、召回率、F1等。超参数越少，或者超参数很容易调整，那么可以减少验证集的比例，更多的分配给训练集。由于我们训练得到一个模型最终的目的是为了在未知的数据上得到尽可能准确的结果，，那么就说明模型存在误差；模型的复杂度太高（比如隐藏层层数设置的过多，神经元的数量设置的过大）- 移除特征，降低模型的复杂度：减少神经元的个数，减少隐藏层的层数。
2024-03-07 22:39:34
1876
1
原创 Caffe、TensorFlow、PyTorch三者比较
然而尽管开发已超过一年，Caffe2仍然是一个不太成熟的框架，官网至今未提供完整的文档，其安装也比较麻烦，编译过程时常出现异常，在GitHub上也很少找到相应的代码。框架的运行速度和程序员的编码水平有极大关系，但同样的算法，使用PyTorch实现的更有可能快过用其他框架实现的。PyTorch 提供了完整的文档、循序渐进的指南，作者亲自维护的论坛供用户交流和学习，FAIR对PyTorch 提供了强力支持，作为当今排名前三的深度学习研究机构，FAIR的支持足确保PyTorch获得持续的开发和更新。
2024-03-07 22:09:13
820
2
原创 深度学习框架之主流学习框架
卷积神经网络框架是一种常用的深度学习框架，主要应用在视频、图像处理等方面。Caffe是一个清晰、可读性高、快速的深度学习框架。Caffe的作者是贾扬清，其为加州大学伯克利分校的博士，现就职于Faceboo公司。Caffe 是一个主流的工业级深度学习入是，精于图像处理。它有很多扩展，但是由于一些遗留的架构问题，它不够灵活，且对递归网络和语言建模的支持很差。对于基层的网络结构，Caffe 扩展性不好；而用户如果想要增加层，则需要自己实现前向传播、反向传播以及参数更新。
2024-03-07 15:40:49
2109
1
原创 深度学习框架
深度学习框架是一种用于构建、训练和部署深度神经网络模型的工具集合。它提供了丰富的函数和工具，使开发者能够方便地创建、调整和优化神经网络模型。目前常用的深度学习框架有这些深度学习框架被应用于计算机视觉、自然语言处理、语音识别、机器学习等多个领域。深度学习框架一般提供了以下功能：模型定义：提供了一种方式来定义神经网络模型的结构，包括网络层的连接和参数设置。训练和优化：提供了一种方式来训练和优化神经网络模型，包括定义损失函数、选择优化算法和设置训练参数。
2024-03-07 14:51:13
318
1
原创 机器学习之强化学习算法
强化学习算法包括：Model-Based算法agent可以根据模型预测下一步的结果，并提前规划行动路径。但真实模型和学习到的模型是有误差的，这种误差会导致agent虽然在模型中表现很好，但是在真实环境中可能打不到预期结果。Model-Free算法Model-Free的算法看似随意，但这恰好更易于研究者们去实现和调整。比如：Q-learning和SARSA。
2024-03-03 21:25:01
266
原创 机器学习之强化学习
是机器学习的一个重要分支，它与非监督学习、监督学习并列为机器学习的三类主要学习方法。强化学习强调如何基于环境行动，以取得最大化的预期利益，所以强化学习可以被理解为决策问题。它是多学科多领域交叉的产物，其灵感来自于心理学的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。强化学习的应用范围非常广泛，各领域对它的研究重点各有不同。强化学习的应用强化学习。
2024-03-03 21:14:06
553
原创 深度学习之强化学习
即使使用简单的描述给定输入特征的预测标签，监督学习也可以采取多种形式的模型，并且需要大量不同的建模决策，这取决于输入和输出的类型、大小和数量。例如，我们使用不同的模型来处理“任意长度的序列”或“固定长度的序列”。例子： 假设我们需要预测患者的心脏病是否会发作，那么观察结果“心脏病发作”或“心脏病没有发作”将是样本的标签。好的一面是，我们可以孤立地进行模式识别，而不必分心于其他问题。这里的人工智能是“智能代理”，而不仅是“预测模型”。样本的标签未知的情况下，根据样本之间的相似性。从环境中收集数据的过程。
2024-03-03 21:02:53
303
原创 深度学习与神经网络发展
卷积神经网络是一种对人脑比较精准的模拟，它模拟了人脑识别图片时感知图片中的局部特征，之后将局部特征综合起来再得到整张图的全局信息的过程。其卷积层通常是堆叠的，低层的卷积层可以提取到图片的局部特征，高层的卷积能够从低层的卷积层中学到更复杂的特征，从而实现到图片的分类和识别。
2024-03-03 19:59:17
801
原创 深度学习之自然语言处理（NLP）
因此自然语言处理的难度更大，它的发展与应用相比于计算机视觉也往往呈现出滞后的情况。1966年自动语言处理咨询委员会的报告强调了机器翻译从流程到实施成本面临的巨大困难，导致投资方减少了在资金方面的投资，使得NLP的研究几乎停滞。最常见的是把源语言的一个句子翻译成目标语言的一个句子，最终预测出来的整个目标语言句子必须与给定的源语言句子具有完全相同的含义。基于深度学习的自然语言处理避开了对中间元素的需求，并且可以针对通用任务学习该任务本身的层次表示。自然语言处理的目的却是要让计算机来理解和处理人类的语言。
2024-03-03 19:48:57
356
原创 计算机视觉的主要应用
1.图像分类 2.目标检测1.图像分类是深度学习中最常见的应用之一。它的目标是将图像分到预定义的类别中。深度学习通过多层神经网络来学习图像的抽象特征。这些特征可以从原始像素值或者低级特征（如边缘、纹理等）中提取出来，然后通过多个隐藏层进行非线性组合和转换，最终得到高级语义特征。
2024-03-03 19:38:25
446
原创 深度学习之计算机视觉
1计算机视觉是一门研究如何使机器“看”的科学，涉及计算机如何从数字图像或视频中获得高级理解。形象地说，即通过给计算机安装上眼睛（照相机）和大脑（算法），让计算机能够感知环境。以代替人眼对目标进行识别、跟踪和测量等操作，并对图像进行进一步的处理，使图像更适合人眼观察或传入仪器。计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。作为一门综合性的学科，计算机视觉已经吸引了来自各个学科的研究者参加到对它的研究之中。
2024-03-03 19:26:30
376
原创 机器学习之深度学习
和传统的机器学习方法相比，深度学习模型一般需要更丰富的数据、更强大的计算资源，同时也能达到更高的准确率。深度学习目前在很多领域的表现都优于过去的方法，在图像分类与识别、语音识别与合成、人脸识别、视频分类与行为识别等领域都有着不俗的表现。人脸识别采用深度学习方法后的识别率超过了目前非深度学习算法以及人类的识别率，深度学习技术在语音识别领域更是取得了突破性的进展，在大规模图像分类问题上也远超传统方法。这些学习过程中获得的信息对文字、图像和声音等数据的解释有很大的帮助。深度学习：特征提取与学习器是一起的，卷积。
2024-03-03 19:17:16
321
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人