<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AI_ayuan的博客]]></title><description><![CDATA[专注于各类AI算法竞赛，数学建模，人工智能知识干货的分享]]></description><link>https://blog.csdn.net/AI_ayuan</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; AI_ayuan]]></copyright><item><title><![CDATA[循环神经网络(RNN)的原理及实现]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129679246</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129679246</guid><author>AI_ayuan</author><pubDate>Mon, 20 Mar 2023 23:47:14 +0800</pubDate><description><![CDATA[在前馈神经网络中，信息的传递是单向的，这种限制虽然使得网络变得更容易学习，但在一定程度上也减弱了神经网络模型的能力。在生物神经网络中，神经元之间的连接关系要复杂的多。前馈神经网络可以看着是一个复杂的函数，每次输入都是独立的，即网络的输出只依赖于当前的输入。但是在很多现实任务中，网络的输入不仅和当前时刻的输入相关，也和其过去一段时间的输出相关。比如一个有限状态自动机，其下一个时刻的状态（输出）不仅仅和当前输入相关，也和当前状态（上一个时刻的输出）相关。此外，前馈网络难以处理时序数据，比如视频、语音、文本等。]]></description><category></category></item><item><title><![CDATA[集成学习的基本步骤]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129627969</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129627969</guid><author>AI_ayuan</author><pubDate>Fri, 17 Mar 2023 20:45:59 +0800</pubDate><description><![CDATA[集成学习一般可分为以下3个步骤。

（1）找到误差互相独立的基分类器。

（2）训练基分类器。

（3）合并基分类器的结果。]]></description><category></category></item><item><title><![CDATA[集成学习中的Boosting和Bagging]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129604207</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129604207</guid><author>AI_ayuan</author><pubDate>Thu, 16 Mar 2023 23:50:41 +0800</pubDate><description><![CDATA[集成学习是一大类模型融合策略和方法的统称，其中包含多种集成学习的思想。]]></description><category></category></item><item><title><![CDATA[机器学习中的特征工程]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129569046</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129569046</guid><author>AI_ayuan</author><pubDate>Wed, 15 Mar 2023 21:25:02 +0800</pubDate><description><![CDATA[特征工程，顾名思义，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。从本质上来讲，特征工程是一个表示和展现数据的过程。在实际工作中，特征工程旨在去除原始数据中的杂质和冗余，设计更高效的特征以刻画求解的问题与预测模型之间的关系。]]></description><category></category></item><item><title><![CDATA[Pytorch从零开始实现线性回归]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129539875</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129539875</guid><author>AI_ayuan</author><pubDate>Tue, 14 Mar 2023 20:54:33 +0800</pubDate><description><![CDATA[下面是线性回归的矢量计算表达式的实现。我们使用mm函数做矩阵乘法。def linreg(X, w, b): # 本函数已保存在d2lzh_pytorch包中⽅方便便以后使⽤用我们使用上一节描述的平方损失来定义线性回归的损失函数。在实现中，我们需要把真实值y变形成预测值y_hat的形状。以下函数返回的结果也将和y_hat的形状相同。以下的sgd函数实现了上一节中介绍的小批量随机梯度下降算法。它通过不断迭代模型参数来优化损失函数。这里自动求梯度模块计算得来的梯度是一个批量样本的梯度和。]]></description><category></category></item><item><title><![CDATA[经典卷积神经网络（二）：VGG-Nets、Network-In-Network和深度残差网络]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129530602</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129530602</guid><author>AI_ayuan</author><pubDate>Tue, 14 Mar 2023 16:02:03 +0800</pubDate><description><![CDATA[上一节我们介绍了**LeNet-5**和**AlexNet**网络，本节我们将介绍**VGG-Nets**、**Network-In-Network**和**深度残差网络（residual network）**。]]></description><category></category></item><item><title><![CDATA[线性回归和神经网络的联系]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129498106</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129498106</guid><author>AI_ayuan</author><pubDate>Mon, 13 Mar 2023 16:46:21 +0800</pubDate><description><![CDATA[为了更清晰地展示线性回归作为神经网络的结构，下图使用神经网络图表示本节中介绍的线性回归模型。在介绍线性回归的矢量计算表达式之前，让我们先考虑对两个向量相加的两种方法。，因此输入层的输入个数为2。这节我们解释线性回归与神经网络的联系，以及线性回归的矢量计算表达式。，输出层的输出个数为1。需要注意的是，我们直接将图中神经网络的输出。由于输入层并不涉及计算，按照惯例，如图所示的神经网络的层数为1。向量相加的另一种方法是，将这两个向量直接做矢量加法。向量相加的另一种方法是，将这两个向量直接做矢量加法。]]></description><category></category></item><item><title><![CDATA[经典卷积神经网络（一）：LeNet-5和AlexNet]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129469670</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129469670</guid><author>AI_ayuan</author><pubDate>Sat, 11 Mar 2023 22:16:51 +0800</pubDate><description><![CDATA[本节介绍几种广泛使用的典型深层卷积神经网络。]]></description><category></category></item><item><title><![CDATA[机器学习中的线性回归基本要素]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129466401</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129466401</guid><author>AI_ayuan</author><pubDate>Sat, 11 Mar 2023 17:53:00 +0800</pubDate><description><![CDATA[线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、⽓温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个**离散值**。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。
softmax回归则适用于分类问题。]]></description><category></category></item><item><title><![CDATA[卷积神经网络中的参数学习]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129452180</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129452180</guid><author>AI_ayuan</author><pubDate>Fri, 10 Mar 2023 20:39:34 +0800</pubDate><description><![CDATA[在卷积神经网络中，主要有两种不同功能的神经层：卷积层和汇聚层。如图中，所有的同颜色连接上的权重是相同的。参数为卷积核以及偏置，因此只需要计算卷积层中参数的梯度。卷积网络中，每层参数的梯度依赖其所在层的误差项。参数个数和神经元的数量无关。]]></description><category></category></item><item><title><![CDATA[卷积神经网络经典结构]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129442667</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129442667</guid><author>AI_ayuan</author><pubDate>Fri, 10 Mar 2023 14:50:35 +0800</pubDate><description><![CDATA[卷积神经网络具有几种基本部件：卷积、汇合、激活函数、全连接层和目标函数。如何“有机组合”才能让模型工作、发挥效能呢？]]></description><category></category></item><item><title><![CDATA[CVPR2023最新论文 (含语义分割、扩散模型、多模态、预训练、MAE等方向)]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129362257</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129362257</guid><author>AI_ayuan</author><pubDate>Mon, 06 Mar 2023 14:47:11 +0800</pubDate><description><![CDATA[2023 年 2 月 28 日凌晨，CVPR 2023 顶会论文接收结果出炉！CVPR 2023 收录的工作中 " 扩散模型、多模态、预训练、MAE " 相关工作的数量会显著增长。]]></description><category></category></item><item><title><![CDATA[机器学习的优化算法]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129340092</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129340092</guid><author>AI_ayuan</author><pubDate>Sat, 04 Mar 2023 22:09:16 +0800</pubDate><description><![CDATA[在确定了训练集D、假设空间F以及学习准则后，如何找到最优的模型fx;θ就成了一个最优化（Optimization）问题．机器学习的训练过程其实就是最优化问题的求解过程.在机器学习中，优化又可以分为参数优化和超参数优化．模型fx;θ中的θ称为模型的参数，可以通过优化算法进行学习．除了可学习的参数θ之外，还有一类参数是用来定义模型结构或优化策略的，这类参数叫作超参数（Hyper-Parameter）]]></description><category></category></item><item><title><![CDATA[基于OpenCV构建停车场车位识别项目]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129321971</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129321971</guid><author>AI_ayuan</author><pubDate>Fri, 03 Mar 2023 15:52:09 +0800</pubDate><description><![CDATA[OpenCV是一个基于（开源）发行的跨平台计算机视觉库，能实现图像处理和计算机视觉方面的很多通用算法。车位识别的图像处理过程如图所示。在python中设置完所有内容后， 最重要的依赖关系将是OpenCV库。通过pip将其添加到虚拟环境中，可以运行。要检查所有设置是否正确，我们可以使用以下命令打印环境中可用的当前OpenCV版本。]]></description><category></category></item><item><title><![CDATA[机器学习的三个基本因素【模型、学习准则、优化算法】]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129286380</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129286380</guid><author>AI_ayuan</author><pubDate>Wed, 01 Mar 2023 17:40:42 +0800</pubDate><description><![CDATA[机器学习是从有限的观测数据中学习（或“猜测”）出具有一般性的规律，并可以将总结出来的规律推广应用到未观测样本上。机器学习方法可以粗略地分为三个基本要素：模型、学习准则、优化算法。]]></description><category></category></item><item><title><![CDATA[PyTorch自动求梯度]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129201804</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129201804</guid><author>AI_ayuan</author><pubDate>Fri, 24 Feb 2023 15:29:19 +0800</pubDate><description><![CDATA[如何使用PyTorch进行自动梯度计算]]></description><category></category></item><item><title><![CDATA[将Tensor和NumPy相互转换的方法]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129093868</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129093868</guid><author>AI_ayuan</author><pubDate>Fri, 17 Feb 2023 21:11:49 +0800</pubDate><description><![CDATA[tensor和numpy相互转化的方法]]></description><category></category></item><item><title><![CDATA[ChatGPT火爆科研圈，登上《Nature》《Science》正刊]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129087941</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129087941</guid><author>AI_ayuan</author><pubDate>Fri, 17 Feb 2023 15:28:08 +0800</pubDate><description><![CDATA[ChatGPT火出圈了，几乎涉及到各行各业的每个领域，科研圈更甚。]]></description><category></category></item><item><title><![CDATA[超声三维重建算法研究]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129086791</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129086791</guid><author>AI_ayuan</author><pubDate>Fri, 17 Feb 2023 14:45:08 +0800</pubDate><description><![CDATA[在三维超声弹性成像中，三维重建是将二维弹性图转化成三维超声弹性图的关键一步。三维重建算法按照其原理的不同可以分为三类：基于像素的三维重建算法（PBM）、基于体素的三维重建算法（VBM）、基于函数的三维重建算法（FBM）。]]></description><category></category></item><item><title><![CDATA[Pytorch基本数据操作（Tensor的运算）【深度学习从0到1】]]></title><link>https://blog.csdn.net/AI_ayuan/article/details/129016721</link><guid>https://blog.csdn.net/AI_ayuan/article/details/129016721</guid><author>AI_ayuan</author><pubDate>Mon, 13 Feb 2023 20:43:16 +0800</pubDate><description><![CDATA[在PyTorch中，我们主要通过torch.Tensor对数据进行存储和变换操作，使用过numpy库的我们就可以发现，tensor和numpy里的多维数组十分相似。但是由于tensor提供GPU计算和自动求梯度等功能从而更适合深度学习。]]></description><category></category></item></channel></rss>