- 博客(21)
- 收藏
- 关注
原创 @[TOC](Pytorch模型修改)
基本思路是:将原模型添加输入位置前的部分作为一个整体,同时在forward中定义好原模型不变的部分、添加的输入和后续层之间的连接关系,从而完成模型的修改。有时候在模型训练中,除了已有模型的输入之外,还需要输入额外的信息。基本的思路是修改模型定义中forward函数的return变量。
2022-10-16 23:01:36
303
原创 呱呱呱教程其二
求偏导且另其值为 0 可构建方程组,通过求解该方程组可得(公式敲起来真滴费劲)对于拆解的方法主要包括:一对一(OvO),一对其余(OvR),多对多(MvM)。多分类问题可以被拆解为若干个二分类问题,并最终拼接为一个多分类问题。将编码的思想引入类别拆分,使得在编码过程中具有较高的容错性。其中,运用最小二乘的方法确定公式中的。因此可以用最大似然的方法对公式中的。通过计算得到最大的概率可以获得。可以通过牛顿迭代法求解该式。
2022-08-22 23:30:49
226
原创 呱呱呱教程其一
DataSet:数据的集合,通常以表格形式出现。每一列代表一个特定变量。每一行都对应于某一成员的数据集的问题。用数学公式可以写为D={x1,x2,x3…xn}D = \left\{ \textit{x}_1,\textit{x}_2,\textit{x}_3 \dots \textit{x}_n \right\}D={x1,x2,x3…xn}。Instance:数据集中的一条数据xi\textit{x}_ixi,是一组反应描述对象特征的一个集合,xi={xi1^,xi2^,xi3^,…xik^}
2022-08-15 11:47:03
178
原创 EasyRL笔记
借用维基百科对于强化学习的定义: Reinforcement learning (RL) is an area of machine learning concerned with how intelligent agents ought to take actions in an environment in order to maximize the notion of cumulative reward.即强化学习是机器学习的一个领域其主要关注的目标是如何使 智能体(agents)在 特定的环境下
2022-07-12 10:56:30
391
原创 Din论文阅读
DIN论文阅读Deep Interest Network for Click-Through Rate Predictionhttps://arxiv.org/pdf/1706.06978.pdfEmbedding layer:把高维稀疏的输入转成低维稠密向量, 每个离散特征下面都会对应着一个embedding词典, 维度是D×KD\times KD×K, DDD表示隐向量的维度, KKK表示的是当前离散特征的唯一取值个数pooling layer and Concat layer: poolin
2021-03-29 01:01:14
313
原创 集成学习
集成学习机器学习基础定义:机器学习是用来通过输入量 xxx 估计输出量 yyy的一系列方法。根据需要处理的数据分类可以分为有监督学习、半监督学习和无监督学习,其中有监督学习存在给定的xxx和给定的yyy而无监督学习只存在 xxx不存在yyy。简述之,有监督学习和无监督学习的界限在于数据处理时是否存在 yyy。有点抽象,下面以某数据为例分析有监督学习和无监督学习。这个数据是市场调研大赛的数据,因为在手边方便处理,除了数据真的很难看基本没啥不好,因为真正的数据一般噪声都比较大,所以看起来很难看,处理数
2021-03-15 23:08:01
156
原创 2021-03-04
构造验证集在机器学习模型(特别是深度学习模型)的训练过程中,模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低,但测试误差的走势则不一定。在模型的训练过程中,模型只能利用训练数据来进行训练,模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好,模型就会记住训练样本的细节,导致模型在测试集的泛化效果较差,这种现象称为过拟合(Overfitting)。与过拟合相对应的是欠拟合(Underfitting),即模型在训练集上的拟合效果较差。如图所示:随着模型复杂度和模型训练轮数
2021-03-04 23:42:36
290
1
原创 2021-03-01
语义分割评价函数与损失函数TP TN FP FN在分类问题中,以二分类为例,我们可以将所有的样本预测结果分成TP、TN、 FP、FN四类,并且每一类含有的样本数量之和为总样本数量,即TP+FP+FN+TN=总样本数量。上述的概念都是通过以预测结果的视角定义的,可以依据下面方式理解:预测结果中的正例 → 在实际中是正例 → 的所有样本被称为真正例(TP)<预测正确>预测结果中的正例 → 在实际中是反例 → 的所有样本被称为假正例(FP)<预测错误>预测结果中的反例 →
2021-03-01 23:32:52
163
原创 语义分割模型发展
语义分割模型发展语义分割(全像素语义分割)作为经典的计算机视觉任务(图像分类,物体识别检测,语义分割)。其结合了图像分类、目标检测和图像分割,通过一定的方法将图像分割成具有一定语义含义的区域块,并识别出每个区域块的语义类别,实现从底层到高层的语义推理过程,最终得到一幅具有逐像素语义标注的分割图像。FCNFCN首先将一幅RGB图像输入到卷积神经网络后,经过多次卷积以及池化过程得到一系列的特征图,然后利用反卷积层对最后一个卷积层得到的特征图进行上采样,使得上采样后特征图与原图像的大小一样,从而实现对特征图
2021-02-26 23:26:23
535
原创 CV-数据扩展
CV-数据扩展两个库OpenCV和albumentations常见的数据扩增方法数据扩增是一种有效的正则化方法,可以防止模型过拟合,在深度学习模型的训练过程中应用广泛。数据扩增的目的是增加数据集中样本的数据量,同时也可以有效增加样本的语义空间。正则化(正则化是为了防止过拟合, 进而增强泛化能力。)给需要训练的目标函数加上一些规则(限制),让他们不要自我膨胀,分为L0,L1,L2正则化L0正则化的值是模型参数中非零参数的个数。L1正则化表示各个参数绝对值之和。L2正则化标识各个参数的平方的
2021-02-23 23:00:31
208
原创 语义分割学习
语义分割学习第一次打卡在运行前提前挂载数据import numpy as npimport pandas as pdimport pathlib, sys, os, random, timeimport numba, cv2, gcfrom tqdm import tqdm_notebookimport matplotlib.pyplot as plt%matplotlib inlineimport warningswarnings.filterwarnings('ignore
2021-02-20 23:35:46
162
原创 2021-2-20打卡
Docker 使用学习天池官方的学习地址 https://tianchi.aliyun.com/competition/entrance/231759/tab/226先安装 Hyper-V之后开启 Hyper-V在官网找到windows版本的下载入口下载Docker在windows下直接点击安装即可,再次之前需要注册账户然后再pycharm的setting中搜索进行安装在开源下载地址:https://github.com/datawhalechina/team-learning-dat
2021-02-20 23:17:09
127
原创 异常检测
异常检测异常检测(Outlier Detection),是识别与正常数据不同的数据,与预期行为差异大的数据。异常的类别点异常: 指的是少数个体实例是异常的,大多数个体实例是正常的,例如正常人与病人的健康指标;上下文异常: 又称上下文异常,指的是在特定情境下个体实例是异常的,在其他情境下都是正常的,例如在特定时间下的温度突然上升或下降,在特定场景中的快速信用卡交易;群体异常: 指的是在群体集合中的个体实例出现异常的情况,而该个体实例自身可能不是异常,例如社交网络中虚假账号形成的集合作为群体异常子集,
2021-01-12 21:33:20
452
原创 计算机视觉之目标识别学习笔记
计算机视觉之目标检测学习笔记概念图像分类:判断输入的图像中是否包含感兴趣的内容目标检测:精确定位目标的具体位置,并用外接矩形框标出(就是很高级的那种)目标检测思路神经网络可以用来预测各种各样的实际问题,但是CNN不擅长直接预测坐标信息,考虑到一张图像中可能出现多个检测的目标,模型就比较难搞。所以,就顺理成章提出了一种通过猜测的方法来判断猜测的框中是否存在待检测目标的方法。就是通过滑窗的方式,罗列图中各种可能的区域,一个个去试,分别送入到分类网络进行分类得到其类别,同时会对当前的边界框进行微调,这样
2020-12-31 23:14:30
342
1
原创 燃烧学第二次作业
燃烧学第二次作业中矿大,望以后的学弟学妹能用上这些代码才学疏浅,望见谅2.经实验得到立方堆活性炭的数据如下。(1)计算该活性碳氧化反应的活化能(2)由外推法计算,该材料以无限长圆柱形式堆放时,在25℃有自燃着火危险的最小圆柱直径。clear T = [408, 418, 426, 432, 441]x_0 = [25.4, 18.6, 16, 12.5, 9.53]format longy = log(2.52*T.^2./(x_0.^2))x = 1000./Tscatter(x
2020-10-19 02:28:05
380
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