计算Margin Sampling的代码

最新推荐文章于 2024-10-08 12:37:10 发布
最新推荐文章于 2024-10-08 12:37:10 发布
阅读量104 收藏
点赞数
文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DeniuHe/article/details/130841504
版权 
unlabeled = self.unlabeled
            U_num = len(unlabeled)
            US = np.zeros(U_num)
            prob_matrix = self.predict_proba(X=self.X[unlabeled])
            S = np.argsort(-prob_matrix, axis=1)
            for i, [idx, jdx] in enumerate(S[:,[0,1]]):
                US[i] = prob_matrix[i, idx] - prob_matrix[i, jdx]

如下老方法运行速度慢些 

for i in range(U_num):
                ord_prob = np.argsort(prob_matrix[i])
                US[i] = prob_matrix[i][ord_prob[-1]] - prob_matrix[i][ord_prob[-2]]

DeniuHe
关注
基于特征距离的采样策略：Sampling Matters in Deep Embedding Learning
梁瑛平的博客
10-23 998
Sampling Matters in Deep Embedding Learning论文地址：代码地址：论文摘要：论文简介： 论文地址： https://arxiv.org/abs/1706.07567 代码地址： https://github.com/suruoxi/DistanceWeightedSampling 论文摘要： 深度嵌入解决的是衡量图像之间的特征相似读。 最突出的方法是优化一个具有适当损失函数的深度卷积网络，如 contrastive loss 和 triplet loss。虽然大量的工
知识图谱(Knowledge Graph)原理与代码实战案例讲解
AI天才研究院
08-09 860
知识图谱(Knowledge Graph)原理与代码实战案例讲解 1. 背景介绍 1.1 知识图谱的起源与发展 1.1.1 知识图谱的起源
主动学习（Active Learning）
青年有志
04-20 4671
主动学习基本介绍
【论文笔记】Margin Sample Mining Loss: A Deep Learning Based Method for Person Re-identification
迷川浩浩的博客
11-07 4725
摘要Person re-identification (ReID) is an important task in computer vision. Recently, deep learning with a metric learning loss has become a common framework for ReID. In this paper, we propose a new me
不要告诉我你懂margin
dgk62408的博客
06-27 1174
你真的了解margin吗？你知道margin有什么特性吗？你知道什么是垂直外边距合并？margin在块元素、内联元素中的区别？什么时候该用padding而不是margin？你知道负margin吗？你知道负margin在实际工作中的用途吗？常见的浏览器下margin出现的bug有哪些？…… 写css，你少不了与margin打交道，而对于这个平时我们最常用的css属性我们并非十分了解。介于...
【Person Re-ID】Margin Sample Mining Loss: A Deep Learning Based Method for Person Re-identification
大雄的专栏
12-15 2802
Introduction
用android计算pi代码,android的tone音源代码DTMF双音频何快速计算正弦波
weixin_39691233的博客
05-26 135
android的tone音正弦波快速产生算法源代码DTMF双音频和如何快速计算正弦波假如我们需要产生取样频率为8KHz的440Hz的正弦波，那么a1=2*cos(2*pi*440/8000)=1.8817615，而y[1]=sin(2*pi*440/8000)=0.33873792。来拆开解读一下：[luther.gliethttp-20110419]{{{1. 其中2*pi为一个正弦,2*pi*...
机器学习之数据均衡算法种类大全+Python代码一文详解
master_hunter的博客
06-05 5626
对于整个数据建模来看，数据均衡算法属于数据预处理一环。当整个数据集从调出数据库到拿到手的时候，对于分类数据集来说类别一般都是不均衡的，整个数据集合也是较为离散的。因此不可能一拿到数据集就可进行建模，类别的不均衡会极大影响建模判断准确率。其中我们希望整个数据集合的类别数目都是相似的，这样其特征数据权重能够更好的计算出来，便于分类。对于预测模型也是如此。数据均衡是整个数学建模以及研究最重要不得不重视的一环，下面我将详细介绍数据均衡的方法以及运用的不同场景。一、为什么要做数据均衡？首先在进行实验之前我们要了解数据
自然语言处理之话题建模：Gibbs Sampling：主题模型的评估方法
zhubeibei168的博客
09-23 1079
LDA（Latent Dirichlet Allocation）模型是一种混合多项式模型，用于处理文档集合中的话题分布。LDA假设每个文档由多个话题混合而成，每个话题由一组词汇的概率分布构成。模型的核心在于使用Dirichlet分布作为话题和词汇分布的先验。在自然语言处理中，主题模型的评估不仅限于传统的困惑度(perplexity)和主题一致性(topic coherence)，还包括其他几种评估指标，这些指标从不同角度衡量模型的性能和实用性。主题多样性(Topic Diversity)定义。
主动学习（Active learning） Review
kebijuelun的博客
01-27 3054
Active learning Introduction 定义 主动学习针对数据标签较少或打标签代价较高场景设计，又称最优实验设计。主要是通过算法挑选信息量高未标注数据让标注员确定数据的标签，同时利用标注员标注好的数据对模型参数进行更新，如此反复循环迭代后期望数据完成大批量数据集的自动化标注，同时模型也能利用较少的标注数据获得较好的性能 以下图片是 logistic regression 在随机挑选数据与基于 hard mining 方式挑选数据训练得到的不同结果，明显针对性挑选在分类决策面边界的不确定度
【主动学习 01】经典综述-Active Learning Literature Survey-Burr Settles(2009)
chadlee
08-25 1703
Active Learning Literature Survey - Burr Settles(2009) Settles’ Survey，主动学习领域最经典的survey，主要介绍survey中采样策略部分。 通常在C-U和U-S上有比较多的工作 查询函数Q：不确定性准则（uncertainty）和差异性准则（diversity） 1）不确定性准则对于不确定性，我们可以借助信息熵的概念来进行理解。我们知道信息熵是衡量信息量的概念，也是衡量不确定性的概念。信息熵越大，就代表不确定性越大，包含的信息量也就
深度学习新的采样方式和损失函数--论文笔记
LittleStudent12的博客
06-22 9660
深度学习新的采样方式和损失函数--论文笔记论文《Sampling matters in deep embedding learning》论文地址：https://arxiv.org/pdf/1706.07567.pdf 该论文为2017年6月上传至arxiv。主要研究的是深度嵌入学习（deep embedding learning）中的采样问题和损失函数的问题。作者分析了contrasti...
python中zip()与zip(*)的用法解析
最新发布
m0_51579041的博客
10-08 267
zip()与zip(*)的用法解析
task【XTuner微调个人小助手认知】
m0_53291740的博客
10-07 828
下面我们将根据项目的需求一步步的进行修改和调整吧！在 PART 1 的部分，由于我们不再需要在 HuggingFace 上自动下载模型，因此我们先要更换模型的路径以及数据集的路径为我们本地的路径。为了训练过程中能够实时观察到模型的变化情况，XTuner 贴心的推出了一个。
gligen安装部署笔记
jacke121的专栏
10-08 240
gligen安装部署笔记
解决IE中a标签中的图片有边框
weixin_41674235的博客
10-08 199
‌1、通过CSS去除边框‌：在CSS中为img标签添加border:0 none;样式，例如：img{border:0 none;这种方法适用于大多数现代浏览器‌12。3‌、通过JavaScript去除点击后的虚线框‌：在a标签中添加outline:none;和text-decoration:none;这可以同时去除点击后的虚线框和下划线‌。
pytorch版本和cuda版本不匹配问题
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
10-06 554
发现cuda11.8支持pytorch2.0.0。
uniform sampling代码
07-25
均匀采样（Uniform Sampling）是从数据集中按照均匀分布随机选取样本的一种采样方法。下面是一个均匀采样的代码实现示例： ```python import numpy as np def uniform_sampling(data, num_samples): """ 均匀采样函数 参数： data: 输入数据集，可以是列表、数组等 num_samples: 需要采样的样本数量 返回值： 采样后的数据集 """ num_data = len(data) # 确保采样数量不超过数据集大小 num_samples = min(num_samples, num_data) # 生成随机索引 random_indices = np.random.choice(range(num_data), size=num_samples, replace=False) # 根据随机索引进行采样 sampled_data = [data[i] for i in random_indices] return sampled_data ``` 使用上述的 `uniform_sampling` 函数，你可以将输入的数据集和需要采样的样本数量传递给函数，并获得采样后的数据集。下面是一个示例： ```python # 假设有一个数据集 data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] # 进行均匀采样，选择5个样本 sampled_data = uniform_sampling(data, num_samples=5) print("Sampled data:", sampled_data) ``` 在上面的示例中，将从数据集 `[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]` 中均匀随机选择5个样本进行采样。 请注意，上述代码示例中使用了 NumPy 库的 `np.random.choice` 函数来生成随机索引进行采样。如果你的数据集是多维数组或其他特殊类型的数据，请根据具体情况进行修改。 希望这个示例能对你有所帮助！如果还有其他问题，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DeniuHe

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值