- 博客(248)
- 收藏
- 关注
RSS订阅原创 边界框转化
在目标检测中，我们通常使用边界框（bounding box）来描述对象的空间位置。边界框是矩形的，由矩形。一种常用的边界框表示方法是。
2024-04-09 20:10:31
213
原创 常用的图像增广方法
左右翻转图像通常不会改变对象的类别。这是最早且最广泛使用的图像增广方法之一。接下来，我们使用transforms模块来创建RandomFlipLeftRight实例，这样就各有50%的几率使图像向左或向右翻转。2. 上下翻转图像3. 图像进行随机裁剪4. 改变颜色。
2024-04-09 19:40:35
291
原创 稠密连接网络（DenseNet）
DenseNet的核心思想是改进网络中特征的传递方式，通过在每个层之间建立直接的连接（即稠密连接），来提高信息流动和梯度传播的效率，从而解决深度神经网络中的梯度消失和梯度爆炸问题。
2024-04-02 12:29:42
275
原创 残差网络（ResNet）
残差网络的核心思想是：每个附加层都应该更容易地包含原始函数作为其元素之一。于是，残差块（residual blocks）便诞生了，这个设计对如何建立深层神经网络产生了深远的影响。即随着网络层数的增加，网络的性能反而不再提升，甚至下降。残差块通过引入“残差学习”（residual learning）来缓解这一问题，使得网络能够更容易地学习到深层特征。残差块的输入不仅传递到卷积层等操作中，还通过一个跳跃连接（也称为快捷连接）直接传递到后面的层。
2024-04-02 11:22:13
183
原创 批量规范化（batch normalization）
一种流行且有效的技术，可持续加速深层网络的收敛速度。批量规范化应用于单个可选层（也可以应用到所有层），其原理如下：在每次训练迭代中，我们首先规范化输入，即通过减去其均值并除以其标准差，其中两者均基于当前小批量处理。接下来，我们应用比例系数和比例偏移。正是由于这个基于批量统计的标准化，才有了批量规范化的名称。在模型训练过程中，批量规范化利用小批量的均值和标准差，不断调整神经网络的中间输出，使整个神经网络各层的中间输出值更加稳定。
2024-04-02 10:21:23
219
原创 GoogLeNet
中间的两条路径在输入上执行1x1卷积减少通道数，从而降低模型的复杂性。第四条路径使用3x3最大汇聚层，然后使用1x1卷积层来改变通道数。这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层。
2024-04-01 21:12:17
199
原创 网络中的网络（NiN）
NiN的想法是在每个像素位置（针对每个高度和宽度）应用一个全连接层。果我们将权重连接到每个空间位置，我们可以将其视为1x1卷积层，或作为在每个像素位置上独立作用的全连接层。从另一个角度看，即将空间维度中的每个像素视为单个样本，将通道维度视为不同特征。其卷积核的大小为1×1。这种卷积层的主要作用是改变输入特征图的通道数，同时保留空间信息不变。1×1卷积层在网络中通常用于增加或减少通道数、调整网络的深度、以及进行特征融合或分离。
2024-04-01 20:53:53
329
原创 使用块的网络（VGG）
VGG神经网络连接有几个VGG块（在vgg_block函数中定义）。其中有超参数变量conv_arch。该变量指定了每个VGG块里卷积层个数和输出通道数。而一个VGG块与之类似，由一系列卷积层组成，后面再加上用于空间下采样的最大汇聚层。VGG网络可以分为两部分：第一部分主要由卷积层和汇聚层组成，第二部分由全连接层组成。1.带填充以保持分辨率的卷积层；2.非线性激活函数，如ReLU；3.汇聚层，如最大汇聚层。
2024-04-01 19:55:22
265
原创 深度卷积神经网络（AlexNet）
AlexNet由八层组成：五个卷积层、两个全连接隐藏层和一个全连接输出层。AlexNet使用ReLU而不是sigmoid作为其激活函数。# 这里使用一个11*11的更大窗口来捕捉对象。# 同时，步幅为4，以减少输出的高度和宽度。# 另外，输出通道的数目远大于LeNet# 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数# 使用三个连续的卷积层和较小的卷积窗口。# 除了最后的卷积层，输出通道的数量进一步增加。# 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度。
2024-04-01 17:13:36
316
原创 神经网络汇聚层
汇聚窗口从输入张量的左上角开始，从左往右、从上往下的在输入张量内滑动。在汇聚窗口到达的每个位置，它计算该窗口中输入子张量的最大值或平均值。计算最大值或平均值是取决于使用了最大汇聚层还是平均汇聚层。可以设定一个任意大小的矩形汇聚窗口，并分别设定填充和步幅的高度和宽。
2024-04-01 16:25:17
382
原创 LeNet卷积神经网络
它是最早发布的卷积神经网络之一网络层的结构：我们对原始模型做了一点小改动，去掉了最后一层的高斯激活。除此之外，这个网络与最初的LeNet-5一致。
2024-04-01 15:39:07
325
原创 多输入多输出通道
由于我们通常使用小卷积核，因此对于任何单个卷积，我们可能只会丢失几个像素。也可以设置上下和左右走的步长分别是什么，设置stride=(3, 4)时，意味着卷积核在输入数据的宽度（横向）上每次移动3个像素，在高度（纵向）上每次移动4个像素。卷积失去了卷积层的特有能力——在高度和宽度维度上，识别相邻元素间相互作用的能力。就是将之前的大的图片,定义一个核函数,然后经过移动并运算将图片变小了.也就是将图像压缩提取整合特征值.在计算互相关时，卷积窗口从输入张量的左上角开始，向下、向右滑动。比如我下面移动两步。
2024-03-31 19:37:50
300
原创 pytorch 层和块
'''建立了线性层 输入20,输出256Relu函数激活,线性层 输入256,输出10'''X = torch.rand(2, 20) # 随机2x20的矩阵net(X)一般来说 都要定义# 用模型参数声明层。这里，我们声明两个全连接的层# 调用MLP的父类Module的构造函数来执行必要的初始化。# 在类实例化时也可以指定其他函数参数self.hidden = nn.Linear(20, 256) # 隐藏层self.out = nn.Linear(256, 10) # 输出层。
2024-03-30 21:21:36
538
原创 softmax理解
softmax函数能够将未规范化的预测变换为非负数并且总和为1，同时让模型保持 可导的性质。为了完成这一目标，我们首先对每个未规范化的预测求幂，这样可以确保输出非负。为了确保最终输出的概率值总和为1，我们再让每个求幂后的结果除以它们的总和。
2024-03-28 17:12:56
230
原创 jupyter notebook和jupyter lab 找不到虚拟环境
【代码】jupyter notebook和jupyter lab 找不到虚拟环境。
2024-03-23 14:15:09
241
原创 机器学习_聚类(Clustering)
你经常跟哪些人联系，而这些人又经常给哪些人发邮件，由此找到关系密切的人群。因此，这可能需要另一个聚类算法，你希望用它发现社交网络中关系密切的朋友。
2024-03-20 19:39:57
545
原创 支持向量机(SVM)
如果我们有两个数据,要让你画一根直线你需要怎么划分他们呢?上面画了三根直线来划分它,那如果是高纬度呢?怎么用高于三个维度的 超维度平面来区分这些呢?我们用二维数据来介绍一下,因为区分二维数据的方法有很多,就像我们上一个章节把两类划分,用了蓝色,红色,绿色,但是他们的间隔差距就不一样.(就如这个下面的图)这个间隔的正中,就是我们的决策边界.当有数据需要判断的时候,我们就根据它的相对决策边界的相对位置,来进行判断分类.
2024-03-20 19:20:27
659
原创 机器学习_类偏斜的误差度量
偏斜类（skewed classes）的问题。类偏斜情况表现为我们的训练集中有非常多的同一种类的实例，只有很少或没有其他类的实例。例如:我们希望用算法来预测癌症是否是恶性的，在我们的训练集中，只有 0.5%的实例是恶性肿瘤。假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有 0.5%。然而我们通过训练而得到的神经网络算法却有 1%的误差。这时，误差的大小是不能视为评判算法效果的依据的。正确肯定（True Positive,TP）：预测为真，实际为真。
2024-03-20 15:33:22
462
原创 机器学习_自我总结
我只是一个小白,很多东西写不好,也不是很懂只是记一下笔记对自己的映像更深,也希望有人能够指导我学习(谢谢!)诊断偏差和方差训练集误差和交叉验证集误差近似时：偏差/欠拟合交叉验证集误差远大于训练集误差时：方差/过拟合神经网络的方差和偏差：使用较小的神经网络，类似于参数较少的情况，容易导致高偏差和欠拟合，但计算代价较小使用较大的神经网络，类似于参数较多的情况，容易导致高方差和过拟合，虽然计算代价比较大，但是可以通过正则化手段来调整而更加适应数据。
2024-03-20 15:07:20
462
原创 机器学习_神经网络
为了构建神经网络模型，我们需要首先思考大脑中的神经网络是怎样的？每一个神经元都可以被认为是一个处理单元/神经核，它含有许多输入/树突，并且有一个输出/轴突。神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络。我们设计出了类似于神经元的神经网络,效果如下：其中𝑥1, 𝑥2, 𝑥3是输入单元（input units），我们将原始数据输入给它们。𝑎1, 𝑎2, 𝑎3是中间单元，它们负责将数据进行处理，然后呈递到下一层。最后是输出单元，它负责计算ℎ𝜃(𝑥)。
2024-03-20 14:21:49
610
原创 机器学习_正则化
第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集；第三个模型是一个四次方的模型，过于强调拟合原始数据，而丢失了算法的本质：预测新数据。出，若给出一个新的值使之预测，它将表现的很差，是过拟合，虽然能非常好地适应我们的训练集但在新输入变量进行预测时可能会效果不好；而中间的模型似乎最合适。如果我们有非常多的特征，我们通过学习得到的假设可能能够非常好地适应训练集（代价函数可能几乎为 0），但是可能会不能推广到新的数据。就以多项式理解，𝑥 的次数越高，拟合的越好，但相应的预测的能力就可能变差。
2024-03-18 13:54:08
489
原创 机器学习_聚类(k-means)
文章目录聚类步骤k-means APIKmeans性能评估指标Kmeans性能评估指标API聚类步骤k-means通常被称为劳埃德算法，这在数据聚类中是最经典的，也是相对容易理解的模型。算法执行的过程分为4个阶段。1.首先，随机设K个特征空间内的点作为初始的聚类中心。2.然后，对于根据每个数据的特征向量，从K个聚类中心中寻找距离最近的一个，并且把该数据标记为这个聚类中心。3.接着，在所有的数据都被标记过聚类中心之后，根据这些数据新分配的类簇，通过取分配给每个先前质心的所有样本的平均值来创建新的质
2024-03-18 10:36:20
1072
原创 机器学习_线性回归
文章目录线性回归的定义损失函数(误差大小)梯度下降算法梯度下降的API(LinearRegression)最小二乘法之正规方程线性回归的定义线性回归的定义是：目标值预期是输入变量的线性组合。线性模型形式简单、易于建模，但却蕴含着机器学习中一些重要的基本思想。线性回归，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。优点：结果易于理解，计算不复杂缺点：对非线性的数据拟合不好适用数据类型：数值型和标称型对于单变量线性回归，例如：前面房价
2024-03-17 20:48:46
903
原创 机器学习-线性回归
我想找到它的最小值，首先初始化我的梯度下降算法，在那个品红色的点初始化，如果我更新一步梯度下降，也许它会带我到这个点，因为这个点的导数是相当陡的。然后我想再梯度下降一步，在这个绿点，我自然会用一个稍微跟刚才在那个品红点时比，再小一点的一步，到了新的红色点，更接近全局最低点了，因此这点的导数会比在绿点时更小。然后你就可以联想到,如果是其他参数很多的时候 这个时候你就可以把X 想象成一个向量,你自己也就可以拥有跟多的参数,而原理和上面的两个参数的原理也是一样的了.(如何实现它能够尽量的接近呢?
2024-03-17 20:23:25
1228
1
原创 KMP算法
一种用于字符串匹配的快速算法。该算法的核心在于利用已经匹配过的信息，避免不必要的字符比较，从而提高匹配效率。其中的一个关键部分是计算next数组，它用于指示在匹配失败时，应该将模式串向右移动多少位。
2024-03-07 12:41:32
364
原创 SpringCloud Bus动态刷新全局广播
bus/refresh请求不再发送到具体的服务实例上，而是发给config server并通过destination参数类指定需要更新配置的服务或实例。发送一次:curl -X POST “http://localhost:3344/actuator/bus-refresh”演示广播效果，增加复杂度，再以3355为模板再制作一个3366。实现了只通知3355 不通知3366。只通知3355 不通知3366。结果:三个都修改了!不想全部通知，只想定点通知。然后再Gitee里面修改。
2024-01-24 03:38:53
474
原创 SpringCloud Config分布式配置中心
微服务意味着要将单体应用中的业务拆分成一个个子服务，每个服务的粒度相对较小，因此系统中会出现大量的服务。由于每个服务都需要必要的配置信息才能运行，所以一套集中式的、动态的配置管理设施是必不可少的。SpringCloud提供了ConfigServer来解决这个问题，我们每一个微服务自己带着一个application.yml，上百个配置文件的管理…不同环境不同配置，动态化的配置更新，分环境部署比如dev/test/prod/beta/release。
2024-01-24 02:07:18
944
原创 springcloud Gateway网关
Gateway是在Spring生态系统之上构建的API网关服务，基于Spring 5，Spring Boot 2和 Project Reactor等技术。Gateway旨在提供一种简单而有效的方式来对API进行路由，以及提供一些强大的过滤器功能， 例如：熔断、限流、重试等。
2024-01-23 15:23:40
1022
原创 springcloud Hystrix断路器
Hystrix是一个用于处理分布式系统的延迟和容错的开源库，在分布式系统里，许多依赖不可避免的会调用失败，比如超时、异常等，Hystrix能够保证在一个依赖出问题的情况下，不会导致整体服务失败，避免级联故障，以提高分布式系统的弹性。
2024-01-22 03:03:52
873
原创 springcloud OpenFeign服务接口调用
Feign是一个声明式WebService客户端。使用Feign能让编写Web Service客户端更加简单。它的使用方法是定义一个服务接口然后在上面添加注解。Feign也支持可拔插式的编码器和解码器。Spring Cloud对Feign进行了封装，使其支持了Spring MVC标准注解和HttpMessageConverters。Feign可以与Eureka和Ribbon组合使用以支持负载均衡。
2024-01-19 03:37:43
535
原创 springcloud Ribbon负载均衡服务调用
Spring Cloud Ribbon是基于Netflix Ribbon实现的一套客户端 负载均衡的工具。简单的说，Ribbon是Netflix发布的开源项目，主要功能是提供客户端的软件负载均衡算法和服务调用。Ribbon客户端组件提供一系列完善的配置项如连接超时，重试等。简单的说，就是在配置文件中列出Load Balancer（简称LB）后面所有的机器，Ribbon会自动的帮助你基于某种规则（如简单轮询，随机连接等）去连接这些机器。我们很容易使用Ribbon实现自定义的负载均衡算法。
2024-01-19 02:49:04
592
原创 springcloud Consul服务注册与发现
Consul 是一套开源的分布式服务发现和配置管理系统，由 HashiCorp 公司用 Go 语言开发。提供了微服务系统中的服务治理、配置中心、控制总线等功能。这些功能中的每一个都可以根据需要单独使用，也可以一起使用以构建全方位的服务网格，总之Consul提供了一种完整的服务网格解决方案。它具有很多优点。包括： 基于 raft 协议，比较简洁；支持健康检查, 同时支持 HTTP 和 DNS 协议 支持跨数据中心的 WAN 集群 提供图形界面 跨平台，支持 Linux、Mac、Windows。
2024-01-18 03:58:21
435
原创 SpringCloud整合Zookeeper代替Eureka案例
zookeeper是一个分布式协调工具，可以实现注册中心功能关闭Linux服务器防火墙后启动zookeeper服务器zookeeper服务器取代Eureka服务器，zk作为服务注册中心。
2024-01-18 02:19:11
728
原创 springcloud Eureka服务注册与发现
Spring Cloud 封装了 Netflix 公司开发的 Eureka 模块来实现服务治理Eureka采用了CS的设计架构，Eureka Server 作为服务注册功能的服务器，它是服务注册中心。而系统中的其他微服务，使用 Eureka的客户端连接到 Eureka Server并维持心跳连接。这样系统的维护人员就可以通过 Eureka Server 来监控系统中各个微服务是否正常运行。在服务注册与发现中，有一个注册中心。
2024-01-17 17:40:32
1318
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