Datawhale X 李宏毅苹果书AI夏令营 任务三

已于 2024-09-06 16:43:41 修改
阅读量224 收藏
点赞数 1
文章标签： 人工智能 机器学习 深度学习
于 2024-09-03 19:07:27 首次发布
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/TheWildPointer/article/details/141865606
版权

批量归一化

如果我们可以给不同的维度，同样的数值范围的话，那我们可能就可以制造比较好的误差表面，让训练变得比较容易一点其实有很多不同的方法，这些不同的方法往往就合起来统称为特征归一化（feature normalization）。

Z值归一化

深度学习的归一化

批量归一化

测试时的批量归一化

-取训练时的移动平均

内部协变量偏移：训练集和预测集样本分布不一致

批量归一化不一定能减少协变量偏移，但是可以平滑化误差表面

卷积神经网络

感受野的参数称为滤波器

卷积层=感受野+共享参数

图像经过各个滤波器得到的各组数字的集合称为特征映射，有几组数据就意味着有几个通道

下采样不影响模式检测

汇聚-减少运算量

IdealDestructor
关注
Datawhale X 李宏毅苹果书 AI夏令营task1笔记
scipig_的博客
08-22 1880
本章主要介绍深度学习常见的一些概念，方便我们从不同的角度来更好地优化神经网络。
Datawhale X 李宏毅苹果书 AI夏令营 Task2
weixin_52691220的博客
08-28 601
如果是前两天前四天前五天，它的值会跟未来要预测的，隔天的值是成反比的，所以后面接个都是负数。PS. 所以这边每一个式子都代表了一个不同蓝色的函数，求和就是把不同的蓝色的函数相加，，所以在有看过的数据上，在训练数据上，误差值是比较小的，在没有看过的数据上，在2021。到拿来当作预测的结果，也许预测的会更准也说不定，所以我们就要修改一下模型。坡度的起始点设的跟红色函数转折点一样，蓝色函数的斜率设的跟红色函数斜率一样，接下。考虑了比较多的信息，在训练数据上应该要得到更好的、更低的损失。
Datawhale X 李宏毅苹果书 AI夏令营（Task2）
mengluohuayexuan的博客
08-27 1213
根据GPU是否可用选择设备类型# 初始化模型，并将其放置在指定的设备上# 定义批量大小# 定义训练轮数# 如果在'patience'轮中没有改进，则提前停止# 对于分类任务，我们使用交叉熵作为性能衡量标准# 初始化优化器，您可以自行调整一些超参数，如学习率。
Datawhale X 李宏毅苹果书 AI夏令营 Task-2
endact_00的博客
08-26 648
上图说明不同的 Loss 函数会影响训练的难易度;左图会一开始就stuck因为梯度很平坦, 右图有很明显的梯度,训练起来更稳定快速.A: 1, 2, 3 数字潜在也表达了他们之间的关系, 1和2 比较接近, 1和3 相差大, 这不能表达类别之间独立的关系;在梯度很小变化的方向上, 平方根越来越小, 导致更新突然爆炸, 跑到梯度变化大的地方, 然后又慢慢恢复到正轨上;Q: 当把模型输出的标量scaler(1, 2, 3) 当作类别处理可以吗?考虑到随着训练时间变长, 梯度总会慢慢变小, 因此可以。
Datawhale X 李宏毅苹果书 AI夏令营 学习笔记(一)
qq_51955445的博客
08-23 973
Datawhale X 李宏毅苹果书 AI夏令营 task1学习笔记，主要学习了深度学习中的鞍点、批量和动量的知识点
Datawhale X 李宏毅苹果书 AI夏令营 入门班Task2
wtby1234的博客
08-28 434
HardSigmoid 可以看作是两个修正线性单元（Rectified Linear Unit，ReLU）的加总，ReLU 的图像有一个水平的线，走到某个地方有一个转折的点，变成一个斜坡，此外，我们可以不只用一个特征 x1，可以用多个特征代入不同的 c, b, w，组合出各种不同的函数，从而得到更有灵活性（flexibility）的函数。输入的特征 x 乘上一个权重，再加上一个偏置就得到预测的结果，这样的模型称为线性模型（linear model）。2. 可以用Sigmoid 函数逼近这一个蓝色的函数。
Datawhale X 李宏毅苹果书 AI夏令营--＞task2
2402_86285986的博客
08-28 246
多层神经网络可用于回归拟合更复杂的函数，通过将前一层的输出值作为后一层的输入值，但同时过多的隐藏层也可能带来overfitting的问题，最好通过预测集与训练集的loss变换来选择合适的层数。每一段小曲线的拟合通常可用hard sigmoid函数去代替，hard sigmoid函数是分段的，整体形势为平坦——斜坡——平坦。一般的线形模型在拟合现实生活中的情况是作用很有限，如果方程是一个曲线，我们通常将它切割成尽可能多的小曲线去分段拟合。其中w,b是未知参数，需要我们去迭代计算。sigmiod函数是。
Datawhale X 李宏毅苹果书 AI夏令营(深度学习入门)taks2
m0_55703957的博客
08-24 827
这里我们先设未知参数，按行拼接后的一个长向量称为接下来要定义损失。之前是 L(w, b)，因为 w 跟 b 是未知的。现在未知的参数很多了，再把它一个一个列出来太累了，所以直接用 θ 来统设所有的参数，所以损失函数就变成 L(θ)。损失函数能够判断 θ 的好坏，其计算方法跟刚才只有两个参数的时候是一样的。先给定 θ 的值，即某一组 W, b,, b 的值，再把一种特征 x 代进去，得到估测出来的 y，再计算一下跟真实的标签之间的误差 e。把所有的误差通通加起来，就得到损失。接下来下一步就是优化。
Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班-task1
starlight078的博客
08-26 750
机器学习是人工智能的一个子领域，致力于开发算法和技术，使计算机能够自动从数据中学习和推断。与传统编程不同，机器学习依赖于从样本数据（即训练数据）中获取模式和规律，而不是通过硬编码规则。通过学习过程，模型可以预测或决策，无需明确编程指令。机器学习的三种主要类型监督学习：模型在有标注的训练数据上进行训练，学习输入与输出之间的映射关系。应用场景包括图像分类、语音识别等。无监督学习：模型在无标注的数据上进行训练，主要任务是发现数据的结构或模式，如聚类、降维等。典型应用包括市场分割、特征提取等。半监督学习。
Datawhale X 李宏毅苹果书 AI夏令营 入门班选修3
09-03
结果prediction
Datawhale X 李宏毅苹果书 AI夏令营 进阶班 选修笔记
09-03
运行结果
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
08-24
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
08-26
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
【人工智能学习之PaddleOCR快速上手】
Jiagym的博客
10-12 1210
在配置文件中，可以设置组建模型、优化器、损失函数、模型前后处理的参数，PaddleOCR从配置文件中读取到这些参数，进而组建出完整的训练流程，完成模型训练，在需要对模型进行优化的时，可以通过修改配置文件中的参数完成配置，使用简单且方便修改。而 L2 正则化中，添加正则化项的目的在于减少参数平方的总和。准确检测的标准是检测框与标注框的IOU大于某个阈值，正确识别的检测框中的文本与标注的文本相同。如果缺少带标注的数据，或者不想投入研发成本，建议直接调用开放的API，开放的API覆盖了目前比较常见的一些垂类。
DINO&DINO v2：颠覆自监督视觉特征表示学习
家鸽的代码屋
10-15 784
DINO系列学习总结
深度学习速通系列:中文命名实体识别（NER）数据集大全（含链接）
Ven%的博客
10-16 198
训练集8001条、验证集1000条、测试集1001条。：在清华大学开源的文本分类数据集THUCTC基础上进行细粒度命名实体标注，包含地址、书名、公司、游戏、政府、电影、姓名、组织机构、职位、景点等类别。：基于淘宝电商数据制作的NER数据集，包括商品名称、商品型号、人名、地名等类别。：基于新浪财经收集的上市公司高管简历，标注了国籍、教育背景、地名、人名、组织名、专业、民族、职称等8种实体。：由Boson提供，包含时间、地点、人名、组织名、公司名、产品名等类别，共2000个段落。
目标检测系统中需要【重新训练模型】说明
2401_85556416的博客
10-13 385
打开"ultralytics\cfg\datasets\SODA10M.yaml"文件。将SODA10M.yaml的第一行数据集路径修改为自己数据集路径。以【基于YOLOv8的车辆行人目标检测系统】训练为例进行说明。训练模型的权重保存路径在"runs\detect\train\weights"目录下。给出的项目中已包含训练好的模型以及训练的结果，可直接使用。（3）运行main_model_train.py程序。（1）如果环境还没有搭建好的，首先要搭建训练环境。（4）训练模型保存路径。
AI大模型带来哪些创业机遇？
最新发布
金木编程
10-16 199
低代码开发平台：创业者可以构建基于大模型的低代码或无代码平台，帮助用户快速生成应用程序、自动化工作流程，尤其是为中小企业提供高效的数字化转型方案。数据治理工具：帮助企业管理和优化大数据集，确保数据的质量、安全性和隐私保护，特别是在医疗、金融等对数据合规性要求较高的领域。自动化写作：为市场营销、新闻、广告、社交媒体等行业开发自动内容生成工具，帮助企业快速生成高质量的文案、广告词和新闻稿。AI 艺术生成：通过大模型生成数字艺术作品、视频剪辑、音乐，帮助创作者快速创作，并提供创意工具给个人和企业用户。
论文及其创新点学习cvpr2022 On the Integration of Self-Attention and Convolution
qq_53536373的博客
10-13 404
论文创新点，将注意力机制 和卷积 相结合。
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
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