- 博客(16)
- 收藏
- 关注
RSS订阅原创 【学习日记】《深入浅出：图神经网络》：第四天---表示学习
表示学习表示，通俗的理解就是特征。表示学习是指可以自动的从数据中去学习“有用”的特征，并可以直接用于后续的具体任务的方法。 1. 表示学习 1.1 表示学习的意义机器学习算法的性能严重依赖于特征，因此在传统机器学习中，大部分的工作都在于数据的处理和转换上，以期得到好的特征使得机器学习算法更有效。这样的特征工程是十分费力的，因为这种方法没有能力从数据中去获得有用的知识，而特征工程的目的则...
2020-01-13 15:55:45
3078
6
原创 【学习日记】《深入浅出：图神经网络》：第三天---卷积神经网络
卷积神经网络 1. 卷积与池化 1.1 图像中的卷积我们以图像为例来直观的理解卷积。计算机中的图像通常都是按照像素点以离散的形式存储的，可以用一个二维或三维的矩阵来表示。假设对于一个二维的图像X∈R^ (HxW)，卷积核为G∈R ^ (kxk)，通常K为奇数。则有，先将卷积核旋转180度，然后在输入中的对应位置取一个大小为k*k的区域，与旋转后的卷积核求内积，得到对应位置的输出。 1....
2020-01-13 10:10:52
1564
原创 【学习日记】《深入浅出：图神经网络》：第二天---神经网络基础
神经网络基础 1. 机器学习基本概念 1.1 机器学习分类根据训练数据是否带有标签，可以分为：监督学习指的是训练数据中每个样本都有标签，通过标签可以指导模型进行学习，学到具有判别性的特征，从而对未知样本进行预测。无监督学习指的是训练数据完全没有标签，通过算法从数据中发现一些数据之间的约束关系，比如数据之间的关联、距离关系等。半监督学习指的是介于监督学习与无监督学习之间...
2020-01-10 10:33:01
3238
2
原创 【学习日记】《深入浅出：图神经网络》：第一天---图的概述
图的概述 1. 图的基本定义图由顶点（Vertex）以及连接顶点的边（Edge）构成。其中，顶点表示研究的对象，边表示两个对象之间特定的关系。图可以表示为顶点和边的集合，记为G=（V，E）同时，我们设图G的顶点数为N，边数为M。 1.1 图的基本类型可以分为：有向图和无向图加权图和非加权图连通图和非连通图二部图其中，二部图指的是：我们将G中的顶点集合V拆分成两个子集A和B，...
2020-01-09 16:35:14
2756
1
原创 【经验】关于安装pytorch的那点事
关于安装pytorch的那点事今天心有所感，福灵心至。掐指一算，嗯，是个学习的好日子，就掏出了我吃灰了快半年的pycharm，想要学点有用的东西。学深度学习，一个好的深度学习库是必不可少的，之前一直在用keras，最近一直听师兄念叨pytorch是多么多么的强无敌，有点心痒，想着就搞来看看。不过我是真的没想到，安装个简简单单的库会出这么多幺蛾子。1. 利用pycharm直接安装pytorc...
2020-01-08 12:42:28
632
原创 【心得】图卷积神经网络（GCN）的简单介绍
图卷积神经网络（GCN）的简单介绍1. 什么是GCN图卷积神经网络是一种能对图数据进行深度学习的方法。简单的说，GNN就是其研究的对象是图数据（Graph），研究的模型是卷积神经网络。2. 为什么使用GCN与传统方法相比，深度学习的效率更高，而卷积神经网络作为深度学习的最成功的应用之一，其主要限制在于Euclidean data。什么是Euclidean data？ Euclidean...
2020-01-07 15:46:47
3788
1
原创 【心得】如何选定batch_size
如何选定batch_size1. batch是什么2. 选择范围3. 一些技巧在调参的过程中，batch_size这个参数是很多人最先定下的，而如何选定这个参数，绝对算得上是一门艺术。1. batch是什么这是一个最基本的概念，所谓batch即每一次传进模型的样本量。那么，理所当然的，我们就有三种不同的思路：可以一次将数据集中所有数据喂给网络可以一次喂一个样本每次喂一部分数据，喂多...
2019-08-13 12:23:37
1233
原创 【新手向】keras如何计算top5
keras中，如何计算top51. 什么是top52. keras中如何计算top51. 什么是top5top5 的全称应该是top5 accuracy。它一般是用于多分类问题中的，假定有10个类，那网络最终会给出10个值，分别代表样例是对应类的几率，最终将几率按从大到小排序。我们一般认为，样例对应的类的几率最大，则认为网络对该样例的分类是正确的，即val_acc，亦可以叫做top1。而...
2019-08-12 15:35:58
1952
原创 【心得】keras中，方便好用的回调函数
回调函数（callbacks）我们在训练模型的时候，往往会有这样一种状况：明明只需要训练20个迭代就可以收敛，但是由于设置的epochs = 100，之后的80次迭代的任务完全没有意义，而且浪费了大量的时间！或许有人会说，时刻关注着val_acc就好，但现实是，在实际任务中，每一次的迭代时间有可能长达数百分钟，想要一天到晚盯着模型是不现实的。这时候，就需要callbacks出场了。回调函数...
2019-08-12 15:19:56
442
原创 【经验】keras中处理数据不平衡问题的方法
处理数据不平衡问题1. 传统方法1.1 随机过采样1.2 欠采样1.3 数据合成2. 利用keras中的fit方法里的参数2.1 class_weight2.1.1 利用sklearn.utils.class_weight来计算权重2.1.2 计算total_num/sample_num*t来设置权重2.2 sample_weight2.3 注意的点1. 传统方法1.1 随机过采样随机过采样...
2019-08-02 17:22:12
7817
3
原创 【心得】有关使用预训练网络构建模型的两种思路
有关使用预训练网络构建模型的两种思路最近做了一些通过Pre-train 与 Fine-tuning的实际案例，通过查阅资料，尤其是《Deep Learning With Python》这本宝书，发现了一些很有趣的思路，特来此分享一下。以keras已经封装好的ResNet50为例，我们首先实例化一个卷积基。from keras.applications.resnet50 import ResN...
2019-07-31 09:00:21
888
1
原创 【新手向】关于github工程的建立，上传，下载和删除操作
GitHub的基本操作1.简介GitHub2.创建一个新的工程3.上传文件4.下载他人分享的代码5.删除自己的工程1.简介GitHub我们可以从官网上找到有关GitHub的介绍：GitHub是一个基于网站和云的服务，可以帮助开发人员存储和管理他们的代码，以及跟踪和控制对代码的更改。是不是听得很晕？哈哈，其实作为一名新手，只要将GitHub当做一个代码的分享平台就好，你可以把自己写的工程上传...
2019-07-30 10:48:03
676
原创 【总结】keras下，利用VGG16和resnet50预训练模型，完成多类别动物图片分类任务（下）
多类别动物图片分类任务（下）在最后，我们将在之前完成模型的基础上，利用模型微调，来进一步提高val_acc。查看ResNet50的模型结构想要进行模型微调，前提自然是知道我们可以调整那些层，关于这一点，我们可以利用summary函数来实现。代码实现model.summary()模型层次Layer (type) Output Shape ...
2019-07-29 19:10:36
2936
5
原创 【总结】keras下，利用VGG16和resnet50预训练模型，完成多类别动物图片分类任务（中）
多类别动物图片分类任务（中）在前半部分，我们已经完成了前两大步，并决定使用ResNet50预训练网络来训练模型。那么接下来，就让我们引入keras中已经封装好的ResNet50预训练网络参数。ResNet50的引入代码实现base_model = ResNet50(weights='imagenet', include_top=False,...
2019-07-29 18:48:03
4978
原创 【总结】keras下，利用VGG16和resnet50预训练模型，完成多类别动物图片分类任务（上）
多类别动物图片分类任务（上）在学习了大约2周的机器学习和深度学习的基础知识，并跑了十多个模型之后，老师给我布置了一项真正的任务，利用已经收集到的图片信息，构建并训练模型，一期目标使得精度达到84%，二期目标使得精度达到90%。一开始并没有认识到，真正的实际数据会和demo中最后的结果差距如此之大，使得自己消沉了一段时间，不过经过将近15天的努力，总算是完成了任务，亦有所收获。故，在此把我这段...
2019-07-29 17:46:37
4120
2
原创 【新手向】常用的Linux命令行指令
**常用命令总结**最近因为学习需要，开始在实验室的服务器上训练模型，由于服务器是Ubuntu的系统，一些命令行指令用起来能让整个操作更加流畅，特来此记录一下。服务器连接一般服务器的远程连接使用的是ssh指令，例如：ssh userName@serverAddress激活环境由于是基于python的开发，为图方便，安装环境选用的是anaconda，安装完毕后需要创建环境，之...
2019-07-24 11:50:39
510
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