![](https://img-blog.csdnimg.cn/20190918140053667.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
基础知识
文章平均质量分 84
深度学习基础
ch206265
这个作者很懒,什么都没留下…
展开
-
卷积的三种模式full, same, valid以及padding的same, valid
原文链接:https://zhuanlan.zhihu.com/p/62760780作者:最刚烈一、以下展示卷积三种模式的不同之处其实这三种不同模式是对卷积核移动范围的不同限制。设 image的大小是6x7,filter的大小是3x3。1 full mode橙色部分为image, 蓝色部分为filter。full模式的意思是,从filter和image刚相交开始做卷积,白色部分为填0。filter的运动范围如图所示。2 same mode当filter的中心(K)与ima转载 2021-03-29 12:44:27 · 1665 阅读 · 0 评论 -
归一化 (Normalization)、标准化 (Standardization)和中心化/零均值化 (Zero-centered)
1 概念 归一化:1)把数据变成(0,1)或者(1,1)之间的小数。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。2)把有量纲表达式变成无量纲表达式,便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。 标准化:在机器学习中,我们可能要处理不同种类的资料,例如,音讯和图片上的像素值,这些资料可能是高维度的,资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平转载 2021-01-21 09:29:42 · 1422 阅读 · 1 评论 -
scikit-learn的Estimator、Transformer、Pipeline、Preprocessing、Decomposition、Metrics、Cross validation等
scikit-learn基础介绍估计器(Estimator)可以直接理解成分类器主要包含两个函数:fit(x,y) 和 predict(x),分别是训练和预测算法模型流程:# 拟合模型model.fit(X_train, y_train)# 模型预测model.predict(X_test)# 获得这个模型的参数model.get_params()# 为模型进行打分model.score(data_X, data_y) 线性回归from skl..转载 2020-10-09 10:53:45 · 677 阅读 · 0 评论 -
python中如何保存并使用训练好的模型并调用
原文链接:https://jingyan.baidu.com/article/09ea3edec0b3ad81aede3996.html转载 2020-10-07 16:30:46 · 13491 阅读 · 0 评论 -
神经网络基本类型
原文链接:https://www.cnblogs.com/chamie/p/5579884.html神经网络基本类型神经网络的基本类型与学习算法:目前已有的数十种神经网络模型,按网络结构划分可归纳为三大类:前馈网络、反馈网络和自组织网络。前馈神经网络则是指神经元分层排列,分别组成输入层、中间层和输出层。每一层的神经元只接受来自前一层神经元的输入,后面的层对前面层没有信号反馈。输入模式经过各层的顺序传播,最后在输出层上得到输出。这类网络结构通常适于预测、模式识别及非线性函数逼近,一般典型的前向转载 2020-08-26 16:22:36 · 1192 阅读 · 0 评论 -
在训练模型model.compile()中计算loss的常用函数都有哪些?
http://www.ifunvr.cn/180.htmlhttps://www.cnblogs.com/smuxiaolei/p/8662177.html目标函数,或称损失函数,是网络中的性能函数,也是编译一个模型必须的两个参数之一。由于损失函数种类众多,下面以keras官网手册的为例。在官方keras.io里面,有如下资料: mean_squared_error或mse mean_absolute_error或mae mean_absolute_percentage转载 2020-08-11 15:04:04 · 5798 阅读 · 0 评论 -
keras如何获取中间层的输出(Sequential、Functional两种情况下)
keras如何获取中间层的输出ExampleKeras中英文文档中有详细连接,参照:如何获取中间层输出?Example构建模型from keras.models import Modelfrom keras.layers import Input,Dense,Permute,Flatteninputs_v = Input(shape=(2,5))model_v = Permute((2, 1))(inputs_v)flatten = Flatten()(model_v)ou转载 2020-07-27 11:50:02 · 2923 阅读 · 0 评论 -
多通道cnn+lstm+dense复杂网络测试(附单通道效果对比)
对于时序数据or图像,不同的filters、kernel_size、strides意味着输出不同的高维特征。 同一份数据,如何增强网络的表达能力。使得更宽的网络能达到相较深度网络更好的结果?这是本篇文章需要解决的问题。数据说明见上篇文章 https://www.jianshu.com/p/21b96d597367网络结构# 定义多通道特征组合模型def build_multi_cr_lstm_model(ts, fea_dim): # 定义输入 inputs = Inp.转载 2020-07-08 19:17:53 · 4910 阅读 · 0 评论 -
pytorch必须掌握的4种边界Padding方法
卷积操作作为卷积神经网络的核心模块,在其计算过程中必须考虑图像“边缘像素”的卷积方式。查阅资料发现,我们可以采用“卷积之前进行边界填充”或“卷积之后进行边界填充两种方式”,同时边界填充的具体手段包含常量填充、零填充、镜像填充以及重复填充等。在具体分析各种Pad之前,先创建一个2dTensor用于测试后面的填充操作:x = torch.Tensor([[1, 2], [3, 4]])创建的Tensor数值分别1、2、3、4:1、零填充ZeroPad2d我们最常用的是nn....转载 2020-07-06 16:17:41 · 3066 阅读 · 0 评论 -
LSTM中的batch_size到底是什么
真正的LSTM输入数据并不是按照原始数据这样的顺序输入网络的,(数据太多,没展示完。。)而是根据time_step=n将数据重构成下列形式进行输入的。这个案例中n=30,可以看到:第一行数据就是按照t排列的前30条数据,y也就是预测值是第31条数据。依次类推……"""此为generate_data_by_n_days构建好的数据格式 c0 c1 c2 c3 ... c27 c28 c29 y.原创 2020-07-02 17:30:26 · 13832 阅读 · 2 评论 -
机器学习中分类和回归模型的评价指标
分类算法的效果评估1,准确率accuracy_scorefrom sklearn.metrics import accuracy_score2,精确率/查准率precision_scorefrom sklearn.metrics import precision_score分为宏平均(macro)和微平均(micro),宏平均比微平均更合理。metrics.precision_score(y_true, y_pred, average='micro')metrics.precisio...转载 2020-07-01 08:42:36 · 2710 阅读 · 0 评论 -
关于交叉验证
1、机器学习之K折交叉验证 - 吉什么的文章 - 知乎 https://zhuanlan.zhihu.com/p/38121870注意:cross_val_score() 传入的 X 和 y 是原始特征和标签,而非经过 train/test split 的训练集。划分过程由 cross_val_score() 函数内完成。2、Cross-validation: evaluating estimator performance 3、Plotting Cross...原创 2020-06-17 21:45:06 · 1105 阅读 · 0 评论 -
Pytorch中RNN LSTM的input(重点理解batch_size/time_steps)
原文链接:Pytorch中如何理解RNN LSTM的input(重点理解seq_len/time_steps) - 阿矛布朗斯洛特的文章 - 知乎在建立时序模型时,若使用keras,我们在Input的时候就会在shape内设置好sequence_length(后面均用seq_len表示),接着便可以在自定义的data_generator内进行个性化的使用。这个值同时也就是time_steps,它代表了RNN内部的cell的数量,有点懵的朋友可以再去看看RNN的相关内容:CSDN-专业IT技术社区-登转载 2020-06-27 10:46:07 · 7749 阅读 · 4 评论 -
初识神经网络中的各种层和神经网络结构
所谓激励,实际上是对卷积层的输出结果做一次非线性映射所谓池化(欠采样或下采样),主要用于特征降维,压缩数据和参数的数量,减小过拟合经过前面若干次卷积+激励+池化后,终于来到了输出层...原创 2020-06-25 21:58:05 · 11988 阅读 · 0 评论