![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python
文章平均质量分 65
颢师傅
这个作者很懒,什么都没留下…
展开
-
【DeepStream】基于英伟达DeepStream框架进行算法开发(一):GStreamer基础
在当今快速发展的人工智能和计算机视觉领域,英伟达的DeepStream框架提供了强大的工具和功能,帮助开发者快速部署和优化实时视频分析应用。本博客将重点介绍基于英伟达DeepStream框架进行算法开发的方法和技巧,包括如何利用DeepStream框架构建高效的算法模型、实现实时视频流处理和应用优化等内容。通过本博客的学习,读者将能够掌握在DeepStream框架下进行算法开发的关键技能,为自己的视频分析项目提供更加稳定和高效的解决方案。原创 2024-02-27 09:50:25 · 667 阅读 · 0 评论 -
【redis】redis系统实现发布订阅的标准模板
Redis发布订阅功能是Redis的一种消息传递模式,允许多个客户端之间通过消息通道进行实时的消息传递。在发布订阅模式下,消息的发送者被称为发布者(publisher),而接收消息的客户端被称为订阅者(subscriber)。在Redis中,发布者可以将消息发布到一个或多个频道(channel),而订阅者可以选择订阅感兴趣的频道以接收相关的消息。同时,一个订阅者也可以订阅多个频道。当有消息发布到已被订阅的频道时,所有订阅该频道的客户端都能够接收并处理这些消息。原创 2023-12-19 20:30:00 · 521 阅读 · 0 评论 -
【向量数据库】相似向量检索Faiss数据库的安装及余弦相似度计算(python)
在使用 Faiss 库进行人脸余弦相似度计算的应用中,通常会遵循以下步骤:特征提取:首先,需要使用人脸识别模型对人脸图像进行特征提取。这些特征通常是高维度的向量,代表了每张人脸图像的抽象特征。构建 Faiss 索引:将提取出的人脸特征向量构建成 Faiss 可以处理的索引结构。通常会选择使用内积(dot product)作为相似度度量方式,因为 Faiss 默认使用内积进行近似的余弦相似度计算。原创 2023-12-18 21:45:00 · 2075 阅读 · 0 评论 -
【redis】redis使用get及set功能,及发布订阅
【代码】【redis】redis使用get及set功能,及发布订阅。原创 2023-12-14 10:33:50 · 214 阅读 · 0 评论 -
【DQN】基于pytorch的强化学习算法Demo
DQN(Deep Q-Network)是一种基于深度神经网络的强化学习算法,于2013年由DeepMind提出。它的目标是解决具有离散动作空间的强化学习问题,并在多个任务中取得了令人瞩目的表现。DQN的核心思想是使用深度神经网络来逼近状态-动作值函数(Q函数),将当前状态作为输入,输出每个可能动作的Q值估计。通过不断迭代和更新网络参数,DQN能够逐步学习到最优的Q函数,并根据Q值选择具有最大潜在回报的动作。DQN的训练过程中采用了两个关键技术:经验回放和目标网络。原创 2023-11-24 08:59:33 · 616 阅读 · 1 评论 -
【optuna】将实验结果保存为excel
Optuna 是一个用于自动超参数优化的开源 Python 库。它提供了一个简单且灵活的接口,帮助你在机器学习和深度学习任务中优化算法的超参数。Optuna 的设计目标是使超参数优化过程更加高效和易用。它采用了一种基于序列化和并行化的策略,允许用户定义自己的目标函数,并在超参数搜索空间中动态地探索参数组合,以找到最佳的超参数配置。Optuna 的核心概念是 “Study” 和 “Trial”:Study(研究)是一个优化过程的最高级别实体。原创 2023-10-26 19:30:00 · 392 阅读 · 0 评论 -
【判别方法】模糊图像的拉普拉斯判别,C++及python版本
通过判断一组合格的图像,利用下列代码,得到所有图像的模糊值,取其中最小值作为模糊的阈值下限,在实际应用中,一旦超过该值,则认为图像清晰,小于该值,则认定图像模糊。原创 2023-08-22 17:42:49 · 529 阅读 · 0 评论 -
【pytorch】使用deepsort算法进行目标跟踪,原理+pytorch实现
在DeepSORT算法中,对于每一帧输入的目标检测结果,首先需要对其进行匹配,将其与之前跟踪的目标进行匹配,得到目标的标识信息以及当前帧中目标的位置和大小信息。如果不使用卡尔曼滤波进行预测,直接跟踪目标的位置和大小,可能会受到多种因素的影响,例如目标运动的加速度、噪声干扰等等,从而导致目标跟踪的不稳定,容易出现跟踪丢失或误判的情况。DeepSORT算法使用卡尔曼滤波进行预测的原因是,通过对目标运动状态的建模,能够更加准确地预测目标的未来位置,从而提高目标跟踪的准确性和鲁棒性。原创 2023-03-21 15:15:39 · 2540 阅读 · 0 评论 -
【pyinstaller】python应用程序在win10打包qt5相关程序成exe
PyInstaller是一个用于将Python程序打包为可执行文件的工具。它可以将Python程序打包为Windows、Linux、MacOS等平台的可执行文件,并且可以自动解决Python程序所需的依赖关系,使得打包后的可执行文件可以在没有Python环境的机器上运行。PyInstaller的主要功能有:将Python程序打包为可执行文件。自动检测并打包Python程序所依赖的库和模块。支持多平台,可以将Python程序打包为Windows、Linux、MacOS等平台的可执行文件。原创 2023-03-14 15:33:32 · 500 阅读 · 0 评论 -
【ubuntu】安装pytorch+anaconda的docker深度学习开发环境,并用Vscode远程访问
这个版本号是指CUDA的版本号。CUDA是NVIDIA开发的一种通用并行计算平台和编程模型,可以利用GPU的并行计算能力加速各种计算任务。此处的"11.7"是CUDA的版本号,不同的版本号代表着不同的CUDA版本,也可能需要使用不同的驱动程序版本来支持。这个版本号是指NVIDIA显卡驱动程序的版本号。显卡驱动程序是连接操作系统和显卡硬件之间的桥梁,它负责管理显卡的各种功能和性能。此处的"515.86.01"是驱动程序的版本号,不同的版本号代表着不同的驱动程序版本。这里的11.7 指的是可驱动的最高版本。原创 2023-03-10 15:08:33 · 831 阅读 · 0 评论 -
【pyqt】win10下使用pycharm安装并配置pyqt环境,并用其进行界面绘制
PyQt是一个基于Python语言的开源图形用户界面(GUI)框架,它是Qt跨平台应用程序框架的Python绑定,可以用于创建各种不同类型的应用程序。PyQt提供了丰富的类库和工具,可以方便地创建GUI应用程序,包括窗口、对话框、按钮、菜单、工具栏、列表框、树状列表等控件。PyQt具有以下特点:1.跨平台:PyQt程序可以在多个平台上运行,包括Windows、macOS、Linux等。2.易于学习:PyQt使用Python语言,语法简单易懂,易于学习和使用。原创 2023-03-08 10:15:49 · 649 阅读 · 0 评论 -
【python】c++头文件信息结构化打印
robotpy-cppheaderparser是一个基于CppHeaderParser的Python库,专门用于解析C++头文件。它提供了一些额外的功能,使其更易于使用,并且对于使用RobotPy的机器人程序员来说非常有用。以下是robotpy-cppheaderparser库的一些功能:解析C++头文件:robotpy-cppheaderparser可以解析C++头文件,并将其转换为Python对象,以便于使用。它支持解析类、成员变量、成员函数、枚举类型和其他内容。原创 2023-03-06 19:11:55 · 877 阅读 · 0 评论 -
【pytorch】使用mixup技术扩充数据集进行训练
mixup是一种数据增强技术,它可以通过将多组不同数据集的样本进行线性组合,生成新的样本,从而扩充数据集。mixup的核心原理是将两个不同的图片按照一定的比例进行线性组合,生成新的样本,新样本的标签也是进行线性组合得到。比如,对于两个样本x1和x2,它们的标签分别为y1和y2,那么mixup生成的新样本x’和标签y’如下:其中,λ为0到1之间的一个随机数,它表示x1和x2在新样本中的权重。原创 2023-03-06 10:33:54 · 5789 阅读 · 0 评论 -
【pytorch】利用泊松融合扩充深度学习图像分类的数据集
泊松融合(Poisson blending)的原理是将一张图像的一部分无缝融合到另一张图像中,保持融合部分的自然感觉。它利用了拉普拉斯方程的性质,将两幅图像的像素值作为边界条件,通过求解拉普拉斯方程得到融合后的图像。在深度学习中,可以利用泊松融合扩充数据集,例如将同一物体的不同角度、不同光照、不同背景等进行融合,从而得到更多的训练数据(例如yolo数据集)。在图片分类任务中,当两个图片属于不同类别时,进行泊松融合后的图片类别是难以确定的。原创 2023-03-03 16:57:23 · 990 阅读 · 0 评论 -
【pytorch】搭建带有注意力机制的图像分类网络,实现空间注意力
注意力机制是深度学习中重要的技术之一,它可以使模型在处理序列数据时,更加集中地关注重要的部分,从而提高模型的性能和效率。在自然语言处理和机器翻译等任务中,注意力机制已经得到广泛应用。在机器视觉领域,注意力机制也被广泛应用,特别是在图像分类、目标检测和图像分割等任务中。在这些任务中,注意力机制通常用来提高模型对关键区域的关注度,从而提高模型的准确性和鲁棒性。例如,在图像分类任务中,注意力机制可以帮助模型在图像中关注到更加重要的区域,从而提高分类的准确性。原创 2023-03-03 16:32:56 · 1560 阅读 · 0 评论 -
【pytorth】模型训练后导出至onnx
本文将主要介绍Pytorch模型训练后导出至onnx的过程,并介绍onnx的概念及其在Pytorch中的应用。通过本文,开发者可以更容易地理解onnx的概念,并学会如何将Pytorch模型导出至onnx。本文将主要介绍Pytorch模型训练后导出至onnx,并介绍onnx的概念及其在Pytorch中的应用。可以使用torch.onnx.export()函数将模型导出到ONNX格式,该函数接受一个Pytorch模型,一个输入张量列表和一个输出张量列表作为参数。原创 2023-02-09 01:14:49 · 1271 阅读 · 0 评论 -
【pytorch】基于pytorch和resnet18的图片二分类网络微调(Fine Tune)全过程
然后,我们将介绍resnet50模型的结构,以及如何使用pytorch的nn.Module模块来定义模型。最后,我们将介绍如何使用pytorch的nn.Module模块来定义模型,以及如何使用pytorch的optimizer模块来优化模型参数,以及如何使用pytorch的nn.Module模块来实现图片二分类网络微调(Fine Tune)的全过程。此外,Pytorch还提供了nn.Module模块,可以帮助开发者快速构建深度学习模型,以及optimizer模块,可以帮助开发者优化模型参数。原创 2023-02-08 00:26:20 · 2963 阅读 · 1 评论 -
【pytorch】图片分类问题处理一般数据集,使其满足torchvision.datasets.ImageFolder调用结构
对于简单的图像分类任务,并不需要自己定义一个 Dataset类,可以直接调用 torchvision.datasets.ImageFolder 返回训练数据与标签。数据集应满足pytorch的格式要求,即将数据集分割为训练集和测试集,并将数据和标签分别放入不同的文件夹;下面的函数,将人眼睁闭数据集转换为pytorch指定的结构;同时,应兼顾按比例划分训练集,测试集及验证集的需求。原创 2023-02-07 08:30:00 · 606 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行聚类:7种异常和新颖性检测方式
两者的区别在于,异常检测学习训练集中的中心特征,将部分边缘特征理解为异常值。新颖性检测,则是学习模式,并判断新数据是否属于该模式。新颖性检测的训练集中不含异常/新颖值,异常检测则相反。直观上说,PCA提取了数据的主要特征,如果一个数据样本不能被重构,则说明这个数据样本的特点和主要数据特征不一样,那么它就是一个异常样本。使用一个最小化的空间超球体包裹已知数据,新数据如果不在球体内部,则是新颖的。异常值通常比k个最近的邻居更孤立。是一种随机森林,相比于正常的数据,异常数据经过更少的步骤,即可与正常数据区隔开。原创 2022-10-04 04:25:28 · 1408 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行聚类:高斯聚类GaussianMixture
生成每个实例时,根据一组权重参数,先选取该实例所属集群的标签,根据标签从k个高斯分布中选取该集群对应的分布,然后再利用高斯分布采样出该实例,就完成了一个新实例点的生成。其中AIC不受实例的数目影响,BIC较AIC对精度的考虑低,对参数量的考虑多,能找出更精简的模型(实例m相当于对参数数量进行了加权)。BIC及AIC的值越小,代表模型越好,可见实例及参数越多,似然函数值越低,代表拟合精度越差,同时算法所用实例及参数越多。p为模型可学习参数量,m为实例数目,L为模型的似然函数最大值。原创 2022-10-04 03:05:34 · 2951 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行聚类:Kmeans聚类算法的应用及密度聚类DBSCAN
(4)由于远离中心的实例,可能含有噪声,并且特征不明显,所以将标签扩散至所有实例的方法,未必能很好的提升准确率,故选择一定的比例,将标签扩散至接近中心的实例。(3)其它实例按照接近中心点的程度,进行标签扩散操作。(2)找出最接近每个中心点的实例,进行人为标注。(1)使用聚类聚成n类,形成n个中心点。原创 2022-09-30 00:10:13 · 1087 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行聚类:Kmeans聚类算法及聚类效果评估
上述代码中, n_init=10为默认值,init="random"为随机选定的聚类中心,其不是默认值,默认情况下,kmeans对聚类中心的选择,是按某种概率分布,使初始聚类中心之间的间距尽可能远。当集群具有不同的大小、不同的密度或非球形时,K-Means的表现较差,K-Means算法重点考虑聚类半径,当聚类半径不同时,可以考虑高斯聚类,也因此在聚类前先要进行数据标准化或归一化。,先聚类,构造聚类模型,再将原始图片进行聚类操作,聚集出k类,新图片到来时,再用聚类模型对图片进行分类,返回最近类别的全部图片。原创 2022-09-27 01:36:31 · 3943 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行降维处理:流形学习及局部线性嵌入LLE及其它降维技术
PCA的最大特点是可以消除远数据中无用的维度,这是因为PCA是稀疏假设,如果原数据集无用的维度很少,降维会造成较高的信息损失。(如2维曲面在3维空间中卷曲,2维曲面的局部,可以视为是2维的。其思路为,取某实例点附近的若干点,将该实例点做若干点的线性表示,然后寻找可以最好地保留这些局部关系的低维表示形式。然后使用下式,下式中z为降维后x对应的实例,该式的精神是固定线性表示的权重,寻找新实例z的最佳位置。LDA的一个非常大的好处是,最适用于做分类问题的预处理步骤,它使不同的类之间的距离保持尽可能的远。原创 2022-09-26 01:53:15 · 717 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行降维处理:KPCA法及参数选择
针对KernelPCA,调整参数的值有两种方法,当PCA作为某算法一种预处理步骤时,以算法整体的性能指标,作为选择PCA参数的依据,这种方法最易于理解,下面算法展示的是,以核PCA作为降维预处理(先用核技术升至无穷维,再投影至2维),最后使用逻辑回归,对二维数据进行分类,衡量上述流程整体的准确率,以筛选PCA算法的参数。使用KPCA后,有可能将低维扭曲的实例在高维进行展开,便于进行投影操作。KPCA是核化的PCA。原创 2022-09-26 00:29:26 · 2180 阅读 · 0 评论 -
【机器学习】使用scikitLearn对数据进行降维处理:PCA法及增量训练
对于机器学习而言,降维意味着丢失原始数据的部分不重要的特征,从这个角度而言,降维使数据的信息丢失,会限制算法潜在的最高准确度,但对于某一种固定的算法,它有望在数据量恒定下,通过降维预处理提升算法的准确性,算法准确率是否获得提升,与数据集自己的特性高度相关。投影优劣的评判方法为:原始数据在经轴投影后,原始数据与投影数据求均方距离,该距离越小,投影效果越好,原始数据经投影后,丢失的信息越少。是指,高维数据沿某个轴进行垂直投影,投影后,原数据对应的该轴维度消失,达到对数据进行降维的效果。原创 2022-09-25 16:46:31 · 1090 阅读 · 0 评论 -
【机器学习】集成学习:scikitLearn实现AdaBoost及梯度提升GradientBoosting,及XGBT库
举个例子,在以前没有权重时(其实是平局权重时),一共10个点时,对应每个点的权重都是0.1,分错1个,错误率就加0.1;经过第一轮训练,数据权重重置后,还是10个点,权重依次是[0.01,0.01,0.01,0.01,0.01,0.01, 0.01,0.01,0.01,0.91],如果分错了第1一个点,那么错误率是0.01,分错了最后一个点,那么错误率就是0.91。上图中,单个预测模型的权重为αj,此值为模型的权重而非数据的权重,当预测其预测越准时,其取值越大;上式来看,分类器预测错误越多,rj的值越大。原创 2022-09-18 19:07:07 · 647 阅读 · 0 评论 -
【机器学习】集成学习:使用scikitLearn中的RandomForestClassifier及RandomForestRegressor实现随机森林
(1)组合BaggingClassifier以及DecisionTreeClassifier,通过bagging及pasting方法建立综合预测模型。(2)使用RandomForestClassifier类,对于回归则有RandomForestRegressor。,而不是搜寻到的最优阈值,可以进一步使随机森林随机化。这种产生决策树的方式为Extra-Trees,极端树。特征,相当于施加了某种正则化,以单个预测模型更高的偏差,换取整体更低的方差。在scikitLearn中,随机森林有两种实现方法,原创 2022-09-18 13:50:28 · 1086 阅读 · 0 评论 -
【机器学习】集成学习:使用scikitLearn中的BaggingClassifier实现bagging和pasting策略
上述代码集成了500棵决策树的预测结果,每次训练模型随机采样100个实例进行训练,当预测模型自身带有可供概率预测的方法时,如含predict_proba()方法时,BaggingClassifier分类器将做软投票,否则使用硬投票的方法完成分类。特别注意,当使用bagging时,由于抽样后被放回(bootstrap=True),有些实例被放回,而有些实例从未被使用,这部分实例比例固定约占30%,这部分未被使用实例被称为“包外实例”,可使用这部分实例进行包外评估,代替测试集对模型进行评估。原创 2022-09-17 18:06:04 · 817 阅读 · 0 评论 -
【机器学习】集成学习:使用scikitLearn中的VotingClassifier综合多个不同模型进行软硬投票
集合一组预测器的预测结果,得出最终预测结果,即为集成学习。原创 2022-09-16 19:58:16 · 1412 阅读 · 0 评论 -
【机器学习】使用scikitLearn进行决策树分类与回归:DecisionTreeClassifier及DecisionTreeRegressor
min_samples_split(分裂前节点必须有的最小样本数)、min_samples_leaf(叶节点必须有的最小样本数量)、min_weight_fraction_leaf(与min_samples_leaf一样,但表现为加权实例总数的占比)、max_leaf_nodes(最大叶节点数量),以及max_features(分裂每个节点评估的最大特征数量)。决策树是一种无参数模型,事先不知道参数的个数,如果不对决策树进行正则化处理,则决策树很容易对数据过拟合。,起到平衡作用,将使模型正则化。原创 2022-09-16 18:47:33 · 1193 阅读 · 0 评论 -
【机器学习】使用scikitLearn进行SVM支持向量机进行回归
关于epsilon参数:越大虚线范围越宽。如果不确定,使用默认值0.epsilon越大,模型泛化能力越好,其值与预测值的大小相关。如果将分类用SVM算法的优化目标反转,使尽可能多的数据集实例出现在虚线中部,同时减少虚线外出现实例的数量。该模型为epsilon不敏感,在固定epsilon的情况下,在虚线内添加更多实例,不改变回归结果。在固定epsilon的情况下,C值越大,对错分情况非惩罚越大,泛化性越差。原创 2022-09-16 07:30:25 · 1271 阅读 · 0 评论 -
【机器学习】使用scikitLearn进行SVM支持向量机非线性分类
该算法不支持核技巧,不过它与训练实例的数量和特征数量几乎呈线性相关:其训练时间复杂度大致为O(m×n)。实际上,核函数有很多,不同核函数可以适应不同领域的数据集,一般从线性核函数开始进行尝试,LinearSVC比SVC(kernel=“linear”)快得多。这种方法的特点是,先选地标,一般将每个原实例设为一个地标,这样原先m个实例变成m个地标,每个地标变成转换后的一个新特征,即新数据实例集转换为m个特征。采用高斯径向基函数(RBF)作为相似函数,计算相似特征替代原特征,再以新特征进行分类。原创 2022-09-16 07:03:28 · 486 阅读 · 0 评论 -
【机器学习】使用scikitLearn进行SVM支持向量机线性分类
铰链损失函数比0,1损失函数更细节化,决策函数大于0,在0至1之间时,虽然预测正确,也有损失,越接近1,损失越小,超过1时,损失为0;当C值很大时,间隔比较窄,C值很小时,间隔比较宽,泛化能力更好,相当于进行了正则化处理,体现了方差与偏差的权衡。当任何实例,都不出现在上图两虚线之中,这种分类,成为硬间隔分类,硬间隔分类对个别的异常支持向量值敏感。总体而言,C值越小,允许的错分数越多,泛化能力越强。图中黑色线为0,1损失,预测错时,损失为1,正确时没有损失。,与虚线外的其它值无关。,数据集的分类结果,原创 2022-09-15 22:54:03 · 991 阅读 · 0 评论 -
【机器学习】使用scikitLearn可视化混淆矩阵进行分类误差分析
如图所示,越亮的色块错误越多,如真值5被错分为真值8的情况最多,可通过对图像进行预处理,或对5及8样本数增广的形式,提高对应分类的正确率。图中颜色越白的区域,图片越多。对角线上是被正确分类的图片。原创 2022-09-13 19:06:37 · 657 阅读 · 0 评论 -
【机器学习】逻辑回归logit与softmax
原理很简单:给定一个实例x,Softmax回归模型首先计算出每个类k的分数sk(x),然后对这些分数应用softmax函数(也叫归一化指数),估算出每个类的概率。与线性回归模型一样,逻辑回归模型也是计算输入特征的加权和(加上偏置项),但是不同于线性回归模型直接输出结果,它输出的是结果的数理逻辑值。所以如果是正类,逻辑回归模型预测结果是1,如果是负类,则预测为0。上述函数保证了如果正类的概率值被判定接近0,及负类的概率接近1,成本函数的值都会非常高。交叉熵的值越小,y和y预测这两个分布间越接近。原创 2022-09-13 01:28:06 · 1178 阅读 · 0 评论 -
【机器学习】scikitLearn正则化l1,l2,提前停止
*λ的增加会导致更平坦(即不极端,更合理)的预测,从而减少了模型的方差,但增加了其偏差。正则项是岭和Lasso正则项的简单混合,你可以控制混合比r。当r=0时,弹性网络等效于岭回归,而当r=1时,弹性网络等效于Lasso回归。对于梯度下降这一类迭代学习的算法,还有一个与众不同的正则化方法,就是在验证误差达到最小值时停止训练,该方法叫作提前停止法。将线性摸中系数的平方项添加至成本函数,如均方误差,这迫使学习算法不仅拟合数据,而且还使模型权重尽可能小。注意,Lasso回归的λ要更小一些,以匹配更小的参数。原创 2022-09-12 22:03:42 · 480 阅读 · 0 评论 -
【机器学习】欠拟合及过拟合与学习曲线、误差来源
但是应注意到,验证集和训练集曲线间还有相当的距离,而两者的模型是一致的,这反映出过拟合的特性,因为数据量的差异,使得相同模型在训练集和验证集上的误差有较大差异,当继续增加数据集数量时,两条曲线会继续接近,直到接近重合。如图所示,当参与训练的数据量很小的时候,模型可以轻易拟合训练集,但是对于测试集,呈现欠拟合装。平稳时最小误差的大小,是由模型的选型决定的。进一步,训练集及验证集误差接近,均不为0,体现了一种由模型自身局限性引起的欠拟合状态。即,对于过拟合的模型,增加数据集数量,可以进一步减少模型误差。原创 2022-09-12 17:50:04 · 697 阅读 · 0 评论 -
【机器学习】模型训练:scikitLearn线性模型的公式法与三种梯度下降法求解
独立同分布(Independent Identically Distribution)在概率统计理论中,指随机过程中,任何时刻的取值都为随机变量,如果这些随机变量服从同一分布,并且互相独立,那么这些随机变量是独立同分布。假设这个最接近b的向量是Ax*(其中x* 就是最优的参数解),那么,向量b和向量Ax*之间的距离应该是最小的。求一个近似的x*,使b和Ax*各项的差的平方的和最小。,在计算梯度下降的每一步时,都是基于完整的训练集X的。m是训练实例的数量,n是特征的数量,特征是方程的参数。原创 2022-09-09 21:00:00 · 728 阅读 · 0 评论 -
【机器学习】scikitLearn分类:鉴别二分类、多分类、多标签及多输出的分类任务
传统的多标签分类任务,将标签分开,有几个标签,就建立几个分类器,再将预测结果拼合,深度学习时,需在输出端设置标签个数的输出节点,再给每个结点接sigmoid函数,设置阈值进行判断。预测10个类,同时训练10个分类器,预测每个实例是否为某个类别,取10个分类器中得分最高的类别,作为最终类别,进行输出。在多标签的基础上,每个标签,也可以看成是输出,有多个可能出现的值,如一共有3个标签需要输出,每个标签值的取值范围是0至255.将对象群中的每个实例分到多个类别,超过2个,叫做多元分类。原创 2022-09-09 21:45:00 · 1594 阅读 · 0 评论 -
【机器学习】分类任务以mnist为例,数据集准备及预处理
【代码】【机器学习】分类任务以mnist为例,数据集准备及预处理。原创 2022-09-04 20:25:02 · 1086 阅读 · 0 评论