- 博客(11)
- 收藏
- 关注
RSS订阅原创 CV语义分割-地表建筑物识别-task5模型训练与验证
一、学习目标• 理解验证集的作用，并使用训练集和验证集完成训练• 学会使用 Pytorch 环境下的模型读取和加载，并了解调参流程二、数据准备通常的数据构造分为如下几种：• 训练集（Train Set）：模型用于训练和调整模型参数；• 验证集（Validation Set）：用来验证模型精度和调整模型超参数；• 测试集（Test Set）：验证模型的泛化能力。对于获取到的训练数据可以使用如下方法分为训练集、验证集、测试集：1，留出法2，交叉验证法3，自助采样法三、模型训练与验证tr
2021-03-05 00:04:18
292
3
原创 CV语义分割-地表建筑物识别-task4 评价函数和学习
一、学习目标• 掌握常见的评价函数和损失函数 Dice、IoU、BCE、Focal Loss、Lovász-Softmax；• 掌握评价/损失函数的实践；二、各个评价函数练习1，dice 与 dice lossimport numpy as npdef dice(output, target): '''计算Dice系数''' smooth = 1e-6 # 避免0为除数 - intersection = (output * target).sum() retur
2021-03-01 23:51:51
198
原创 CV语义分割-地表建筑物识别-task3 语义分割模型学习
学习目标• 掌握语义分割模型的原理和训练过程；• 掌握语义分割模型的发展脉络；• 掌握语义分割模型的使用；语义分割模型分类FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、GAN 语义分割最常用的是：segmentation_models_pytorch 库来调用安装方法：pip install segmentation-models-pytorch调用方法：import segmentation_models_pytorch as smpmode
2021-02-27 01:03:37
177
原创 CV语义分割-地表建筑物识别-task2 数据扩增
CV语义分割-地表建筑物识别-task2 数据扩增一、学习目标• 理解基础的数据扩增方法• 学习 OpenCV 和 albumentations 完成数据扩增• Pytorch 完成赛题读取二、数据扩增方法梳理三、扩增练习1，基于opencv的几何变换plt.imshow(cv2.flip(img, 0)) ##垂直翻转plt.imshow(cv2.flip(img, 1)) ##水平翻转x, y = np.random.randint(0, 256), np.random.ra
2021-02-24 00:17:50
289
原创 CV语义分割-地表建筑物识别-task1 赛题理解
CV语义分割-地表建筑物识别-task1 赛题理解比赛地址：比赛地址开源内容：开源内容1，学习目标• 理解赛题背景和赛题数据• 完成赛题报名和数据下载，理解赛题的解题思路2，数据标签RLE的意义RLE 全称（run-length encoding），翻译为游程编码或行程长度编码，对连续的黑、白像素数以不同的码字进行编码。RLE 是一种简单的非破坏性资料压缩法，经常用在在语义分割比赛中对标签进行编码。可以理解为：用2个字节为最小单位进行压缩，第一个字节最高位表示重复还是非重复数据，低7bit表
2021-02-21 00:14:54
181
原创 Macbook m1芯片版本怎么安装tensorflow2.0和pytorch1.8
MACbook m1芯片怎么安装tensorflow和pytorch秀一下最终结果环境准备安装conda创建tensorflow虚拟环境tensorflow测试代码完成tensorflow安装后再次搭建pytorch虚拟环境秀一下最终结果环境准备从Python官网下载支持Apple Silicon的版本https://www.python.org/downloads/mac-osx/2，完成后按默认条件安装即可。在终端输入python3，可看到您下载的Python版本安装conda1，
2021-02-18 23:23:38
6462
18
原创 零基础入门金融风控之模型融合
学习目标将之前建模调参的结果进行模型融合，并尝试多种融合方案融合方法1，平均法2，投票法3，综合法4，stacking5, blending6, boosting/bagging待补充详细
2020-09-28 08:58:15
185
原创 零基础入门金融风控之建模与调参
1 学习目标学习在金融风控领域常用的机器学习模型学习机器学习模型的建模过程与调参流程2 如何建模一，了解通用的几个模型：逻辑回归模型、决策树模型、集成GBDT模型（随机森林、XGBOOST、LightGBM、CatBOOST）逻辑回归优点a. 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；b. 简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；c. 适合二分类问题，不需要缩放输入特征；d. 内存资源占用小，只需要存储各个维度的特征值；缺
2020-09-24 23:46:09
942
1
原创 零基础入门金融风控之特征工程
1、学习目标学习特征预处理、缺失值、异常值处理、数据分桶等特征处理方法学习特征交互、编码、选择的相应方法完成相应学习打卡任务，两个选做的作业不做强制性要求，供学有余力同学自己探索2、特征处理数据预处理：a. 缺失值的填充b. 时间格式处理c. 对象类型特征转换到数值异常值处理：a. 基于3segama原则b. 基于箱型图数据分箱a. 固定宽度分箱b. 分位数分箱离散数值型数据分箱连续数值型数据分箱c. 卡方分箱（选做作业）特征交互a. 特征和特征之间组
2020-09-21 23:33:14
120
原创 机器学习之零基础入门金融风控---贷款违约挑战赛（数据分析）
机器学习之零基础入门金融风控—贷款违约挑战赛一、本期目标数据总体了解：a. 读取数据集并了解数据集大小，原始特征维度；b. 通过info熟悉数据类型；c. 粗略查看数据集中各特征基本统计量；缺失值和唯一值：a. 查看数据缺失值情况b. 查看唯一值特征情况深入数据-查看数据类型a. 类别型数据b. 数值型数据离散数值型数据连续数值型数据数据间相关关系a. 特征和特征之间关系b. 特征和目标变量之间关系用pandas_profiling生成数据报告#二、针对特征数据进行分析
2020-09-18 23:14:09
265
原创 机器学习之零基础入门金融风控--贷款违约挑战赛
机器学习之零基础入门金融风控–贷款违约挑战赛一、赛题理解迅速阅读一遍官方文档，作为小白开始机器学习需要找到每个阶段的目标，目前还需要学习哪些新知识点，初步识别到如下几个：二、指标解释这个赛题主要的评分指标ROC曲线，大家细细品为啥固定的数据，得出固定的（TPR，FPR）对应到图上是一个点，怎么能称之为曲线呢？ROC解释的地址：https://segmentfault.com/a/1190000016686335（我们讨论认为使用不同模型进行预测导致TPR与FPR的计算结果不一致，才能绘制出
2020-09-15 22:44:49
245
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