深度学习
文章平均质量分 85
醪糟小丸子
这个作者很懒,什么都没留下…
展开
-
一文读懂朴素贝叶斯分类算法
因为毕业论文是和贝叶斯理论相关的内容,今天恰巧看到一篇朴素贝叶斯分类算法的文章,写的非常通俗易懂,再结合另外一篇CNN的文章,能帮助自己的理解原创 2021-06-16 20:06:11 · 2071 阅读 · 13 评论 -
几个免费的在线目标检测网站
老师最近布置了一个作业是找一些免费的在线目标检测网站,然后室友同学找了一天没找到,我也没有,哈哈哈。本来觉得这个作业完成不了了。然后试探性的问了下我研究nlp的高中同学,不愧是学霸,下午问的,晚上就给我找了两个。1.https://www.studiodiip.com/2019/12/12/studio-diip-presents-computer-vision-demo/这个网站可以直接打开用效果:2.http://i-learn-machine-learning.science/原创 2020-05-13 17:22:15 · 5837 阅读 · 2 评论 -
模型评估(训练集、验证集、测试集)
机器学习的目标就是得到一个泛化能力好的模型,即模型不但在已给定的数据(训练数据)上性能表现良好,而且在没有见过的数据(测试数据)上也能达到同样的效果。通常在评估模型的时候,我们看到的只有训练集和测试集,但实际上,我们应将数据集划分为三个集合:训练集、验证集、测试集。训练集自然是用来训练模型的,当一个模型训练好后,我们可以知道该模型在训练集上的表现,但是不知道在其他数据(全新数据)上是什么样的,于是就可以通过验证集来评估模型性能,然后再对模型做进一步的调节(调节本身就是学习的过程),也就是所谓的调参(超参原创 2020-08-15 17:56:18 · 25111 阅读 · 15 评论 -
机器学习的四个分支及分类回归常用术语解释
机器学习算法可分为四大类:一、监督学习二分类、多分类及标量回归问题都属于监督学习。即给定一组样本(样本通常需要人工进行标注),通过这组样本的学习,当输入未标注的数据时会自动映射到已知目标(人工标注)。监督学习还包括几种除分类回归外的任务:1.序列生成:给定一张图像,预测出描述该图像的文字。2.语法树预测:给定一个句子,预测其分解生成的语法树。3.目标检测:给定一张图像,在图像中特定的目标(一个或多个)周围画一个边界框,并识别框内目标类别(分类问题),给出边界框的坐标(回归问题原创 2020-08-14 19:34:05 · 1864 阅读 · 0 评论 -
适合离散值分类的多分类模型——softmax回归
适合离散值分类的多分类模型——softmax回归一、什么是softmax回归?简单来说softmax回归是用来做多分类任务的模型,是一个单层神经网络。与线性回归模型针对连续值的预测(预测房屋价格、天气温度变化等)不同,它更适合离散值的训练和预测。由于该模型是为了识别多种类别,故最终的输出不再是单个值(像relu/sigmoid输入一个实数,输出一个实数)或者是二分类情景(只有两种标记0和1)的两个值,而是多个值(向量),但这些值并不是简单的 0~n-1的标记,而是经过运算后的类别概率。在猫狗分.原创 2020-08-05 19:49:49 · 3754 阅读 · 0 评论 -
BN(Batch Normalization 批量归一化)
BN(Batch Normalization 批量归一化)BN(批量归一化)算法在DL中出现的频率很高,因为对于提升模型收敛速度来说具有非常好的效果。本文将通过以下三个点来理解Batch Normalization。一、什么是BN我们在训练模型的时候希望训练集训练出来的模型在通过测试集时能够拥有和训练时一样的效果,为此,有这样一个假设,即训练集数据和测试集数据是满足相同分布的,这个叫做IID(独立同分布假设),就是随机变量相互独立互不影响且具有相同的分布形状和相同的分布参数,也就是训练...原创 2020-07-31 11:25:11 · 3301 阅读 · 1 评论 -
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.4)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.4)1.4 正则化正则化用来解决神经网络过度拟合数据(即高方差)的问题,正则化的作用原理:1.在逻辑回归中的正则化用逻辑回归来实现,求成本函数的最小值,成本函数中的参数包括一些训练数据和不同数据中个体预测的损失,w和b是逻辑回归的两个参数,其中w是一个多维度的参数矢量,b是一个实数,在逻辑回归中添加正则化就是加入一个参数入(正则化参数),w欧几里得范数的平方等于wj(j从1到nx)平方的和,此方法称为L2正则化,同样还有一个原创 2020-05-19 17:48:46 · 244 阅读 · 0 评论 -
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.3)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.3)1.3机器学习基础训练神经网络的基本方法:初识模型训练完成后,要看下算法的偏差高不高,如果较高,就试着评估训练集或训练数据的性能,如果的确很高,甚至无法拟合训练集,那就选择一个新的网络(含有更多隐藏层或隐藏单元的神经网络),或者花费更多的时间来训练网络,训练算法,尝试更先进的优化算法。采用新的网络架构,采用更大规模的神经网络通常会有所帮助。然后反复尝试,扩大网络规模,直到这个模型可以拟合训练集数据时。如果偏差下降一点了,原创 2020-05-14 15:44:42 · 237 阅读 · 0 评论 -
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.2)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.2)1.2 偏差/方差原创 2020-05-14 14:53:42 · 212 阅读 · 0 评论 -
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.1)
【吴恩达深度学习笔记-改善深层神经网络】——第一周深度学习的实用层面(1.1)1.1训练/开发/测试集如果想要构建一个高效的神经网络,那么配置训练、验证、测试集就要好好斟酌了。在创建神经网络时,要做一些决策,包括网络有几层,每层有几个隐藏单元,学习率,各层用到的激活函数等。但在实际应用中,我们不可能一开始就能够准确的预测出这些超参数的值,因而,可以说,应用型机器学习是一个高度迭代的过程。首先我们提出一个想法,然后进行编码实现,产生的结果来评估最开始的预设,再进行调整改进,循环往复这样一个过程。且原创 2020-05-13 19:19:21 · 274 阅读 · 0 评论