自然语言处理文本分类数据集
这是nlp文本分类数据集,有三个数据集集合。免币
花朵数据集-用于训练各种类型的生成模型
花朵数据集-用于训练各种类型的生成模型
OCR_SEQ_pytorch
OCR功能设计,辅助seq2seq,基于pytorch,半成品。
Desktop.zip
对于某些特定网站的一些结构练手材料,都是txt文件。
新建文件夹.7z.004
CASIA-WebFace数据集P4
新建文件夹.7z.003
CASIA-WebFace数据集P3
新建文件夹.7z.002
CASIA-WebFace数据集P2
新建文件夹.7z.001
CASIA-WebFace数据集P1
SVHN数据集 基线类型 深度学习
SVHN数据集 基线类型 深度学习
python爬取实例——监听粘贴板自动启动迅雷
通过监听剪贴板获取地址并进行判断的V2版,主要可以爬取img标签的src进行提示迅雷下载。
主要库:
import urllib.request
from bs4 import BeautifulSoup
import os,shutil
import re
from win32com.client import Dispatch
import tkinter as tk
import pyperclip
from datetime import datetime
import time
python 爬虫与迅雷结合实例
使用的库包含from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from bayes_opt import BayesianOptimization
import numpy as np
from sklearn.datasets import load_iris
爬取目标网页并通知迅雷进行下载,并附加GUI以及整理目标文件的方法
python爬虫实例——基于BeautifulSoup与urllib.request
python爬虫实例——基于BeautifulSoup与urllib.request,思路是打开目标链接,并爬取通过BeautifulSoup一定区域中的img标签中的src进行保存。
基于re、urllib.request和BeautifulSoup的爬虫样本
基于re、urllib.request和BeautifulSoup的一个爬虫样本,实现目的是一些网页的源代码的地址查找并列出
HumanFace.py
lfw数据集以及resnet50训练人脸识别
Fatkun.zip-深度学习数据集
包含手写数字和著名的10分类等三套数据集,python版。
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 [1]
深度神经网络94.5
对模型的参数进一步调整……,有一个奇怪的地方,batch_size居然影响到了泛化能力,不过加大lr一样可以达到类似甚至更好的效果。
深度学习生成模型-专用于二分类图像识别
Retry 【从训练集中抽取10%随机测试,训练集22500 测试集2500】【精度损失明显】
2020.3.27 预测结束,总错误数为1129,准确率为0.90948【C1模型】【标准训练集】
2020.3.27 预测结束,总错误数为227,准确率为0.90920 【C1模型】【切割训练集】
Retry 【在B2模型基础上增加epoch】【B3、4模型】【过拟合?效果可能不理想?】
2020.3.27 预测结束,总错误数为1208,准确率为0.90315 【B3模型】【+1 epoch】
mytest_cat_dog.zip.002
有关卷积神经网络
架构部分特点
ResNet深度残差神经网络
从xf(x)的预测到 xf(x)-xf(x)的转变,仅仅从这个层面,很难说如何理解后者比前者更加优越……P2
mytest_cat_dog.zip.001
有关卷积神经网络
架构部分特点
ResNet深度残差神经网络
从xf(x)的预测到 xf(x)-xf(x)的转变,仅仅从这个层面,很难说如何理解后者比前者更加优越……
猫狗大战卷积神经网络生成的模型
预训练与微调迁移学习
一般而言,我们可以根据一个已经训练过的、比较满意的模型进行训练调整,作用于新的数据集,这就是预训练与微调。当,我们的预训练模型的权重使用在新的数据集中,这个就是迁移学习的体现。
很少人会仅仅使用自己的资源进行训练卷积神经网络,个体拥有的数据资源是有限的,但是如ImageNet拥有的资源是有120 万张图片等级的规模,所以理论上使用库提供的预训练模型可以节省时间、提高精度,再不济也可以使用自己的预训练模型。
我的实例.zip-猫狗大战实例,仅供参考
猫狗训练 --fin
2020.3.23 预测结束,总错误数为3533,准确率为0.71736 迭代次数为0,-卷积-池化-卷积-池化-全-全-全-
2020.3.24 预测结束,总错误数为2903,准确率为0.76776 迭代次數為10,……
2020.3.24 预测结束,总错误数为2962,准确率为0.76303 迭代次數為0, RESNET18
dogs-vs-cats.zip.004
这是深度学习的常用训练集,猫狗集合。学习用。zhp4
"从上述测评结果可见,不同配置下的模型在相同测试集上,存在非常大的性能差异;并且在使用了径向基(Radial basis function)核函数对特征进行非线性映射之后,支持向量机展现了最佳的回归性能"
dogs-vs-cats.zip.003
这是深度学习的常用训练集,猫狗集合。学习用。 zp3
从上述测评结果可见,不同配置下的模型在相同测试集上,存在非常大的性能差异;并且在使用了径向基(Radial basis function)核函数对特征进行非线性映射之后,支持向量机展现了最佳的回归性能
dogs-vs-cats.zip.002
这是深度学习的常用训练集,猫狗集合。学习用。zP2
“从上述测评结果可见,不同配置下的模型在相同测试集上,存在非常大的性能差异;并且在使用了径向基(Radial basis function)核函数对特征进行非线性映射之后,支持向量机展现了最佳的回归性能”
dogs-vs-cats.zip.001
这是深度学习的常用训练集,猫狗集合。学习用。
“从上述测评结果可见,不同配置下的模型在相同测试集上,存在非常大的性能差异;并且在使用了径向基(Radial basis function)核函数对特征进行非线性映射之后,支持向量机展现了最佳的回归性能”