- 博客(49)
- 收藏
- 关注
原创 速度vs精度:在AutoDock Vina中,不同对接盒子Box Size 、 Exhaustiveness对配体姿势精度的影响
速度vs精度:在AutoDock Vina中,不同对接盒子Box Size 、 Exhaustiveness对配体姿势精度的影响
2023-03-02 20:04:26
2387
原创 线性回归,梯度下降法,拟合一次函数
1、生成5阶单位矩阵import numpy as npnp.identity(5)###任选一种np.eye(5)结果为:[[1. 0. 0. 0. 0.][0. 1. 0. 0. 0.][0. 0. 1. 0. 0.][0. 0. 0. 1. 0.][0. 0. 0. 0. 1.]]2、获取ex1data1.txt文件数据,生成散点图import matplotlib.pyplot as pltdata=np.loadtxt(r'D:\PYTHON\m...
2022-04-29 21:29:11
1127
原创 深度学习在图像识别上的应用
1、图像分类图片分类的任务是对于一个给定的图片,预测其类别标签。自动驾驶汽车是一个理解图像分类在现实世界中的应用的很好的例子。为了实现自动驾驶,我们可以建立一个图像分类模型来识别道路上的各种物体。2、目标检测 目标检测是指从一幅场景(图片)中找出目标,并用矩形框确定目标的位置。多应用于人脸识别、自动驾驶、遥感影像识别等领域。3、语义分割 图像分类任务是把一张图片划分为某个类别。语义分割也就是像素级别的分类,让计算机根据图像的语义来进行分割,确定边缘位...
2022-04-25 18:57:28
3980
原创 浅层学习的局限性
1、浅层学习相关模型2、自然语言处理2.1、对模型的文本数据进行预处理2.2、浅层学习模型通常需要通过人工方法获得良好的样本特征,然后用经典的机器学习算法对其进行分类。因此,特征提取在很大程度上制约了该方法的有效性。2.3、浅层学习方法仍然需要进行特征工程,这是非常耗时和昂贵的。2.4、它们往往忽略文本数据中自然的顺序结构或上下文信息,使学习词汇的语义信息变得困难。3、浅层学习的局限性3.1、有限参数和计算单元,对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受.
2022-04-21 22:30:10
2554
原创 特征的分层表示
1、人脑视觉机理 高层的特征是低层特征的组合,从低层到高层的特征表示越来越抽象,越来越能表现语义或者意图。 抽象层面越高,存在的可能猜测就越少,就越利于分类。2、特征表示2.1、特征表示的粒度 学习算法在一个什么粒度上的特征表示,才有能发挥作用?对于一个图片来说,像素级的特征根本没有价值。无法分辨图片内容。2.2、初级(浅层)特征表示 Bruno Olshausen和 David Field 两位学者发明稀疏编码, 复杂图形,往往...
2022-04-15 11:36:37
1074
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