- 博客(11)
- 收藏
- 关注
RSS订阅原创 知识图谱上的推理任务
我的理解是从answer遍历relation反向创立query，这样把整个kg遍历一遍，一定能得到答案集合，但是我不理解这是怎么推出隐边的，可能是在抽样的时候可以是没有连接，认为他有这条边，然后去算得分去确定是否存在这条边。对于conjunctive queries，如果是complete的话，那么我们只需要沿query plan直接traverse，但是对于incomplete的话，我们希望通过嵌入方法来隐式impute KG中缺失的关系，此外我们还需要定义在隐空间的intersection操作。
2024-04-28 16:28:02
543
1
原创 关于李宏毅作业3cnn的优化
做李宏毅作业3的时候，运行了baseline，简单的4个卷积层加批标准化层加最大池化层，最后加一个全连接层，用crossentropyloss去做一个多分类问题。能优化的地方一个是对数据集加强，用transform对已经有标签的图片进行一些随机的变换，每次训练的同一个图片都是有略微差别的，加了这个后分数确实提高一点了。机器学习里常用的k折交叉验证，这里也派上用场，这里是通过k折，将数据拆分成k份从而训练出k个相对独立的模型，再采用Ensemble方法提升精度。不过很多优化都还没有实现，回头有时间补上。
2024-04-06 15:20:22
208
1
原创 卷积神经网络高级篇
为了避免重复地进行神经网络的定义，把一些重复的封装成类，提高效率。至于对应的通道数，可以一层一层定义，定义完后输出结果的shape，来进行下一层输入的确定。
2024-03-24 22:50:43
143
1
原创 pytorch7 卷积神经网络
卷积层能保留图像的空间信息，所以相对于线性变换把所有像素值展成一维来说，更能保留图像的特性。这段代码把计算放在gpu上，相对较快。
2024-03-24 15:33:19
192
1
原创 pytorch训练6 多分类模型
对于softmax，直接传入线性模型，不需要非线性变换，softmax里会进行e的z次方映射取正，然后归一化，最大值就是y_hat，然后计算损失函数-ylog (y_hat)。多分类问题y的标签为one-hot编码，即只有一个标签为1，其余都为0。
2024-03-21 21:19:52
214
1
原创 pytorch练习5 用DataSet和DataLoader实现mini-batch
先把数据集分成训练集和测试集，其他步骤都一样，最后把训练封装，测试也封装，每训练两千次进行测试，求一次loss和acc，最终loss收敛在0.349左右，acc在0.74左右，参考了一下别人的作业，对上面的代码进行测试。
2024-03-20 23:06:25
123
1
原创 pytorch练习3 实现逻辑斯特回归模型
在线性变换的基础上对y进行sigmoid()函数变换，将值映射到0-1的区间，此时y_hat是为1的概率。用BCEloss去进行梯度下降优化。基本和线性回归差不多，只不过变成了分类模型。得到的概率图如下，在x=2.5的时候通过的概率为0.5。
2024-03-19 21:19:53
216
原创 练习2 用pytorch实现线性模型
4.准备训练，先用model(x)，调用forward计算y_hat,然后用损失函数计算loss，对loss进行backward得到梯度，用优化器optimizer.step()进行更新。optimizer=torch.optim.SGD(model.parameters(),lr=0.01) #SGD是优化模块的一个类，parameters找到model中可训练的参数进行训练。y_pred=model(x_data) #调用model的forward计算y_hat。3.准备MSE损失函数，和优化器。
2024-03-19 17:47:40
343
1
原创 pytorch练习1 3d图的绘制（线性回归）
loss_val=loss(x_val,y_val)#由唯一的[w,b]确定唯一的loss_val。
2024-03-17 19:45:57
353
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