![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Deep Learning
文章平均质量分 82
perfect Yang
Day Day UP
展开
-
微流控文献分享2
早期筛查食源性病原体是控制食源性疾病暴发的关键。本研究开发了一种微流控阻抗生物传感器,结合用于细菌分离的免疫磁性纳米颗粒(MNP)、用于生物信号放大的脲酶和用于阻抗测量的微流控芯片,用于快速、灵敏、连续流检测大肠杆菌O157: H7。将链霉亲和素修饰的MNP与生物素化多克隆抗体(PAb)缀合形成免疫MNP后,MNP首先将目标细菌从背景中分离出来,形成MNP-细菌复合物。然后,将脲酶修饰的金纳米粒子(GNP)和针对大肠杆菌O157:H7的适配体与MNP-细菌缀合,形成MNP-细菌-GNP-脲酶复合物。原创 2024-04-09 16:55:16 · 976 阅读 · 0 评论 -
Accuracy准确率,Precision精确率,Recall召回率,F1 score
FP(False Positive):被错误预测的正例。即该数据的真实值为反例,但被错误预测成了正例的情况;FN(False Negative):被错误预测的反例。即该数据的真实值为正例,但被错误预测成了反例的情况。真正例和真反例是被正确预测的数据,假正例和假反例是被错误预测的数据。TP(True Positive):被正确预测的正例。即该数据的真实值为正例,预测值也为正例的情况;TN(True Negative):被正确预测的反例。即该数据的真实值为反例,预测值也为反例的情况;原创 2024-04-09 15:47:10 · 918 阅读 · 0 评论 -
yolo:xml数据集转换为txt数据集
yolo:xml数据集转换为txt数据集。原创 2024-03-29 20:02:05 · 142 阅读 · 0 评论 -
微流控芯片文献分享
MS2技术集成了微流体和智能手机组件,实现了移动传感,近年来得到了许多应用。在这个方向上,我们开发了一个用于核酸检测的MS2平台(一个集成试剂盒),其中包括壳聚糖修饰的极简微流控芯片(CM3芯片)、基于智能手机的荧光检测器(SF检测器)、用于成像和分析的APP、试剂和附件。一旦裂解的样品被装载到经1%浓度和200–260 kDa分子量的壳聚糖修饰的CM3芯片中,以下测定可以在大约1小时内完成。Mkit可以检测3×10◦μL1的拷贝数,其聚合酶链式反应(PCR)效率为96.8%。原创 2024-03-21 11:26:44 · 322 阅读 · 0 评论 -
微流控芯片技术
这种技术将化学和生物等领域中的样品制备、反应、分离、检测、细胞培养、分选、裂解等基本操作单元集成或基本集成到一块几平方厘米甚至更小的芯片上,由微通道形成网络,以可控流体贯穿整个系统,从而实现常规化学、生物、材料、光学等不同实验室的各种功能。其内部通常由微流道、微阀门、微泵等微型流体控制组件构成,通过利用微流道内壁的表面张力和流道几何结构的设计,控制流体流动的速度和方向,实现液滴的生成、混合、分离、传输和检测等操作。在纸基免疫微流控芯片中,通过精确控制液体的流动和混合,实现了对免疫样本的高效处理和分析。原创 2024-03-21 11:11:45 · 849 阅读 · 0 评论 -
机理模型、经验模型和智能模型
综上所述,机理模型提供深入的理解和准确的预测,但需要详细的物理或化学知识;经验模型建立简单,适用于实验数据驱动的情况;智能模型具有强大的自适应能力和高度准确的预测能力,但对数据质量和数量要求较高。原创 2023-12-10 14:26:25 · 1909 阅读 · 0 评论 -
基于K-means与CNN的遥感影像分类方法
各方面学者对遥感图像的分类有着诸多研究,提出了许多分类方法,按是否需要选取标记样本可将分类方法分为监督分类和非监督分类。根据表达和学习特征的方式,可将现有的遥感图像分类方法大致分为三类: 基于人工特征描述的分类方法、基于机器学习的分类方法和基于深度学习的分类方法。遥感影像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中各个像元按照某种规则或算法划分不同的类别,然后获得遥感图像中与实际地物的对应信息,从而实现图像的分类。常见的分类方法有:监督分类、非监督分类法。原创 2023-12-09 20:05:56 · 2379 阅读 · 0 评论 -
卷积之后通道数为什么变了
卷积层的作用本来就是把输入中的特征分离出来变成新的 feature map,每一个输出通道就是一个卷积操作提取出来的一种特征。在此过程中ReLU激活起到过滤的作用,把负相关的特征点去掉,把正相关的留下。输出的通道数越多就代表分理出来的特征就越多,但也可能存在重复的特征,毕竟是一个概率问题。3的卷积核,就是3*3的卷积核与3个通道都各卷积一次,得到卷积后的三个通道,将三个通道对应位置相加得到一张图片,就是一个通道,所以有多少个卷积核就有多少通道,每个卷积核都会与原通道相卷积再相加,得到一个通道。原创 2023-12-08 16:56:16 · 1153 阅读 · 0 评论 -
拆分降采样与归一化(LN和BN)
**BN的主要思想:针对每个神经元,使数据在进入激活函数之前,沿着通道计算每个batch的均值、方差,‘强迫’数据保持均值为0,方差为1的正态分布,避免发生梯度消失。具体来说,就是把第1个样本的第1个通道,加上第2个样本第1个通道 ...... 加上第 N 个样本第1个通道,求平均,得到通道 1 的均值(注意是除以 N×H×W 而不是单纯除以 N,最后得到的是一个代表这个 batch 第1个通道平均值的数字,而不是一个 H×W 的矩阵)。求通道 1 的方差也是同理。对所有通道都施加一遍这个操作,就得到了所有原创 2023-12-08 16:22:52 · 375 阅读 · 0 评论 -
文献阅读:基于改进ConvNext的玉米叶片病害分类
本研究采用的数据集进行了数据增强。通过采用旋转、高斯模糊、添加随机噪声、添加随机 位置的遮挡以及亮度调节等数据增强方法分别模 拟在图像采集中不同角度、其他背景叶片的遮挡以 及不同天气等外界因素的干扰,从而防止模型过拟合,同时提升模型的鲁棒性和泛化能力。对原数据集按照 6:2:2 的比例划分训练集、验证集与测试集。本试验针对玉米种植中 3 种常见病害玉米灰斑病、玉米锈病以及玉米大斑病和健康叶片进行试验研究。原创 2023-12-06 17:15:09 · 1456 阅读 · 0 评论 -
MP-Former:基于掩码引导的Transformer用于图像分割
• 本文提出了一种基于掩码引导的Transformer模型,用于改进Mask2Former在图像分割中的掩码注意力机制。通过引入真实掩码作为引导,该方法有效地减轻了Mask2Former中不准确掩码预测的负面影响,并在实例分割、全景分割和语义分割三个任务上取得了显著的性能提升。原创 2024-03-21 11:31:23 · 358 阅读 · 0 评论 -
汽车驾驶任务的隐马尔可夫模型识别方法研究
这篇论文使用了一种基于隐藏马尔可夫模型(HMM)的驾驶任务识别模型。首先,根据车辆完成不同驾驶任务的运动特征,以及驾驶任务识别和语音识别的相似性,确定以隐马尔可夫模型作为驾驶任务的识别模型。驾驶任务的识别包括左转弯、右转弯、左换道、右换道、掉头行驶和沿道行驶等。其次,根据车辆行驶过程中驾驶员操作信号、车辆运动状态信号和车辆位置信息等综合分析,选取方向盘转角、横摆角速度和轨迹曲率作为模型的特征参数,并建立每个驾驶任务的隐马尔可夫模型。这些模型构成了驾驶任务识别模板库,用于驾驶任务的识别。原创 2023-10-06 22:58:08 · 1429 阅读 · 0 评论 -
论文阅读:基于隐马尔可夫模型的蛋白质多序列比对方法研究
使用综合融合的多序列比对方法对不同同源性的蛋白质家族进行比对,并使用基于垂直分割的重新比对改进方法对比对结果进行改进。• 论文的Motivation: 针对现有多序列比对方法的问题,本研究提出了一种基于隐马尔可夫模型的蛋白质多序列比对方法。比对的顺序很重要,所提出的方法改善了比对的准确性,特别适用于低同源性的蛋白质家族。• 本研究基于隐马尔可夫模型,针对蛋白质多序列比对问题进行了研究,提出了一种优化的残基替换计分方法,并结合优化算法和配分函数计算后验概率,通过渐进式多序列比对得到较优的比对结果。原创 2023-09-27 15:41:20 · 757 阅读 · 0 评论 -
个性化新闻文章推荐的上下文Bandit方法
个性化新闻文章推荐的上下文Bandit方法摘要个性化web服务通过同时使用内容和用户信息,努力使其服务(广告、新闻文章等)适应单个用户。解决这个问题有两个挑战:首先,web服务的特点是内容池的动态变化,使得传统的协同过滤方法不适用。第二,大多数实际感兴趣的web服务的规模需要学习和计算速度都很快的解决方案。因此,我们将新闻文章的个性化推荐建模为一个上下文bandit问题,其中学习算法根据用户和文章的上下文信息顺序选择文章为用户服务,同时根据用户点击反馈调整文章选择策略,以最大限度地提高用户点击总量。原创 2021-08-13 11:42:29 · 321 阅读 · 0 评论 -
当联邦学习碰上老虎机
当联邦学习碰上老虎机原论文:Federated Multi-Armed BanditsFMAB框架FL和MAB的自然结合—我们的动机是从非IID的(可能大量的)本地强盗模型中,以通信效率和隐私保护的方式解决全局随机MAB问题。新的联邦MAB框架(FMAB)第一次系统地尝试将FL(联邦学习)和MAB连接起来。FMAB框架是通用的,可以包含各种与FL原则相同的bandit问题。我们首先研究了一个近似的FMAB模型,证明了该框架的优点,其中全局bandit模型作为地面真相存在,而局部bandit模型是它的原创 2021-08-12 21:38:13 · 746 阅读 · 0 评论 -
Kalman Filter --卡尔曼滤波
Kalman Filter --卡尔曼滤波简介此处借鉴百度百科卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。由于它便于计算机编程实现,并能够对现场采集的数据进行实时的更新和处理,Kalman滤波是目前应原创 2021-08-06 21:47:21 · 896 阅读 · 0 评论 -
IREC-GAN:在线推荐中基于模型的对抗训练强化学习
IREC-GAN1 Introduction推荐系统已经成功地将用户与其在各种应用领域中最感兴趣的内容联系起来。然而,由于用户的兴趣和行为模式不同,只向每个用户呈现一小部分项目,记录的反馈更少。对于如此大的状态和动作空间,这提供了相对较少的关于用户-系统交互的信息,因此在基于历史交互的基础上构建有用的推荐策略带来了相当大的挑战。重要的是开发解决方案,从稀疏的用户反馈(如点击和购买)中了解用户的偏好,以进一步提高推荐系统的实用性。用户的兴趣可以是短期的,也可以是长期的,并通过不同类型的反馈反映出来[35原创 2021-08-06 10:44:13 · 616 阅读 · 1 评论 -
Multi-Armed Bandit--基于时变多臂老虎机的在线上下文感知推荐
Online Context-Aware Recommendation with Time Varying Multi-Armed Bandit基于时变多臂老虎机的在线上下文感知推荐摘要为了预测给定特定情境下每只手臂的奖励,现有的相关研究通常假设存在一个固定但未知的奖励映射函数。然而,这种假设在实践中很少成立,因为现实世界中的问题往往涉及到随时间动态演变的底层过程。本文研究了奖励映射函数随时间变化的时变上下文多臂问题。特别地,我们提出了一个基于粒子学习的动态上下文漂移模型。在该模型中,奖赏映射函数上的原创 2021-07-31 10:59:41 · 761 阅读 · 0 评论 -
FISSA:融合项目相似度模型和自注意网络的时序推荐
论文学习:FISSA: Fusing Item Similarity Models with Self-Attention Networks for Sequential Recommendation摘要本文针对大多数基于数据驱动的序列推荐方法中用户全局偏好建模不完善和候选项目带来的用户意图不确定性这两个问题,提出了一种新的融合项目相似度模型和自关注网络(FISSA)的序列推荐方法。具体来说,我们将最先进的自关注顺序推荐模型作为本地表示学习模块,以捕获我们的FISSA中用户行为序列下的动态偏好,并进一原创 2021-07-27 19:35:10 · 906 阅读 · 2 评论 -
KDA- 时序推荐中项目关系的时间演化效应
KDA为了建立关系强度模型并实现时间演化的自适应估计,主要有两个挑战:(1)尽管现有的数据集或知识图包含一些项目关系,但看得见和看不见的项目对的确切关系强度是未知的。(2)不同项目关系的时间演化效果在不同场景下差异很大,需要无领域方法自动捕捉动态效果。为了应对这些挑战,我们提出了知识感知动态注意力(KDA),以更好地理解动态用户意图。KDA的主要思想是自适应地将历史序列聚合成多个特定于关系的嵌入(称为关系动态历史嵌入)。注意力权重取决于相互作用的项目和目标项目之间的关系强度和时间间隔。然后通过建模这些关系原创 2021-07-24 10:59:14 · 732 阅读 · 0 评论 -
个性化推荐中的数据稀疏性
个性化推荐中数据稀疏性怎么理解 造成的原因是什么?每个领域对稀疏性的定义和解决方法都不一样,拿感兴趣地点推荐来说。假定我拥有一群在上海的用户和他们最近一个月所到过的地点的记录。现在我想根据他所去过的地点来给用户推荐一个用户感兴趣的地点。通常来说有两种推荐方式:基于用户的协同过滤算法基于地点的协同过滤算法基于用户的协同过滤算法大体分如下两步来进行:找到与用户 A 最相似的用户 B推荐 B 去过而 A 没去过的地点到这里,很自然我们想问如何找到与用户 A 最相似的用户 B,一个很直接的办法就是,只要谁去过的原创 2021-07-17 16:35:08 · 4771 阅读 · 0 评论 -
基于用户长短期表示的新闻推荐
摘要个性化新闻推荐对于帮助用户发现感兴趣的新闻,提高阅读体验具有重要意义。新闻推荐中的一个关键问题是学习准确的用户表征以获取他们的兴趣。用户通常有长期偏好和短期兴趣。然而,现有的新闻推荐方法通常只学习用户的单一表示,这可能是不够的。本文提出了一种能同时学习长期和短期用户表示的神经新闻推荐方法。方法的核心是新闻编码器和用户编码器。本文的工作是基于这样一种观察:即网络用户对新闻的兴趣是非常多样化的。一些用户兴趣可能会持续很长一段时间,并且对于同一个用户来说是一致的。例如,如果用户是“金州勇士”的粉丝,则原创 2021-07-15 18:05:23 · 791 阅读 · 0 评论 -
强化学习总结
强化学习一、强化学习概述1.强化学习简介强化学习最早可以追溯到早期控制论以及统计、心理学、神经科学、计算机科学等学科的一些研究。在最近的五到十年中,强化学习在机器学习和人工智能研究者中得到了大量的关注,它描绘了一种在不进行具体指导的情况下通过对智能体进行奖励与惩罚而完成任务的编程方式。但是完成这一想法有着巨大的计算困难。(1)强化学习是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激原创 2021-07-14 17:48:50 · 2769 阅读 · 0 评论 -
谈一谈凸优化问题
谈一谈凸优化问题看到好多人都在学习凸优化,但是有感觉有多少问题多符合凸优化条件的呢?为什么非得是凸优化这么重要?现有的优化方法不是都能解决吗?那凸优化又有什么用呢?优化问题的具体应用场景投资组合优化优化变量:投资于不同投资方案的金额约束:预算/每个投资方案的最大或最小投资额/最小回报率目标函数:整个投资组合的风险回报率电子电路中的设备大小优化变量:设备的长和宽约束:制造工艺的限制/时间要求/最大面积目标函数:功耗数据拟合(机器学习中的一些算法,譬如svm等应用)优化变量:模型的参数原创 2021-07-14 15:15:30 · 5852 阅读 · 0 评论 -
去重--推荐
相同物料重复推荐:我已经浏览过这个物料,为什么刷新时依然又推荐一遍?“相同物料”有两种形式物料ID相同:系统推荐了好友A,刷新之后依然推荐好友A物料ID不同:系统推荐视频A和B,虽然视频内容一样,但由不同账号上传,两个视频的ID不同近似物料重复推荐:我已经看过“美股暴跌”的新闻了,为什么刷新后又推荐了一篇,他们都在说一件事,只是来自不同的媒体利用负反馈:推荐第二篇美股暴跌的新闻时,觉得推荐重复的用户会直接跳过,可以看成是隐式负反馈,从召回和排序两个层面解决:1)召回上,可以考虑在..原创 2021-06-24 21:33:41 · 259 阅读 · 0 评论 -
简谈某宝的重复推荐
推荐系统之去重问题:在某宝购物时,为啥我买了一件商品之后还给我推荐相同的东西?近年来,大数据发展得越来越快,然而由于不同人的需求不同以及人的基数过大数据量过高导致推荐系统无法完全正确的模拟人们购物等需求的具体情况,从而使推荐结果大部分只适用于一个个相同特征的群体,而对于个人的商品推荐无法很好地满足其需求。推荐算法最根本的意义,在于解决信息过载。如果推荐给到用户,是千篇一律的内容,那将毫无意义。解决重复推荐可以从根源上压制,比如“阅后即焚”,当用户看过该条内容后即标记为已读,已读状态的内容不再推荐给该原创 2021-06-24 20:48:08 · 2923 阅读 · 0 评论 -
马尔可夫决策过程(MDP)
目录智能体与环境马尔科夫决策过程智能体与环境强化学习问题不同于传统机器学习问题,它是一种在交互的过程中学习并实现目标的问题。这里把具有学习能力和决策能力的程序或系统称之为Agent(代理,智能体);与之交互的对象统称为环境(Environment)。交互过程如下图所示:chapter1-pic02-agent-envs-interactionchapter1-pic02-agent-envs-interaction智能体与环境的交互通常是在离散的“时间步长”(discrete time s转载 2021-04-15 21:03:20 · 2570 阅读 · 0 评论 -
DIB-PEB模块
Dynamic Item Block and Prediction Enhancing Blockfor Sequential Recommendation1. Introduction(1)简介:近年来,基于神经网络的模型迅速成为第三类用户偏好模型。他们可以通过递归神经网络(RNN) ,卷积神经网络(CNN)及其记忆变体。我们的工作遵循第三个方向,为顺序推荐设计一个端到端的神经模型。然而,现有的神经序列模型有两个局限性,这可能会严重降低序列推荐的性能。首先,一个项目的表示对于所有用户来说是相对静态原创 2021-03-27 18:26:33 · 337 阅读 · 0 评论 -
PNN神经网络
**一、导入Embedding+MLP结构是DNN应用在CTR预估的标准模式。通常,NN层之间都使用“add operation” ,通过激活函数来引入非线性。作者认为,单纯的“add”也许不足以捕获不同的Filed特征间的相关性,原文表述为:"The ‘add’ operations of the perceptron layer might not be useful to explore the interactions of categorical data in multiple fields.原创 2021-02-17 23:33:26 · 1627 阅读 · 0 评论 -
LCDM--商品潜在互补性发现模型
LCDM :商品潜在互补性发现模型1 INTRODUCTION (介绍)融合需求交叉弹性理论挖掘商品的互补关系,融合商品潜在互补性发现的个性化推荐方法。需求交叉弹性描述的是两个商品价格与需求量变化的联系。需求交叉弹性的定义:EAB为商品A相对于商品B的需求交叉弹性,Qda为商品A的需求量, ∆Qda为为商品A的需求变化量,Pb为商品B的价格,∆Pb为商品B的价格变化量。使用弧弹性计算公式计算Eab:QdA1为商品A开始时的需求量,QdA2为为商品A结束时的需求量,PB1为商品B开始时的价原创 2021-02-09 17:22:24 · 1235 阅读 · 0 评论 -
TransE算法解析
transE(Translating Embedding)详解+简单python实现概念transE算法是一个非常经典的知识表示学习,用分布式表示(distributed representation)来描述知识库中的三元组。原理transE算法利用了word2vec的平移不变性,TransE的直观含义,就是TransE基于实体和关系的分布式向量表示,将每个三元组实例(head,relation,tail)中的关系relation看做从实体head到实体tail的翻译(其实就是向量相加),通过不断调原创 2020-12-04 21:17:54 · 4601 阅读 · 9 评论 -
PReLU激活函数
PReLU激活PReLU(Parametric Rectified Linear Unit), 顾名思义:带参数的ReLU对ReLU来说,x > 0,时f(y) = x, 而x < 0时,f(y) = 0而PReLU:x > 0时,f(y) = x(i), x < 0时, f(y) = a(i)x(i)i为不同的通道如果ai=0,那么PReLU退化为ReLU;如果ai是一个很小的固定值(如ai=0.01),则PReLU退化为Leaky ReLU(LReLU)。ReLU相原创 2020-11-29 21:16:22 · 6121 阅读 · 0 评论 -
make it a chorus笔记
Make It a Chorus: Knowledge- and Time-aware Item Modeling for Sequential Recommendation1 INTRODUCTION (介绍)用户消费需求实际上是动态的和可变化的。相同的项目在不同的上下文中对 用户有不同的含义。 实际上,顺序消费行为可以看作是一个在不同方面满足用户需求的过程。 一个物品的消费可能会对其 他相关物品产生影响,不同关系的影响也不尽相同。以互补关系和替代关系为例,图1说明了购买不同关系项目的效果的如 何会随原创 2020-11-28 22:19:13 · 413 阅读 · 0 评论 -
学习序列模式挖掘--Apriori算法
学习序列模式挖掘1.1引言已Apriori算法为例,此算法是经典的挖掘频繁项集和关联规则的数据挖掘算法。A priori在拉丁语中指"来自以前"。当定义问题时,通常会使用先验知识或者假设,这被称作"一个先验"(a priori)。Apriori算法的名字正是基于这样的事实:算法使用频繁项集性质的先验性质,即频繁项集的所有非空子集也一定是频繁的。Apriori算法使用一种称为逐层搜索的迭代方法,其中k项集用于探索(k+1)项集。首先,通过扫描数据库,累计每个项的计数,并收集满足最小支持度的项,找出频繁1项原创 2020-11-05 21:14:24 · 1408 阅读 · 1 评论 -
Sequential Recommender Systems
Sequential Recommender Systems笔记整理1.1动机:为什么需要序列推荐系统 用户-项目交互基本上是顺序相关的。在现实世界中,用户的购物行为通常是按顺序依次发生的,而不是孤立的。Jimmy的购物事件为例,在Jimmy开始度假之前,他先后预定了机票和酒店,租车,接下来的行动可能是自驾游一个旅游景点。在这种情况下,酒店可能离航班目的地机场很近,租车地点可能离酒店不远。在这个场景中,Jimmy的下一个操作都依赖于前一个操作,因此所有四个消费操作都是顺序依赖的。这种顺序依赖关系通常原创 2020-11-04 20:37:42 · 255 阅读 · 0 评论 -
deeply understanding Binary tree--二叉树
树的定义与基本术语树型结构是一类重要的非线性数据结构,其中以树和二叉树最为常用,是以分支关系定义的层次结构。在编译程序中,可用树来表示源程序的语法结构;在数据库系统中,树型结构也是信息的重要组织形式之一;在机器学习中,决策树,随机森林,GBDT等是常见的树模型。 树(Tree)是[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s6H6bLgc-1601124946403)(https://math.jianshu.com/math?formula=n(n%5Cgeq%20原创 2020-09-26 20:57:02 · 246 阅读 · 0 评论 -
张量/tensor--详解
概念0维张量/标量 标量是一个数字1维张量/向量 1维张量称为“向量”。2维张量 2维张量称为矩阵3维张量 公用数据存储在张量 时间序列数据 股价 文本数据 彩色图片(RGB)现有的深度学习系统大多都是基于张量代数(tensor algebra)设计的,但张量代数不仅仅用于深度学习。张量TensorFlow中的中心数据单位是张量。张量由一组成形为任意数量的数组的原始值组成。张量的等级是其维数。以下是张量的一些例子:3 # a rank 0 tensor; this is a原创 2020-10-23 22:04:33 · 757 阅读 · 0 评论 -
简单理解L0、L1与L2范数
机器学习中的范数规则化之(一)L0、L1与L2范数 监督机器学习问题无非就是“minimizeyour error while regularizing your parameters”,也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据,而规则化参数是防止我们的模型过分拟合我们的训练数据。因为参数太多,会导致我们的模型复杂度上升,容易过拟合,也就是我们的训练误差会很小。但训练误差小并不是我们的最终目标,我们的目标是希望模型的测试误差小,也就是能准确的预测新的样本。所以原创 2020-10-07 22:32:03 · 1921 阅读 · 0 评论 -
BPR算法详解
BPR [Bayesian Personalized Ranking] 算法详解在推荐系统的实现中,几乎总会遇到从较多候选集中为用户选取特定的少数几个物品进行推荐,这本质上是一个Ranking问题。在推荐场景中用户更缺乏耐性,对推荐结果的消费也十分有限,所以排序的好坏直接决定了用户对一个准确率为90%的推荐候选集的满意度是否真的有90%。这里为大家介绍一种“基于贝叶斯后验优化的个性化排序算法”:Bayesian Personalized Ranking。其本身并不优化用户对物品的评分,而只借由评分来优化原创 2020-10-03 20:40:21 · 4311 阅读 · 1 评论 -
矩阵分解--超详细解读
矩阵分解一,基于矩阵分解的推荐算法相关理论介绍我们知道,要做推荐系统,最基本的一个数据就是,用户-物品的评分矩阵,如下图1所示图1 矩阵中,描述了5个用户(U1,U2,U3,U4 ,U5)对4个物品(D1,D2,D3,D4)的评分(1-5分),- 表示没有评分,现在目的是把没有评分的 给预测出来,然后按预测的分数高低,给用户进行推荐。 如何预测缺失的评分呢?对于缺失的评分,可以转化为基于机器学习的回归问题,也就是连续值的预测,对于矩阵分解有如下式子,R是类似图1的评分矩阵,假设N原创 2020-10-03 20:22:35 · 3766 阅读 · 0 评论