-柚子皮-
码龄9年
  • 10,408,002
    被访问
  • 615
    原创
  • 917
    排名
  • 7,352
    粉丝
关注
提问 私信

个人简介：╰☆ゞ不染纤尘，不忘初心ゞ☆╮

  • 目前就职： aa
  • 加入CSDN时间： 2013-01-30
博客简介：

皮皮blog

博客描述：
Talk is cheap, Show me the code!
查看详细资料
  • 9
    领奖
    总分 9,297 当月 221
个人成就
  • 人工智能领域优质创作者
  • 博客专家认证
  • 获得3,611次点赞
  • 内容获得856次评论
  • 获得12,887次收藏
创作历程
  • 7篇
    2021年
  • 20篇
    2020年
  • 21篇
    2019年
  • 3篇
    2018年
  • 73篇
    2017年
  • 137篇
    2016年
  • 161篇
    2015年
  • 225篇
    2014年
成就勋章
TA的专栏
  • pdd
  • Resys
  • 深度学习DeepLearning
    27篇
  • 机器学习MachineLearning
    43篇
  • Scikit-Learn
    15篇
  • 主题模型Topic Model
    19篇
  • 概率图模型PMG
    26篇
  • 推荐系统Resys
    10篇
  • PRML
    5篇
  • 机器学习公开课
    19篇
  • 分类 Classification
    13篇
  • 聚类 Clustering
    3篇
  • 序列数据
    10篇
  • 海量数据挖掘MMDS
    23篇
  • Pytorch
    22篇
  • Tensorflow
    19篇
  • keras
    2篇
  • Git小记
    10篇
  • Spark
    8篇
  • Hadoop
    6篇
  • Docker
    8篇
  • NLP
    13篇
  • BigData
    4篇
  • Dataming
    1篇
  • 架构
    1篇
  • Math
    32篇
  • ----------Love Python---------
    1篇
  • Python
    41篇
  • Python类、函数和模块
    34篇
  • Python拓展包
    5篇
  • Numpy小记
    15篇
  • Scipy小记
    8篇
  • Matplotlib小记
    8篇
  • Pandas小记
    10篇
  • Networkx小记
    3篇
  • Sympy小记
    1篇
  • Django小记
    14篇
  • Python网络请求与爬虫
    8篇
  • PythonQT小记
    5篇
  • -------Language World---------
    1篇
  • C++
    36篇
  • Scala
    11篇
  • R
    1篇
  • Java
    17篇
  • Android
    24篇
  • Html
    11篇
  • Matlab
    3篇
  • assembly
    3篇
  • Perl
  • Database
    2篇
  • Linux
    43篇
  • windows
    13篇
  • ----------算法结构---------------
    1篇
  • Algorithm&Datastructure
    15篇
  • 大数据算法
    3篇
  • 编程之美
    9篇
  • OJ
    16篇
  • 逻辑之美
    2篇
  • Coding
    2篇
  • --------------OTH-------------
    5篇
  • Office
    12篇
  • Internet
    4篇
  • inforSec
    3篇
  • paper
    6篇
  • mine
    3篇
  • others
    2篇
  • Mac
    1篇
兴趣领域 设置
  • 人工智能
    深度学习自然语言处理
Welcome to 皮皮blog~

<script src="https://s11.cnzz.com/z_stat.php?id=1259587897&web_id=1259587897" language="JavaScript"></script> <script type="text/javascript" src="//ri.revolvermaps.com/0/0/8.js?i=8w4b0n891ux&m=7&s=220&c=ff0000&cr1=ffffff&f=arial&l=33" async></script>
  • 最近
  • 文章
  • 资源
  • 问答
  • 课程
  • 帖子
  • 视频
  • 收藏
  • 关注/订阅
搜索 取消

CVR预估模型-ESMM

文章基于 Multi-Task Learning 的思路，提出一种新的CVR预估模型——ESMM，有效解决了真实场景中CVR预估面临的数据稀疏以及样本选择偏差这两个关键问题。Motivation不同于CTR预估问题，CVR预估面临两个关键问题：1 样本选择偏差(sample selection bias,SSB)：传统CVR模型通常以点击数据为训练集，其中点击未转化为负例，点击并转化为正例，但是训练好的模型实际使用时，则是对整个空间的样本进行预估，而非只对点击样本进行预估。即传统的推荐系统仅用.
原创
发布博客 2 月前 ·
120 阅读 ·
0 点赞 ·
0 评论

Tensorflow：批归一化和l1l2正则化

Batch Nomalizationtodo-柚子皮-L2正则化tensorflow实现示例1：from tensorflow.python.keras.regularizers import l2self.kernels = [self.add_weight(name='kernel' + str(i), shape=(hidden_units[i], hidden_units[i + 1]), initial
原创
发布博客 4 月前 ·
261 阅读 ·
0 点赞 ·
1 评论

深度学习：蒸馏Distill

Distilling the knowledge in a neural networkHinton 在论文中提出方法很简单，就是让学生模型的预测分布，来拟合老师模型（可以是集成模型）的预测分布，其中可通过用 logits 除以 temperature 来调节分布平滑程度，还避免一些极端情况影响。蒸馏时的softmax比之前的softmax多了一个参数T（temperature），T越大产生的概率分布越平滑。[Distilling the knowledge in a neural
原创
发布博客 7 月前 ·
778 阅读 ·
0 点赞 ·
0 评论

PyTorch：距离度量

两个张量之间的欧氏距离即m*e和n*e张量之间的欧式距离理论分析算法实现import torchdef euclidean_dist(x, y): """ Args: x: pytorch Variable, with shape [m, d] y: pytorch Variable, with shape [n, d] Returns: dist: pytorch Variable, with shape [m, n]...
原创
发布博客 9 月前 ·
1750 阅读 ·
2 点赞 ·
0 评论

PyTorch：卷积/padding/pooling api

填充paddingtorch.nn.ConstantPad2d(padding: Union[T, Tuple[T, T, T, T]], value: float)参数：padding (int, tuple) – the size of the padding. If is int, uses the same padding in all boundaries. If a 4-tuple, uses padding_left , padding_right , padding_top , pa
原创
发布博客 1 年前 ·
660 阅读 ·
0 点赞 ·
0 评论

PyTorch：分布生成函数

TORCH.NORMALtorch.normal(mean, std, *, generator=None, out=None) → Tensor这种生成正态分布数据的张量创建有4种模式：（1）mean为张量，std为张量（2）mean为标量，std为标量（3）mean为标量，std为张量（4）mean为张量，std为标量[从零开始深度学习Pytorch笔记（3）——张量的创建（下）]torch.normal(mean, std, size, *, out=None) → T
原创
发布博客 1 年前 ·
953 阅读 ·
0 点赞 ·
0 评论

PyTorch：模型训练-分布式训练

-柚子皮-不同数据并行方案(parameter server 模式和 allreduce 模式，同步更新和异步更新)的详细介绍。分布式算法原理Parameter server 模式以参数????为同步基础，我们可以采用 master-slave 的同步模式：将 node 分成两种角色：parameter server(ps) 负责维护一份最新的参数 ，worker 负责利用从 ps 读到的最新参数计算出梯度(forward 和 backprop)，并对 ps 发送梯度和参数更新请求。这被
原创
发布博客 1 年前 ·
567 阅读 ·
0 点赞 ·
0 评论

无重复元素的组合算法/n个列表中取n个不同的数

方法1：无重复元素的组合算法修改排列组合算法[Generate all combinations from multiple lists]private static void generatePermutations(List<List<String>> lists, List<List<String>> result, int depth, List<String> current) { if (depth >=...
原创
发布博客 2 年前 ·
533 阅读 ·
0 点赞 ·
0 评论

PyTorch：全局函数

from:-柚子皮-ref:
原创
发布博客 2 年前 ·
279 阅读 ·
0 点赞 ·
0 评论

PyTorch：nn操作

LayerNormtorch.nn.LayerNorm(normalized_shape, eps=1e-05, elementwise_affine=True, device=None, dtype=None)示例>>> input = torch.randn(20, 5, 10, 10)>>> # With Learnable Parameters>>> m = nn.LayerNorm(input.size()[1:])>
原创
发布博客 2 年前 ·
284 阅读 ·
0 点赞 ·
0 评论

PyTorch：模型save和load

-柚子皮-神经网络训练后我们需要将模型进行保存，要用的时候将保存的模型进行加载。PyTorch 中保存模型主要分为两类：保存整个模型和只保存模型参数。A common PyTorch convention is to save models using either a.ptor.pthfile extension.保存加载整个模型（不推荐）保存整个网络模型（网络结构+权重参数）torch.save(model, 'net.pth')加载整个网络模型（可能比较耗...
原创
发布博客 2 年前 ·
3042 阅读 ·
2 点赞 ·
3 评论

PyTorch：可视化TensorBoard

PyTorch 1.2.0 版本开始。安装及更新pip3install --upgrade torch torchvisionpip3 install tensorboardBugs:1 AttributeError: module 'tensorflow._api.v1.io' has no attribute 'gfile'出现这个问题的根本原因在于pytorch调了Tensorflow，最后由Tensorflow报出的错误，tensorflow的新版本与旧版本的不兼容。..
原创
发布博客 2 年前 ·
1411 阅读 ·
1 点赞 ·
1 评论

深度学习：batch_size和学习率 及如何调整

-柚子皮-学习率衰减import torch.optim as optimfrom torch.optim import lr_scheduler# 训练前的初始化optimizer = optim.Adam(net.parameters(), lr=0.001)#学习率衰减scheduler = lr_scheduler.StepLR(optimizer, 10, 0.1) # # 每过10个epoch，学习率乘以0.1# 训练过程中for n in n_epoch: ...
原创
发布博客 2 年前 ·
3511 阅读 ·
1 点赞 ·
0 评论

PyTorch：损失函数loss function

-柚子皮-from:-柚子皮-ref:
原创
发布博客 2 年前 ·
1565 阅读 ·
0 点赞 ·
0 评论

PyTorch：模型训练和预测

-柚子皮-指定GPU编号设置当前使用的GPU设备仅为0号设备，设备名称为 /gpu:0：os.environ["CUDA_VISIBLE_DEVICES"] = "0"设置当前使用的GPU设备为0,1号两个设备，名称依次为 /gpu:0、/gpu:1：os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"根据顺序表示优先使用0号设备,然后使用1号设备。Note: 指定GPU的命令需要放在和神经网络相关的一系列操作的前面。梯度裁剪n..
原创
发布博客 2 年前 ·
7448 阅读 ·
2 点赞 ·
0 评论

PyTorch：模型层和nn container

-柚子皮-查看模型每层输出详情Keras有一个简洁的API来查看模型的每一层输出尺寸，这在调试网络时非常有用。在PyTorch中也可以实现这个功能。使用很简单，如下用法：from torchsummary import summarysummary(your_model, input_size=(channels, H, W))input_size 是根据你自己的网络模型的输入尺寸进行设置。from:-柚子皮-ref:...
原创
发布博客 2 年前 ·
450 阅读 ·
0 点赞 ·
0 评论

PyTorch：模型训练-模型参数parameters

-柚子皮-模型层的命名方式命名方式 {自动识别名称如bn_layers}.0.weight if self.use_bn: self.bn_layers = nn.ModuleList( [nn.BatchNorm1d(hidden_units[i + 1]) for i in range(len(hidden_units) - 1)])模型参数初始化神经网络的初始化是训练流程的重要基础环节，会对模型的性能、...
原创
发布博客 2 年前 ·
4669 阅读 ·
4 点赞 ·
0 评论

PyTorch：tensor-数据处理

-柚子皮-functional.one_hot函数自动检测类别个数import torch.nn.functional as Fimport torchtensor = torch.arange(0, 5) % 3 # tensor([0, 1, 2, 0, 1])one_hot = F.one_hot(tensor)# 输出：# tensor([[1, 0, 0],# [0, 1, 0],# [0, 0, 1],# [1,...
原创
发布博客 2 年前 ·
810 阅读 ·
0 点赞 ·
0 评论

PyTorch：tensor-基本操作

Embeddingtorch.nn.Embedding(m, n)m 表示单词的总数目，n 表示词嵌入的维度，其实词嵌入就相当于是一个大矩阵，矩阵的每一行表示一个单词。emdedding初始化默认是随机初始化。# 定义词嵌入embeds = nn.Embedding(2, 5) # 2 个单词，维度 5# 得到词嵌入矩阵,开始是随机初始化的torch.manual_seed(1)embeds.weight#-0.8923 -0.0583 -0.1955 -0.9656 0...
原创
发布博客 2 年前 ·
3963 阅读 ·
1 点赞 ·
2 评论

PyTorch：tensor-张量维度操作（拼接、维度扩展、压缩、转置、重复……）

张量维度操作（拼接、维度扩展、压缩、转置、重复……）-柚子皮-torch.cat(seq, dim=0, out=None) 多个tensor拼接在指定的维度dim上对序列seq进行连接操作。参数：seq (sequence of Tensors) - Python序列或相同类型的张量序列dim (int, optional) - 沿着此维度连接张量out (Tensor, optional) - 输出参数例子：x = torch.randn(2, 3)x-0.5866 -0.
原创
发布博客 2 年前 ·
13122 阅读 ·
10 点赞 ·
1 评论
加载更多