Deep Learning(wu--107)ML策略、迁移学习

最新推荐文章于 2024-09-10 15:29:42 发布
最新推荐文章于 2024-09-10 15:29:42 发布
阅读量59 收藏
点赞数 1
分类专栏： Deep Learning 文章标签： 深度学习 迁移学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qihshe/article/details/134760997
版权

文章目录


3

ML策略

ML四个要求，快速定位调节

单实数评估指标

可以大大提升迭代速度






以前的划分比例是因为数据少，为了确保验证集足够大，能够对指标进行评估，选出更好的算法（分类器）

更改指标或验证集



与人类水平比较

贝叶斯最优错误率是理论最低的错误率，除非过拟合







brief summary



哈哈哈，这鼓励爱了

误差分析


清除标注错误的数据




在构造实际系统时，通常需要更多的人工错误分析，更多的人类见解来构建
统计错误数据，花费一些时间进行误差分析，找到需要优先处理的任务

在不同的数据划分上进行训练


training-dev set



解决数据不匹配



迁移学习

当你尝试优化任务B的性能，并且任务B的数据相对较少，你可以找一个相关但不同的任务（拥有大量数据），such as图像识别，并从中学到很多低层次特征，能帮助你提升B的性能

多任务学习


端到端的深度学习


异教徒



怎么全是重名
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
人工智能（AI）、机器学习（ML）和深度学习（DL）：有什么区别？ | Linux 中国（转载）
m0_46232425的博客
08-14 696
在过去十年中，机器学习和深度学习的进步已经在各种规模的行业和组织中创造了人工智能热潮。最近，软件开发的低代码和无代码概念被用作机器学习中的自学习过程，它给出了完成特定任务的特定指令。通过使用数据和算法对机器进行“训练”，使其能够学习如何执行任务，更重要的是，将学习应用到不断发展的过程中。机器学习是在开发者社区专注于 AI 时发展起来的，然后发展了算法决策树学习、逻辑编程、聚类、并行处理和强化学习。让我们看看每个术语的演变和历程，以更好地理解人工智能、机器学习和深度学习实际指的是什么。本文转载于Linux。.
Deep learning for fine-grained image analysis：A survey
abrams90的专栏
10-24 1864
Abstract CV是一种机器理解与分析图像的过程，是人工智能的一个重要分支。在CV众多的研究领域中，细粒度图像分析（FGIA）是一个持续基础的工作，是真实世界应用中普遍存在的问题。FGIA的目标是区分视觉目标的子类别，例如，鸟的类别或者车辆的类别。细粒度特性导致的小类内变化与大类间变化使得细粒度分类称为一个具有挑战性的问题。随着深度学习爆炸式的发展，近些年来FGIA利用深度学习技...
机器学习（ML）深度学习（DL）基础知识记录（面试）
weixin_57148141的博客
05-03 273
支持向量机之所以成为目前最常用，效果最好的分类器之一，在于其优秀的泛化能力，这是是因为其本身的优化目标是结构化风险最小，而不是经验风险最小，因此，通过margin的概念，得到对数据分布的结构化描述，因此减低了对数据规模和数据分布的要求。原来的问题是一个凸优化问题 ， 看到凸优化问题一般会想到， 利用拉格朗日乘子法， 将有约束的问题转换为无约束的问题， 在将无约束的原问题转化为对偶问题(注意这里面的KKT条件)， 进而利用SMO(序列最小优化)来解决这个对偶问题。ELU 的提出也解决了 ReLU 的问题。
深度学习 day11机器学习（ML）策略
博客
08-19 317
01 进行误差分析 人工检查你的算法错误，也许可以让你了解接下来应该做什么，这个过程就叫误差分析 同样是一个猫分类器，但是它的准确度只有90%，它会将一些狗的图片识别成猫，如果花费几个月的时间来开发专门研究狗的项目，那是大可不必，因为可能取不到效果。所以我们推荐使用误差分析：我们自己手动的观察100个错误标记的开发集例子，如果只有其中5个是狗的图片，那么就算把识别狗做的很好，误差也高达9.5%，如果其中有50个是狗的图片，这时我们在对识别狗进行完善就可以将误差减半到5%。 有时在做误差分析时，也
一文看懂深度学习新王者「AutoML」：是什么、怎么用、未来如何发展？
量子位
08-25 3410
原作：George Seif夏乙 安妮 编译整理量子位 出品 | 公众号 QbitAIAutoML和神经架构搜索（NAS），是深度学习领域的新一代王者。这些方法能快糙猛地...
深度学习——神经网络、ML策略、迁移学习、多任务学习、端到端学习、梯度下降的优化算法
胡图图不糊涂的博客
07-19 876
它是。
【机器学习笔记】可解释机器学习-学习笔记 Interpretable Machine Learning (Deep Learning)
VentusDeus的博客
12-13 821
可解释机器学习-笔记和代码
吴恩达老师deeplearning.ai-第三课和第四课作业
04-23
此外，课程可能还涵盖了图像分类、物体检测、语义分割等实际应用，以及在实际项目中如何使用预训练的CNN模型进行迁移学习。 课后测验通常是检验学生对课程内容理解程度的重要环节。在这个“第三课课后测验”中，...
【Transfer Learning】迁移学习的总体概述和阅读推荐（会持续更新）
PRIS-SCMonkey的博客
03-25 4562
推荐迁移学习入门的读物，包括论文、手册、山头、综述blabla的。
Normalization Techniques in Deep Learning
06-08
深度学习中的规范化技术是优化神经网络模型性能的关键方法之一。这些技术主要目的是改善网络的训练过程，加速收敛速度，减少过拟合，并提高泛化能力。规范化通过调整输入数据或激活函数的分布来确保网络层间的信息...
require 一次弄清_弄清机器学习ml和深度学习dl之间的区别
weixin_26731327的博客
08-31 364
require 一次弄清Artificial intelligence is any technique that enables machines — computers, in particular — to mimic human behaviour and perform similar tasks. Most software could fall under this broad de...
从机器学习到深度学习（ML—DL）
咔咔响
01-23 1008
1.统计机器学习常用的四种方法：正则化、核化、集成化和层次化2.深度神经网络包括多层感知机、卷积神经网络和循环神经网络等3.深度生成网络包括深度有向网络、深度信念网络和深度波尔茨曼机4....
关于一个DL／ML（深度学习／机器学习）的学习计划
GP0000968523的专栏
09-17 2630
对于机器学习路线图文章的理解 机器学习路线图 一：机器学习关注的问题 监督学习（有相关的标签） 1:分类问题 2:回归问题 无监督学习 3:聚类问题（没有已知道的标签） 二具体在计算机行业中的问题 1:计算机视觉 2:自然语言处理 3:社会网络分析 4:推荐系统 三：学习的应该具备的基本的素质 数学（微积分，线性代数，概率统计） 英语 机器学习的典型的算
人工智能(AI),机器学习(ML),表示学习(RL),深度学习(DL)
醉糊涂仙的博客
09-20 1万+
一,AI 人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟...
如何利用Java库学习神经网络
CSDN研发技术
10-29 9331
原文：Learning Neural Networks Using Java Libraries 作者： Daniela Kolarova 翻译：lloog 译者注：作者介绍了神经网络的进化历史，总结了流行的Java神经网络库，以及实现神经网络的方法 。作为开发人员，我们习惯从用命令或函数的角度来思考问题。程序由任务组成，每个任务都包含一些编程结构。神经网络不同于这种编程方法，
捋一捋人工智能（AI）、机器学习（ML）、深度学习（DL）之间的关系
热门推荐
zeng_haoyu的博客
04-02 1万+
    人工智能的浪潮正在席卷全球，人工智能和机器学习与深度学习是我们最近听的最多的词，所以我想写一篇文章来讲一讲我心中这三者的关系。也希望通过这篇文章加深自己对这三者的了解。    我一直觉得人工智能不是一个非常庞大的概念，单从字面上理解，应该是理解成人为创造的智能。那么什么是智能，我觉得如果一个机器能有像人类一样甚至超过人类的推理、知识、学习、感知处理等这些能力，我们姑且就可以称它是一个有智能...
【Python机器学习】循环神经网络（RNN）——审察模型内部情况
最新发布
weixin_39407597的博客
09-10 534
Keras附带了一些工具，比如model.summary()，用于审察模型内部情况。随着模型变得越来越复杂，我们需要经常使用model.summary()，否则在调整超参数时跟踪模型内部的内容的变化情况会变得非常费力。
【大模型专栏—入门篇】机器学习与深度学习基础测试
文艺倾年的博客
09-10 1482
在前向传播过程中，模型各个层的参数w和层的输入输出都是fp16，但是fp16的精度不够，无法表示特别小的数值，这会导致在进行梯度更新的时候，梯度值下溢，导致被调整参数没有变化。因此，合理选择缩放因子和监测训练过程中梯度的变化是非常重要的。，当GPU显存不够充足的情况下，较大的Batch size会导致OOM，因此，需要针对实际的硬件情况，设置合理的Batch size取值。对于所有wi都是一样的，xi是i-1层的激活函数的输出，如果像sigmoid一样，输出值只有正值，那么对于第i层的所有wi，其。
深度学习：怎么看pth文件的参数
weixin_59815450的博客
09-07 383
你需要有创建这个.pth文件时所用的模型的代码。这意味着你需要有模型的类定义和架构。
deep-learning-in-phm
07-07
### 回答1： Deep Learning在可持续性健康管理（PHM）领域的应用越来越广泛。PHM是一种利用数据分析和故障诊断技术来预测和控制设备和系统健康状况的策略。深度学习是一种基于神经网络的机器学习方法，通过模拟人脑神经元的工作原理，可以提取和学习复杂数据中的模式和特征。 在PHM领域，Deep Learning可以通过处理大量传感器和设备数据来实现准确的故障诊断和预测。它可以自动提取关键特征，并对数据进行高级分析，识别设备故障的原因和模式。与传统的基于规则的方法相比，Deep Learning不需要人工定义特征和规则，能够更好地适应不同设备和系统的特征。 通过Deep Learning，PHM可以实现更可靠的故障预测和诊断，提高设备和系统的可用性和效率。例如，在航空航天领域，Deep Learning可以通过分析飞机传感器数据来准确预测发动机故障，并采取相应的维修措施，避免事故发生。在制造业中，Deep Learning可以识别设备生产过程中的异常，并提供实时的故障诊断和维修建议，减少停机时间和成本。 此外，Deep Learning还可以加强PHM系统的自适应性和智能化。它可以通过持续学习和迭代优化模型，逐渐提高预测和诊断的准确性。与时间推移，系统可以从数据中学习新的模式和趋势，实现更好的预测和故障诊断能力。 总之，Deep Learning在PHM领域具有巨大的潜力，可以提高设备和系统的可靠性，并为实现可持续性健康管理提供更强大的工具和方法。 ### 回答2： Deep learning in PHM（Prognostics and Health Management）是一种将深度学习应用于预测和健康管理领域的方法。PHM是指对工程系统的健康状态进行实时监测、诊断和预测，以实现系统的可靠性、可用性和维修性的优化。使用深度学习算法可以让系统更准确地预测组件故障和系统失效。 在PHM中，深度学习可以利用大量的数据进行模型训练和学习。通过使用多层神经网络和复杂的模型架构，可以探索数据中的潜在模式和特征，并从中提取有用的信息。相比传统的统计方法，深度学习可以处理更庞大和更复杂的数据集，并在数据中学习到更高层次的特征。 深度学习在PHM中有许多应用。例如，在机械系统中，可以使用深度学习算法对传感器数据进行处理，从而实现对系统的状态监测和预测。在航空领域，深度学习可以用于对飞机引擎数据进行分析，以实现对发动机的健康状况进行监测和预测。 值得注意的是，深度学习在PHM中的应用仍处于不断发展和探索阶段。由于深度学习需要大量的数据进行训练，因此数据的收集和处理是深度学习PHM的关键挑战之一。此外，深度学习模型的可解释性也是一个需要考虑的问题，因为在PHM中，准确的故障诊断和预测需要对模型的输出进行解释和理解。 总的来说，Deep learning in PHM是一种有潜力的方法，可以通过利用大数据和神经网络的强大能力来实现对系统健康状态的预测和管理。随着技术的不断发展，深度学习在PHM中的应用将有望为工程系统的维护和优化提供更高效和准确的解决方案。 ### 回答3： 深度学习在预测性维护中的应用（Deep Learning in Prognostics and Health Management，简称PHM）的概念是指利用深度学习算法来分析和利用大量的数据，实现对设备或系统的故障预测和健康状况监测。 深度学习在PHM中的应用可以大大提高设备的可靠性和寿命，减少维护和修复的成本，同时还可以实现更长的设备运行时间和更好的生产效率。 深度学习算法可以通过对大量历史数据的学习，自动发现数据中的模式和特征，进而预测设备的健康状况和剩余寿命。这种基于数据驱动的方法相比于传统的基于物理模型的方法更为灵活和准确。 深度学习在PHM中的应用不仅仅局限于故障预测，还可以用于故障诊断和故障根因分析。通过对设备运行过程中的传感器数据和操作记录进行分析，深度学习算法可以识别出故障的类型和位置，并准确定位到故障的根本原因。 此外，深度学习在PHM中还可以用于优化设备的维护计划。通过对设备历史数据和维护记录的分析，深度学习算法可以推断出最优的维护时间和方式，从而最大程度地延长设备的使用寿命和提高设备的可靠性。 综上所述，深度学习在PHM中的应用具有巨大的潜力和优势。通过对大量数据的学习和分析，深度学习可以实现对设备的故障预测、健康状况监测、故障诊断和维护优化，从而提高设备的可靠性和寿命，降低维护成本，提高生产效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值