![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 93
星空下0516
程序的宇宙
展开
-
深度学习的超参数调整
在深度学习中,超参数有很多种,比如:网络宽度(层宽)、深度(层数),链接方式、损失函数、学习率、批样本数量、优化器等等。对于一个工作来说,对其一一调整是非常浪费时间的,并且也不符合实际。因此我们需要对每个超参数对结果的影响有一个大致了解。#mermaid-svg-ttMBcFL2iL6C0VZQ {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-ttMBcFL2iL6C0V原创 2022-05-01 01:30:00 · 4945 阅读 · 0 评论 -
tensorlfow 卷积操作解释
解释一下:tf.keras.layers.Conv2D( filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), groups=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_ini原创 2022-04-23 23:20:11 · 2788 阅读 · 2 评论 -
深度学习中初始化权重
对于一个神经元来说,需要初始化的参数有两类:一类是权重W,还有一类是偏置b,虽然偏置b的初始化为可以使用0或者随机书代替,但是权重的初始化会对模型的训练有重要影响。文章目录tensorflow 权重初始化方法常见的初始化方法初始化与激活函数权重的初始化最好不要用零或随机数初始化权重,因为如果初始权重太小,则信号在穿过每一层时会收缩,会导致小而无用。如果初始权重太大,则信号在穿过每一层时会不断增长,直到其太大而无法使用为止。tensorflow 权重初始化方法这是tensorflow 2中的初始化权.原创 2022-04-21 22:11:42 · 3829 阅读 · 0 评论 -
欠拟合、过拟合、训练误差与泛化误差与模型复杂度的关系
文章目录相关定义欠拟合解决方案过拟合解决方案相关定义训练误差: 模型在训练数据集上表现出的误差。泛化误差: 模型在任意⼀个测试数据样本上表现出的误差的期望,并常常通过测试数据集上的误差来近似,这里可以理解成测试集。欠拟合: 模型⽆法得到较低的训练误差。过拟合: 模型的训练误差远小于它在测试数据集上的误差。通过上面的图,可以简单推出:loss不下降,分多种情况:训练集不下降,验证集不下降,本文结合其它博客,做个小的总结:训练损失与测试损失结果分析训练损失不断下降↓\downarrow↓原创 2022-04-20 19:08:21 · 4957 阅读 · 1 评论 -
解决数据遇到缺失值(NAN)问题
文章目录NAN概述什么是NaN值?NaN值是怎样的危险?如何处理它们?测试!处理方法方法1: 直接删除方法2. 用0/平均值/中位数替换方法3. 指定一个独特的类别方法4:用最邻近算法KNN进行估算方法5:用随机森林算法(Randforest)进行估算方法6:用MICE进行代偿在做大数据分析,特别是图像识别或者重构时,发现了一个可以破坏每个数据分析过程的障碍。这个障碍被称为数据科学和机器学习中的NaN值。在现实世界的数据中,有一些情况下,由于各种原因,例如,损坏的数据,未能加载信息,或不完整的提取,导致一原创 2022-04-14 17:16:31 · 9569 阅读 · 0 评论 -
机器学习中分类算法的优缺点
各种分类算法的优缺点算法优点缺点贝叶斯分类法1)所需估计的参数少,对于缺失数据不敏感。2)有着坚实的数学基础,以及稳定的分类效率。1)需要假设属性之间相互独立,这往往并不成立。(喜欢吃番茄、鸡蛋,却不喜欢吃番茄炒蛋)。2)需要知道先验概率。3)分类决策存在错误率。决策树1)不需要任何领域知识或参数假设。2)适合高维数据。3)简单易于理解。4)短时间内处理大量数据,得到可行且效果较好的结果。5)能够同时处理数据型和常规性属性。 6)一次构建,反复使用。 7)可以处理不相关特原创 2022-04-13 17:20:24 · 246 阅读 · 0 评论