![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
junjian Li
如若前路不明,请俯首看脚下.
展开
-
jupyter-lab添加虚拟环境
1.首先是创建环境:com_envs2.然后是添加环境ipython kernel install --user --name com_envs原创 2021-11-24 19:31:54 · 664 阅读 · 0 评论 -
pytorch完整的训练过程(以resnet为例)
import osfrom posixpath import basenameimport numpy as npimport torchimport torchvisionimport argparse# 这里的module是自己定义的,存储模型和预处理from modules import transform, resnet_classification# 这里的utils 是自己定义的,存储一些配置文件from utils import yaml_config_hook, save原创 2021-11-12 16:55:12 · 2736 阅读 · 0 评论 -
多变量COX回归 R语言
library("survival")library("survminer")res <- coxph(Surv(Survival_time, Death)~cluster_0 + cluster_1 + cluster_2 + cluster_3 + cluster_4 + cluster_5 + cluster_6 + cluster_7 + cluster_8 + cluster_9 + cluster_10 + cluster_11 + cluster_12 + cluster_13 +原创 2021-10-08 15:55:25 · 3257 阅读 · 0 评论 -
伪标签
什么是伪标签伪标签是将置信度较高的测试数据添加到训练数据中的过程。伪标签一共有5个步骤。使用**训练集数据(Train1)**训练一个模型。使用训练好的模型预测测试集数据。将预测的置信度较高的样本加入到训练集中。使用新的训练集训练一个新的模型。使用新的模型去预测测试集数据。1. 建立第一个模型正常建立模型即可2. 预测测试集正常测试即可3. 增加伪标签数据到训练集将所有预测的置信度Pr(y=1|x)>0.99和Pr(y=0|x)>0.99的加入到训练集中。4.训练一原创 2021-05-19 16:16:24 · 2102 阅读 · 4 评论 -
如何处理不平衡数据
如何处理不平衡数据实际数据往往分布得很不均匀,都会存在“长尾现象”,也就是所谓的“二八原理”。解决这一问题的基本思路是让正负样本在训练过程中拥有相同的话语权,比如利用采样与加权等方法。为了方便起见,我们把数据集中样本较多的那一类称为“大众类”,样本较少的那一类称为“小众类”。从数据的角度1. 采样1.1 上采样上采样是把小众类复制多份,一个点会在高维空间中反复出现,这会导致一个问题,那就是运气好就能分对很多点,否则分错很多点。为了解决这一问题,可以在每次生成新数据点时加入轻微的随机扰动(对于图像而原创 2021-05-04 19:52:36 · 1130 阅读 · 0 评论 -
标准化互信息NMI计算步骤及其Python实现
标准化互信息NMI计算步骤:Python 实现代码:''' 利用Python实现NMI计算'''import mathimport numpy as npfrom sklearn import metricsdef NMI(A,B): # 样本点数 total = len(A) A_ids = set(A) B_ids = set(B) # 互信息计算 MI = 0 eps = 1.4e-45 for idA in A_ids原创 2021-04-17 19:44:15 · 3202 阅读 · 1 评论 -
卷积神经网络超详细介绍
卷积神经网络超详细介绍原创 2021-04-09 22:35:48 · 99 阅读 · 0 评论 -
BN的作用
BN的作用一共有三个:1 加速网络的收敛速度2 控制了梯度消失的问题3 防止过拟合参考文献:网络中BN层的作用BN的作用BN训练和测试时的区别卷积神经网络CNN—— BN(Batch Normalization) 原理与使用过程详解BN的实现...原创 2021-04-09 22:26:42 · 4811 阅读 · 0 评论