- 博客(4)
- 收藏
- 关注
RSS订阅原创 python 多维数据计算方差
Python中多维数据的方差计算本以为通过np.var()就可以计算方差了，对于多维数据这样还不够，采用np.var的时候总是出现这样那样的问题。比如：多方搜查发现对于指定维度的数据进行方差计算需要变换一种方式，其中一种就是：Data=[[85 68 90],[85 68 90],[84 90 78]]Var1 = Data.var(axis = 1)%表示每一行的方差Var0 = Data.var(axis = 0)%表示每一列的方差...
2020-12-19 23:13:47
4702
2
原创 关于深度神经网络（DNN）的泛化能力以及标签噪声学习
网络泛化以及标签噪声学习相关文章学习记录（理论型）：1-UNDERSTANDING DEEP LEARNING REQUIRES RETHINKING GENERALIZATION（ICLR2017最佳论文之一）论文链接：https://arxiv.org/pdf/1611.03530.pdf该文章通过实验验证了，利用随机梯度训练的图像分类卷积网络可以很容易适应训练数据中的标签噪声。此外，还分析阐述了深度网络的泛化能力性质上不受显式正则化（explicit regularization）的影响，即使我
2020-12-15 22:43:37
1596
原创 关于常见离散分类损失函数之间的区别与联系
常见的分类损失函数：以下主要阐述基于逻辑回归和交叉熵相关的四个损失函数torch.nn.BCELoss和torch.nn.BCEWithLogitsLoss，nn.NLLLoss和torch.nn.CrossEntropyLoss。首先针对常见的nn.NLLLoss和torch.nn.CrossEntropyLoss函数简言之：CrossEntropyLoss= softmax+log+NLLLosstorch.nn.BCELoss和torch.nn.BCEWithLogitsLoss函数
2020-12-14 21:46:57
680
1
原创 噪声标签学习（一）
噪声标签学习（一）在有监督学习过程中，大量的准确标注的样本训练样本至关重要。但在实际应用过程中，标记数据往往需要大量的人力，物力财力。标注的数据质量某种程度上还受到人为主观因素的影响，导致实际获取的标注样本时常含有不定比例的标签噪声。然而，实验发现DNN在网络训练过程中，总是会学到标签噪声中的信息，对网络的性能带来干扰。为此，如何能够对标签噪声样本进行合理训练避免标签噪声对网络模型的训练带来干扰是近几年的又一个热门研究话题。接下来将对了解到的几篇近期了解的相关方法进行一个概述：NIPS2018 ：Co
2020-12-09 23:05:09
9041
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人