自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(173)
  • 收藏
  • 关注

原创 【机器学习300问】78、都有哪些神经网络的初始化参数方法?

都有哪些神经网络的初始化参数方法?随机初始化、Xavier初始化、He初始化;选择方法的原则是什么?不同的激活函数选择不同的初始化参数方法、分析神经网络的深度和网络结构。

2024-04-20 01:50:36 1139

原创 【机器学习300问】77、什么是梯度消失和梯度爆炸?

梯度消失(Vanishing gradients)是什么?梯度爆炸(Exploding gradients)是什么?

2024-04-19 21:06:51 885

原创 【机器学习300问】76、早停法(Early Stopping)是如何防止过拟合的?

早停(Early Stopping)是如何防止过拟合的?早停是什么呀?通过验证集上的损失函数随迭代轮次变化的图像来帮助理解早停法,早停的具体实现细节,早停的优点与缺点。

2024-04-19 20:19:44 838

原创 【机器学习300问】75、如何理解深度学习中Dropout正则化技术?

Dropout正则化的原理是什么?如何具体实现Dropout?为什么Dropout会起作用?它是怎么解决过拟合的?

2024-04-18 20:11:12 979

原创 【机器学习300问】74、如何理解深度学习中L2正则化技术?

如何理解深度学习中L2正则化技术?包括L2正则化项的损失函数长什么样,L2正则化到底是怎么起作用的?微观上,对激活函数的影响。宏观上,对神经网络结构的影响。

2024-04-17 20:57:23 1142

原创 【机器学习300问】73、神经网络中有哪些常见超参数?

神经网络中的常见超参数举例。学习率、正则化参数、激活函数、网络深度、神经元数量、批量大小、迭代次数、Dropout比例

2024-04-17 19:52:49 960

原创 【机器学习300问】72、神经网络的隐藏层数量和各层神经元节点数如何影响模型的表现?

评估深度学习的模型的性能依旧可以用偏差和方差来衡量。它们反映了模型在预测过程中与理想情况的偏离程度,以及模型对数据扰动的敏感性。我们简单回顾一下什么是模型的偏差和方差?神经网络的深度和节点数对模型性能有何影响?

2024-04-17 18:16:39 1335

原创 【学习心得】Pandas处理缺失值的思路

Pandas处理缺失值分三步:识别缺失值、分析缺失值、处理缺失值(删除缺失值、填充缺失值)

2024-04-17 14:22:39 418

原创 【机器学习300问】71、神经网络中前向传播和反向传播是什么?

神经网络中前向传播和反向传播是什么?用计算图来理解,用神经网络块来理解。

2024-04-17 03:34:32 1376

原创 【机器学习300问】70、向量化技术来计算神经网络时维度如何确保正确?

向量化技术在进行神经网络计算时的优势,向量化技术来计算神经网络时维度如何确保正确?

2024-04-15 23:59:04 321

原创 【机器学习300问】69、为什么深层神经网络比浅层要好用?

深层神经网络在计算些什么?为什么要使用深层表示?不是所有神经网络任务都需要很深的层次。

2024-04-15 23:36:35 1343

原创 【机器学习300问】68、随机初始化神经网络权重的好处?

固定的初始化神经网络权重可能带来的问题。随机初始化神经网络权重的好处。打破对称性、避免梯度消失/爆炸、促进模型收敛

2024-04-14 23:15:21 618

原创 【机器学习300问】67、均方误差与交叉熵误差,两种损失函数的区别?

均方误差与交叉熵误差,两种损失函数的区别?

2024-04-14 18:29:50 943

原创 【Python面试题收录】什么是迭代器,为什么要使用它?

迭代器是什么?为什么要用它?

2024-04-13 21:40:30 269

原创 【学习心得】神经网络知识中的符号解释②

神经网络知识中的符号解释②

2024-04-13 21:24:09 794

原创 【Python面试题收录】面向对象的三个特性是什么?

面向对象的三个特性是什么?封装、继承、多态

2024-04-12 23:29:34 267

原创 【Python面试题收录】什么是堆?什么是栈?栈和堆的区别是什么?

什么是堆?什么是栈?栈和堆的区别是什么?

2024-04-12 23:12:38 303

原创 【算法练习】30:快速排序学习笔记

快速排序的算法思想,快速排序的算法步骤,基于Python的快速排序实现

2024-04-11 23:58:12 328

原创 【算法练习】29:插入排序学习笔记

插入排序的算法思想,插入排序的算法步骤,基于Python的插入排序实现。

2024-04-11 23:48:29 217

原创 【机器学习300问】66、ReLU激活函数相对于Sigmoid和Tanh激活函数的优点是什么?ReLU它有局限性吗?如何改进?

ReLU激活函数相对于Sigmoid和Tanh激活函数的优点是什么?ReLU它有局限性吗?如何改进?

2024-04-10 21:07:08 1263

原创 【机器学习300问】65、为什么Sigmoid和Tanh激活函数会导致梯度消失?

什么是梯度消失现象?为什么Sigmoid和Tanh激活函数会导致梯度消失?

2024-04-10 19:58:18 508

原创 【机器学习300问】64、简写出常见的激活函数及其导数?

简写出5个常见的激活函数及其导数

2024-04-09 23:38:44 442 2

原创 【机器学习300问】63、如何区分二分类、多分类和多标签分类?

如何区分二分类、多分类和多标签分类?

2024-04-09 22:35:15 629

原创 【机器学习300问】62、若想将逻辑回归用于多分类有哪些常见做法?

若想将逻辑回归用于多分类有哪些常见做法?一对一、一对多和多输出逻辑回归三种方法之间的联系?

2024-04-08 21:40:35 951

原创 【学习心得】Python中的queue模块使用

Python 中的 queue 模块提供了一种实现队列数据结构的方法,这个模块非常适合多线程环境,因为它包含了线程安全的队列类。在 Python 中可以使用 queue 模块创建多种类型的队列,如普通队列(FIFO)、优先级队列( PriorityQueue )等。

2024-04-08 17:50:12 158

原创 【算法练习】28:选择排序学习笔记

选择排序的算法思想、选择排序的算法步骤、基于Python的选择排序实现。

2024-04-04 23:54:00 630

原创 【算法练习】27:冒泡排序学习笔记

冒泡排序(bubble sort)通过连续地比较与交换相邻元素实现排序。这个过程就像气泡从底部升到顶部一样,因此得名冒泡排序。

2024-04-04 17:04:53 687

原创 【Python面试题收录】Python中有哪些方法交换两个变量的值?至少给出三种方法。

Python中有哪些方法交换两个变量的值?至少给出三种方法。使用临时变量、元组、加减法、异或运算。

2024-04-03 19:45:05 181

原创 【学习心得】Numpy学习指南或复习手册

本文是自己在学习Numpy过后总是遗忘的很快,希望将numpy的知识点织成一张网,形成一个体系。能够方便我每次复习的时候快速回想,并帮助我构建对知识点之间的关联,巩固和加深理解。

2024-04-03 18:56:30 358

原创 【Python面试题收录】Python的深浅拷贝

Python的深浅拷贝的区别,如何进行浅拷贝,如何进行深拷贝。

2024-04-03 03:34:26 338

原创 【Python面试题收录】Python的可变对象与不可变对象

可变对象与不可变对象的定义,哪些是不可变对象,哪些是可变对象,可变与不可变的意义。

2024-04-03 03:11:38 263

原创 【机器学习300问】61、逻辑回归与线性回归的异同?

本文讲述两个经典机器学习逻辑回归(Logistic Regression)和线性回归(Linear Regression)算法的异同,有助于我们在面对实际问题时更好的进行模型选择。也能帮助我们加深对两者的理解,掌握这两类基础模型有助于进一步理解更复杂的模型结构,例如逻辑回归是许多复杂分类算法的基础模型之一,对其深入理解有助于后续学习神经网络、支持向量机等更为复杂的模型。如果对这两个模型的基本知识有所遗忘,可以观看我之前的文章哦:【机器学习300问】15、什么是逻辑回归模型?

2024-04-02 18:54:33 1458

原创 【学习心得】Python下划线总结

在Python中,下划线在变量、函数、方法以及类的名称中有很多不同的用法和含义,这篇文章就是用来总结所有的Python下划线。

2024-04-02 02:39:15 176

原创 【机器学习300问】60、图像分类任务中,训练数据不足会带来什么问题?如何缓解图像数据不足带来的问题?

训练数据不足会造成什么问题?如何解决数据不足带来的问题?

2024-04-01 23:28:06 1397

原创 【机器学习300问】59、计算图是如何帮助人们理解反向传播的?

计算图是如何帮助人们理解反向传播的?计算图是什么?计算图怎么实现正向传播?计算图怎么实现反向传播?

2024-04-01 19:00:04 1644

原创 【机器学习300问】58、什么是词袋模型和N-gram模型?

词袋模型(Bag of Words, BoW)和N-gram模型主要用于早期的自然语言处理任务。

2024-03-31 21:16:50 940

原创 【机器学习300问】57、机器是如何读得懂文本数据的呢?

你知道的,人工智能的大佬们想方设法的让机器具备人一样的能力,比如读懂文本的能力。既然机器是在模仿人类,那么问题“机器是如何读得懂文本数据的呢?”就可以变成“人是如何读得懂文本数据的呢?”

2024-03-31 19:53:49 988

原创 【机器学习300问】56、什么是自编码器?

自编码器(Autoencoder,AE)本质是一种特殊的神经网络架构。主要用于无监督学习和特征学习任务。它的目标是通过编码然后解码的过程,学会重构其输入数据,试图还原其原始输入的

2024-03-29 22:07:56 1196

原创 【学习心得】恢复误删本地文件的两种方法

恢复误删本地文件的两种方法

2024-03-29 02:21:39 368

原创 【机器学习300问】55、介绍推荐系统中的矩阵分解算法是什么、有什么用、怎么用?

矩阵分解算法有什么用?矩阵分解算法是什么?矩阵分解算法怎么用?

2024-03-28 23:59:23 1023

手语识别-深度学习-自建ASL数据集-模型训练(分卷压缩第三卷/最后一卷)

内容概要: 本资源是一套自建美国手语(American Sign Language, ASL)手势数据集,通过OpenCV实现每秒30帧的高清视频录制,精准捕捉并记录了连续且细腻的手部动作变化,旨在用于深度学习算法对手势识别的研究与训练。数据集中所有图片均为720p分辨率(1280x720像素),确保了手部细节特征在图像中的高清晰度展现。为进一步提升模型的学习效果和泛化能力,我还对手语图像采用了尺度归一化,高斯滤波,肤色提取和二值,四种方式来进行数据增强。 适用人群: 此数据集适用于机器学习工程师、人工智能研究人员、计算机视觉领域的学者以及致力于开发智能手语识别系统的开发者和团队。 使用场景及目标: 该数据集适用于训练和测试深度学习模型,目标在于提高手语识别系统的识别精度和实时性能。 其他说明: 为了增强模型泛化能力和应对不同环境下的识别挑战,数据集中的手势样本在多种拍摄角度下采集,并特意设置了简洁单一的背景以减少干扰因素。每个手势类别都提供了丰富的变体,大约包含1000张不同情境下的图像,总计涵盖了约2万张手势数据图片,充分满足大规模训练和验证的需求。

2024-04-01

手语识别-深度学习-自建ASL数据集-模型训练(分卷压缩第二卷)

内容概要: 本资源是一套自建美国手语(American Sign Language, ASL)手势数据集,通过OpenCV实现每秒30帧的高清视频录制,精准捕捉并记录了连续且细腻的手部动作变化,旨在用于深度学习算法对手势识别的研究与训练。数据集中所有图片均为720p分辨率(1280x720像素),确保了手部细节特征在图像中的高清晰度展现。为进一步提升模型的学习效果和泛化能力,我还对手语图像采用了尺度归一化,高斯滤波,肤色提取和二值,四种方式来进行数据增强。 适用人群: 此数据集适用于机器学习工程师、人工智能研究人员、计算机视觉领域的学者以及致力于开发智能手语识别系统的开发者和团队。 使用场景及目标: 该数据集适用于训练和测试深度学习模型,目标在于提高手语识别系统的识别精度和实时性能。 其他说明: 为了增强模型泛化能力和应对不同环境下的识别挑战,数据集中的手势样本在多种拍摄角度下采集,并特意设置了简洁单一的背景以减少干扰因素。每个手势类别都提供了丰富的变体,大约包含1000张不同情境下的图像,总计涵盖了约2万张手势数据图片,充分满足大规模训练和验证的需求。

2024-04-01

手语识别-深度学习-自建ASL数据集-模型训练(分卷压缩第一卷)

内容概要: 本资源是一套自建美国手语(American Sign Language, ASL)手势数据集,通过OpenCV实现每秒30帧的高清视频录制,精准捕捉并记录了连续且细腻的手部动作变化,旨在用于深度学习算法对手势识别的研究与训练。数据集中所有图片均为720p分辨率(1280x720像素),确保了手部细节特征在图像中的高清晰度展现。为进一步提升模型的学习效果和泛化能力,我还对手语图像采用了尺度归一化,高斯滤波,肤色提取和二值,四种方式来进行数据增强。 适用人群: 此数据集适用于机器学习工程师、人工智能研究人员、计算机视觉领域的学者以及致力于开发智能手语识别系统的开发者和团队。 使用场景及目标: 该数据集适用于训练和测试深度学习模型,目标在于提高手语识别系统的识别精度和实时性能。 其他说明: 为了增强模型泛化能力和应对不同环境下的识别挑战,数据集中的手势样本在多种拍摄角度下采集,并特意设置了简洁单一的背景以减少干扰因素。每个手势类别都提供了丰富的变体,大约包含1000张不同情境下的图像,总计涵盖了约2万张手势数据图片,充分满足大规模训练和验证的需求。

2024-04-01

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除