- 博客(67)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 15.回归问题
回归问题是机器学习领域中的核心问题之一，它旨在通过拟合数据点来建立数学模型，以预测因变量的值。回归问题不仅广泛应用于金融、医疗、工程等领域，也是数据分析和机器学习算法研究的重要基础。本文将深入探讨回归问题的基本概念、数学原理、常用方法以及实践应用，并通过数学公式和代码示例进行说明。
2024-05-24 12:00:00
651
原创 14.多层感知机代码实现
对于手写数字识别，一个简单的多层感知机（MLP）或卷积神经网络（CNN）都可以工作得很好。使用PyTorch的nn.Module来定义你的网络结构。选择一个合适的损失函数（如交叉熵损失）和优化器（如Adam优化器）来训练你的模型。
2024-05-23 12:00:00
207
原创 12.多层感知机
不同的激活函数具有不同的特性和适用场景。Sigmoid和Tanh函数在早期神经网络中广泛使用，但由于梯度消失等问题，现在更多地被ReLU及其变体所取代。ReLU函数简单高效，但在某些情况下可能导致“神经元死亡”问题，而Leaky ReLU则通过允许小的负斜率来缓解这个问题。Softmax函数则是多分类问题中常用的输出层激活函数。在选择激活函数时，需要根据具体问题和需求进行权衡和选择。在输出值不是0或1的情况下，激活函数的选择取决于具体的应用场景和问题需求。
2024-05-21 12:00:00
531
原创 11.神经网络原理
神经网络是一种模拟人脑神经元工作方式的计算模型，它由多个神经元（或称为节点）组成，这些神经元通过连接（或称为权重）相互关联。神经网络可以分为输入层、隐藏层和输出层。输入层接收外部数据，隐藏层对数据进行处理，输出层则产生最终的预测结果。神经网络的复杂性取决于其深度（层数）和宽度（每层神经元的数量）。神经网络的学习过程是通过调整权重（w）和偏置项（b）来最小化预测值与实际值之间的误差。这通常通过反向传播（Backpropagation）算法来实现，该算法利用链式法则计算梯度，并更新网络中的权重和偏置项。
2024-05-20 19:00:00
786
原创 10.PyTorch安装
详细介绍了PyTorch在Windows操作系统上的安装过程。通过Anaconda创建Conda环境并使用PyTorch官网提供的安装命令，我们可以轻松地安装PyTorch及其相关依赖项。安装完成后，我们验证了PyTorch的版本、检查了CUDA的可用性，并创建了一个随机张量来测试PyTorch的功能。如果一切顺利，那么您现在已经成功安装了PyTorch，并可以使用它进行深度学习和其他计算任务了。
2024-05-20 09:00:00
522
原创 9.Jubyter Notebook
Jupyter Notebook 是一个开源的Web应用程序，它允许开发者方便地创建和共享包含实时代码、方程、可视化和解释性文本的文档。Jupyter Notebook 的界面是交互式的，用户可以在其中编写和运行代码块，即时查看结果，并轻松地对代码和文档进行迭代。
2024-05-19 12:00:00
471
原创 8.conda命令
Conda 是一个流行的包和环境管理工具，特别适用于 Python 数据的处理和科学计算。它允许用户轻松地安装、更新、删除和管理不同版本的包及其依赖项，同时还支持创建和管理多个隔离的 Python 环境。
2024-05-19 09:00:00
241
原创 7.CUDA和Anaconda
在弹出菜单中选择“环境变量”，在系统变量中找到“Path”，双击它，在弹出的对话框中选择“新建”，然后将Anaconda的安装路径以及Anaconda目录下的Scripts路径都添加到Path环境目录中。然后，不要随意下载版本安装，需要根据自己电脑显卡驱动的版本安装相应支持的CUDA版本，否则可能会出现不兼容的情况。在打开的面板里点击左下角的“系统信息”，在弹出的系统信息界面里，你可以看到驱动程序版本信息。比如，如果你的显卡驱动是472.12版本，那么最高能安装的CUDA版本可能是11.4.0。
2024-05-18 09:00:00
444
原创 5.微积分
极限极限是微积分的基础，用于描述函数在某一点的取值趋势。导数（Derivative）导数描述了函数在某一点附近的变化率，即函数值随自变量变化的快慢程度。对于一元函数 f(x)，其导数 f′(x) 定义为 limΔx→0Δxf(x+Δx)−f(x)。微分（Differential）微分描述了函数值随自变量的微小变化而产生的变化量。在一元函数中，微分可以表示为 dy=f′(x)⋅dx，其中 dy 是函数值的变化量，dx 是自变量的变化量，f′(x) 是该点的导数。
2024-05-17 09:00:00
606
原创 6.概率论
贝叶斯定理和极大似然估计是统计学和机器学习中非常重要的概念。贝叶斯定理用于根据已知信息更新事件的概率，而极大似然估计则用于估计模型参数，使得观测到的数据出现的概率最大。在深度学习中，许多模型都是基于极大似然估计的思想来训练的。同时，概率密度函数在描述连续随机变量的概率分布时起着关键作用。
2024-05-16 14:30:28
753
原创 4.线性代数
标量（Scaler）：没有方向或大小的一维数据，可以理解为0维张量。向量（Vector）：具有大小和方向的量，通常表示为有序数列。在线性代数中，向量可以被看作是一维数组，也可以看作是1维张量。矩阵（Matrix）：二维数组，其中每个元素都可以是标量、向量或其他数据。矩阵表示线性变换，也可以看作是2维张量。张量（Tensor）：多维数组，可以看作是矩阵的扩展。张量是N维张量，当N > 2时，它不再具有直观的几何解释，但可以表示高位空间中的复杂数据关系。
2024-05-16 08:00:00
1015
原创 3.深度学习课程--技术栈
在代码编辑器方面，我们推荐使用Jupyter Notebook，它是一款基于网页的交互式编辑器，支持Markdown语法和LaTeX数学公式编写，方便边学习边做笔记，并且易于与他人共享。在数据集方面，我们将使用一系列主流和具有代表性的数据集，如MNIST、Flower102、20 News Group等，以及在特定章节中使用的金融数据和NLP竞赛数据集。在后续章节中，我们将详细介绍CUDA、Anaconda等深度学习环境的配置，并提供Jupyter Notebook和PyTorch的安装教程。
2024-05-15 16:00:00
203
1
原创 2.深度学习介绍
深度学习是机器学习的一个子集，它基于人工神经网络（ANN），特别是深度神经网络（DNN），通过模拟人脑神经元之间的连接和信息处理方式，来自动地学习数据中的特征表示。深度学习的“深度”主要体现在网络结构的复杂性上，即它包含多个隐藏层，这些层可以学习到从低级到高级的不同层次的特征表示。通过将不同模态的数据进行融合，可以获得更丰富的信息，从而提高任务的性能。深度学习在自动驾驶、生物信息学、医学诊断、金融预测、推荐系统以及农业等领域的应用，都充分展示了深度学习的广泛性和实用性。
2024-05-15 14:05:22
556
原创 深度学习课程
在过去的十年里，深度学习在自然语言处理、计算机视觉和语音识别等领域取得了巨大成功，成为人工智能的热门领域。为了帮助学习者快速掌握深度学习，我们开发了系统的专业课程。选择正确的课程和学习伙伴是成功的关键。我们希望通过这门课程，帮助你快速突破学习瓶颈，走向人工智能的发展之路。无论你是在校学生、职场人士还是专业人士，只要对深度学习感兴趣，这门课程都适合你。
2024-05-15 10:38:46
201
原创 s3prl
Self-SupervisedSpeechPre-training andRepresentationLearning.自监督语音预训练模型3种使用方法1.pretrain预训练上游模型：Mockingjay, Audio ALBERT and TERA.1.1 Readme文件预训练新的上游模型，需要很高的GPU第一步：准备数据（1）下载LibriSpeech数据集，解压成下面的形式（2）生成meta data 目录，加速训练python3 prepro...
2021-11-27 15:31:46
2993
2
原创 Speechbrain 基本分类模型
深度学习的一个关键组成部分是多次迭代数据集并执行参数更新。这个过程有时被称为“训练循环”，这个循环通常有很多阶段。SpeechBrain 提供了一个方便的框架来组织训练循环，以称为“大脑”类的类的形式，在speechbrain/core.py.在每个配方中，我们对此类进行子类化并覆盖默认实现不执行该特定配方所需的方法。此类的主要方法是fit()方法，它接受一组数据并对其进行多次迭代并对模型执行更新。为了使用fit()，必须在子类中至少定义两个方法：compute_forward()和compute...
2021-10-11 17:08:08
1061
原创 Speechbrain 超参数文件
任何深度学习管道的一个重要部分是超参数和其他元数据的定义。这些数据与深度学习算法一起控制管道的各个方面，例如模型架构、训练和解码。在 SpeechBrain，我们认为超参数和学习算法之间的区别应该在我们工具包的结构中很明显，所以我们分成两个主要文件：train.py和train.yaml.该train.yaml文件采用 SpeechBrain 开发的格式，我们称之为“HyperPyYAML”。我们选择扩展 YAML，因为它是一种高度可读的数据序列化格式。通过扩展一个已经有用的格式，我们能够创建一个扩展的
2021-10-11 16:07:40
801
原创 speechbrain用于语音分类
在本教程中，我们将重点介绍TDNN分类器 (xvector) 和一个名为ECAPA-TDNN 的最新模型，该模型在说话人验证和分类方面表现出令人印象深刻的性能。数据：训练将使用一个名为mini-librispeech的小型开源数据集完成，该数据集仅包含几个小时的训练数据。代码：在本教程中，我们将参考speechbrain/templates/speaker_id.需要准备三个步骤： 准备数据。此步骤的目标是创建数据清单文件（CSV 或 JSON 格式）。数据清单文件告诉 S...
2021-10-10 23:29:52
6561
原创 音频预训练模型 Audio and Speech Pre-trained Models
1. 什么是预训练的模型？预训练模型是其他人为解决类似问题而创建的模型。我们可以以其他问题训练的模型为起点，而不是从零开始构建模型来解决类似的问题。预训练模型在应用程序中可能不 是100% 准确。2. 框架2.1 tensorflow模型：Wavenet2.2 keras2.3 pytorch2.4 MXNet2.5 Caffe...
2021-09-25 00:49:32
4656
原创 jupyter notebook 修改local目录
1.打开jupyter的运行环境2.输入jupyter --config -dir打开上面显示的路径3.打开jupyter_notebook_config.py文件4.定位到下面这一行，修改路径修改完，保存就行5.返回jupyter的运行环境，输入jupyter notebooklocal目录就更换成功了。...
2021-07-27 16:11:07
477
原创 2014年 VGGNet
目录研究背景研究成果摘要1.介绍2 卷积神经网络的设置2.1 架构2.2 设置2.3 讨论使用3*3卷积核的优点：1*1卷积核的作用3 分类框架3.1 训练3.2 测试3.3 实现细节4 分类实验4.1 单一尺寸测试数据评估结论：4.2 多尺寸测试数据评估结论：4.3 多裁剪评估结论：4.4 卷积网络融合结论：4.5 与业界最好结果的比较结论：5 结论贡献研究背景自从2012年AlexNet将
2021-07-16 15:32:39
360
1
原创 2012年 AlexNet
目录背景介绍简介研究意义图像分类问题简介技术发展趋势Relu:dropout训练阶段softmax与交叉熵测试阶段衡量标准背景介绍简介AlexNet是在2012年被发表的一个经典之作，并在当年取得了ImageNet最好成绩论文全称为《ImageNet Classification with Deep Convolutional Neural Network》，从论文名字可以看出此网络主要用于图像分类任务，为什么叫它AlexNet网络，因为论文第...
2021-07-16 00:32:14
1356
5
原创 2015年Nature deep learning综述
论文意义人工智能领域三位泰斗，总览深度学习理论、模型！展开人工智能壮丽画卷，把握深度学习的前世今生！探究深度学习最重要的算法和理论！概念深度学习允许由多个处理层组成的计算模型来学习具有多个抽象级别的数据表示，这些方法极大地改善了语音识别，视觉对象识别，物体检测以及药物发现和基因组学等许多其他领域的最新技术。原理深度学习通过使用反向传播算法来指示机器应如何更改其内部参数（用于从前一层中的表示计算每个层中的表示）来发现大数据集中的复杂结构。应用深度卷积网络CNN在处理图像，视频，..
2021-07-15 23:34:36
1005
4
原创 librosa 解决No Backends 问题
问题的原因：librosa不能直接读mp3文件，需要用audioread解决过程：1.找到问题 显示异常类型try: [id, audio_file, audio_repr_file] = files[index] if not os.path.exists(audio_repr_file[:audio_repr_file.rfind('/') + 1]): path = Path(audio_repr_file[:audio_repr_
2021-07-10 16:33:18
486
1
原创 opensmile 3.0使用
opensmile支持pip安装(默认安装版本2.1.2)pip install opensmile目前只支持64位的Python.支持特征集：使用案例:从音频文件中提取ComParE 2016特征import opensmileimport pandas as pdsmile = opensmile.Smile( feature_set=opensmile.FeatureSet.ComParE_2016, feature_level=opensmile.Featur
2021-06-29 20:46:13
1248
原创 loggjing工作日志
在开发过程中，如何保存工作日志？使用logging模块1.使用logging.getLogger()创建日志对象2.使用logging.basicConfig()定义基本属性3.使用 logger.critical()调用日志(error\warning\info\debug)my_logging.py文件# -*- coding=utf-8 -*-import loggingfilename = "mylog.txt"filemode = "a"format = "[%(name)
2021-03-23 16:25:20
79
原创 多项式和线性方程组
1.创建多项式import numpy as np# f(x) = x^3 - 2x + 1a = np.array([1, 0, -2, 1])#从最高次方开始排fx = np.poly1d(a)#poly1d([ 1, 0, -2, 1])type(fx)#numpy.lib.polynomial.poly1dfx(1)#把1代入求解 得到结果为0#x为x-1# g = (x-1)^2 + 3(x-1) + 2p = np.poly1d([1, 3, 2])#系数1 3 2
2021-03-11 14:55:56
2543
原创 矩阵创建及运算
1.矩阵创建import numpy as npA=np.mat([1,2,3])#列表 #matrix([[1, 2, 3]])B=np.mat('1 2 3;4 5 6;7 8 9')#方阵#matrix([[1, 2, 3],# [4, 5, 6],# [7, 8, 9]])C= np.mat(np.eye(3))#数组#matrix([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]]
2021-03-11 12:45:46
417
原创 数组四则运算与通用函数
1.数组运算1.1数组与标量间的运算import numpy as npa = np.arange(0, 10).reshape((2, 5))#array([[0, 1, 2, 3, 4],# [5, 6, 7, 8, 9]])#加法+a+5#[[ 5 6 7 8 9]# [10 11 12 13 14]]#减法-a-5#[[-5 -4 -3 -2 -1]# [ 0 1 2 3 4]]#乘法*a*5#[[ 0 5 10 15 20]# [
2021-03-10 12:01:09
806
原创 数组的创建、索引、切片
1.手动创建数组准备工作：查看np.array的帮助文档import numpy as npnp.array?手动创建1维数组a=np.array([1,2,3,4,5])手动创建2维数组b=np.array([[1,2],[3,4]])c=np.array([1,2,3,4],ndim=2)常用属性说明属性说明dtype返回数组中元素的类型shape返回由整数组成的元组，元组中的每个整数依次对应数组的每个轴的元素个数size返回一个整数，代
2021-03-09 22:45:34
412
1
原创 ADNI下载临床数据
ANDI 涉及到的数据集包括临床数据Clinical Data（临床数据）：临床数据集由每个科目的临床信息组成，包括招募，人口统计学，体格检查和认知评估数据。该数据集还包括这些生物标志物的 csf 浓度和比率数据：tau，ab1-42和p-tau181p（csf 中的化学物质）。可以将整套临床数据批量下载为逗号分隔值（csv）文件。在哪下载呢？就是download里面的study data是不是很全！它下载得到一个cvs文件，是所有被试的。临床数据怎么和Image数据匹配，还在研究。应该
2020-12-01 15:09:44
2113
8
原创 ADNI数据申请
ps:网站访问过程较慢，请耐心等待1.打开网址http://adni.loni.usc.edu/data-samples/access-data/2.往下划找到ADNI图标，点进去跳转到这个链接https://ida.loni.usc.edu/collaboration/access/appLicense.jsp;jsessionid=68D5CFE461A9FD502A98E944B008C407（如果出现申请界面 i agree ,请从第7步开始）3.注册邮箱（1）填写邮箱（2）邮箱
2020-11-14 16:53:28
2953
3
原创 阿尔茨海默病神经影像计划(ADNI)下载网址翻译
访问数据地址：http://adni.loni.usc.edu/data-samples/access-data/所有ADNI的数据都通过一个安全的研究数据仓库——意大利国家图像和数据档案馆(IDA)不受限制地共享。出于科学调查、教学或规划临床研究的目的，感兴趣的科学家可以获得ADNI成像、临床、基因组和生物标记数据。访问取决于对ADNI数据使用协议和下列文件中概述的出版物政策的遵守情况。注:文件可能会被ADNI更新。数据共享和出版政策ADNI数据使用协议ADNI手稿引用鸣谢列表(*参见备用期
2020-09-13 17:11:03
4059
原创 Human Connectome Project (HCP) Dataset loader网址翻译
地址：https://nbviewer.jupyter.org/github/NeuromatchAcademy/course-content/blob/master/projects/load_hcp.ipynb人类Connectome Project（HCP）数据集HCP数据集包括大量的被试样本，包括静息态和基于任务的功能磁共振成像。NMA整理的数据集包括时间序列数据，这些数据已通过在360个感兴趣的区域内进行汇总而进行了预处理和空间降采样。#导入相应的包import osimport
2020-09-12 23:23:25
3275
1
原创 【论文复现】U-GAT-IT:基于Attention和layer_instance归一化的img2img转换
原标题：U-GAT-IT:unsupervised generative attentional networks with adaptive layer-instance normalization for image-to-image translation百度飞桨论文训练营：内容附加论文复现课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340摘要：我们提出了一种无监督的图像到图像转换的新方法，该方法以端到端的方式
2020-08-06 18:25:59
738
原创 读pickle数据
数据来源：Modeling relational data with graph convolutional networks动机：想看数据格式代码：import picklef=open('path','rb')info=pickle.load(f)print(info)#看到数据具体表示什么，还不清楚‘试了这两行代码，打开pickleword = pickle.load(open("word.pkl", 'rb'), encoding='utf-8')train = pickl
2020-05-16 10:57:49
284
原创 初步使用pipenv遇到的坑
步骤：1，安装虚拟环境的包，在cmd里就行pip install pipenv2，创建一个文件夹，并进入mkdir myflaskcd myflask3，创建虚拟环境，在指定的工作目录下（windows系统）set PIPENV_VENV_IN_PROJECT=14，创建虚拟环境（成功就会有.venv的目录）pipenv install5，激活虚拟环境pipenv s...
2020-03-17 22:35:52
1342
原创 动手学深度学习05：卷积神经网络基础参数计算问题
问题1：给题目假如你用全连接层处理一张256 x256的彩色（RGB）图像，输出包含1000个神经元，在使用偏置的情况下，参数数量是？怎么算？全连接层：全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。一张彩色图片：256x256x3参数：256x256x3x1000+1000（偏置）=196609000二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来...
2020-02-18 19:40:21
1234
chatgpt Stable Diffusion 本地部署详细教程
2024-05-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人