机器学习
文章平均质量分 88
就是AT
23年一年都在搞飞控,但是有点偏工程化,没想好从哪个方面写点帖子。今年因为工作原因转回AI了,看情况更新点内容,主要是边学习边工作,可能会偏理论研究+工程化。
展开
-
pytorch学习
pytorch使用的一些简单记录原创 2022-08-30 16:03:30 · 535 阅读 · 0 评论 -
Git使用技巧
git使用技巧原创 2022-06-19 13:59:42 · 130 阅读 · 0 评论 -
YOLO系列论文精读
yolo系列论文精度笔记原创 2022-06-15 22:23:11 · 6944 阅读 · 2 评论 -
钢材表面缺陷检测分类不同图像增强方式的对比研究
带钢表面缺陷检测分类不同图像增强方式的对比研究1、直接使用图像数据进行深度学习2、图像增强图像分析形态学top-hat变换图像锐化3、图像增强后的深度学习总结基于钢材表面缺陷库进行多种缺陷检测分类实验,对比分析了使用卷积神经网络、Top-Hat变换、边缘检测等方式处理图像产生的结果和原因分析。在直接使用卷积神经网络分类的基础上,对图像进行不同方式的处理,重新评估在同样模型下,经过不同方式处理过的图像进行深度学习的效果。对比图像处理方式:三种形态学Top-Hat变换(多尺度、等比例、自适应)、图像锐原创 2022-02-12 21:10:05 · 4713 阅读 · 14 评论 -
支持向量机SVM
支持向量机SVM一、原理1、分类间隔与支持向量2、支持向量机二、结构风险最小化准则三、线性不可分时的SVM:软间隔支持向量机四、非线性支持向量机:核函数结语参考一、原理1、分类间隔与支持向量将样本集中的样本使用一个超平面将其划分为两类,其中两个异类支持向量到超平面的距离之和γ为间隔(下图中的2 / ||w||),而具有决定分类间隔的那些离分类决策边界最近的少量样本就是支持向量(下图中红色标出的点),表示支持起了在最大分类间隔下的最优解。w表示分类决策向量的法线方向,自身长度可以伸缩,不影响分类边界原创 2022-01-26 18:05:58 · 1423 阅读 · 0 评论 -
贝叶斯分类器原理——学习笔记
贝叶斯分类器原理简介一、逆概率推理与贝叶斯公式1、确定性推理与概率推理2、贝叶斯公式二、贝叶斯分类的原理三、概率估计1、先验概率的估计2、类条件概率的估计四、贝叶斯分类的错误率五、常用贝叶斯分类器1、最小错误率贝叶斯分类器2、最小风险贝叶斯分类器3、朴素贝叶斯分类器结语参考简介贝叶斯分类器作为模式识别经典算法之一,有着极其重要的地位和用途,对贝叶斯定理进行近似求解。一、逆概率推理与贝叶斯公式1、确定性推理与概率推理2、贝叶斯公式贝叶斯公式就是解决逆概率推理问题。从已知结果出发,判断某类情况是导原创 2022-01-25 20:06:34 · 15508 阅读 · 1 评论 -
基于GTSRB数据集的交通标志识别实验(Tensorflow)
基于GTSRB的交通标志识别实验一、数据一、数据官网下载太慢,然后我找到了一个整理好的数据集链接: GTSRB-德国交通标志识别图像数据 .数据集很干净,直接用就好了,它把所有的数据信息单独列了一个csv文件。数据集有43个大类 。每个类按规律排列,需要将其打乱顺序。#%%#划分训练集和测试集import osimport randomimport shutilpath = 'F:\GTSRB-德国交通标志识别图像数据\Train'dirs = []split_percentag原创 2021-05-22 18:37:45 · 9575 阅读 · 13 评论 -
Kras函数式API
Keras函数式API一、简介1、为什么不用Sequential模型?2、函数式API3、多输入输出模型4、常用代码二、inception模块和残差连接1、inception模块2、残差连接结语一、简介Keras函数式API可以构建类图模型、在不同的输入之间共享某一层。Keras回调函数+TensorBoard基于浏览器的可视化工具—>在训练中监控模型1、为什么不用Sequential模型?因为Sequential模型假设网络单入单出且层与层之间线性堆叠。在需要多模态输入的任务中无法完成,此原创 2021-03-01 00:10:52 · 210 阅读 · 0 评论 -
结合CNN与RNN处理序列(Tensorflow)
使用卷积神经网络处理序列一、可以使用卷积处理序列的原因二、一维卷积神经网络1、一维卷积层Conv1D:2、一维池化MaxPool1D:3、实现一维卷积神经网络一、可以使用卷积处理序列的原因前面提到过:循环神经网络就是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。LSTM,GRU,BRNN(双向循环神经网络),都是为了将该词与周围的词相关联,而离得太远的词之间的原创 2021-02-18 22:45:34 · 2099 阅读 · 0 评论 -
深度学习——文本、序列(循环神经网络RNN)(Tensorflow)笔记
深度学习——文本一、文本数据处理1、one-hot 编码一、文本数据处理文本进行分词,得到标记,对标记做one-hot编码或词嵌入。1、one-hot 编码分词—>添加索引—>编码将每个单词与唯一的一个整数索引关联,将整数索引i转换为长度为N的二进制向量,该向量第i个元素为1,其余元素为0。import numpy as np#单词级samples = ['The cat set on the mat.','The dog ate my homework.']token_in原创 2021-02-17 22:44:28 · 1222 阅读 · 3 评论 -
循环神经网络原理笔记
循环神经网络原理笔记一、原理结语一、原理(1)数学原理循环神经网络就是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。如下图,就是每一层的输入为这一段话分词之后的单词X1,X2,X3…(单词是经过处理的,比如one-hot编码),初始化一个a0(可以是0向量也可以是随机向量),与该层权重Waa,Wax,经过一系列运算之后得到a1,再将a1与Wya进行运算之后得到原创 2021-02-12 19:47:37 · 851 阅读 · 1 评论 -
卷积神经网络CNN笔记(Tensorflow)
卷积神经网络学习笔记一、卷积神经网络相关定义二、基本步骤结语一、卷积神经网络相关定义卷积层(Convolutional layer):卷积神经网路中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的。通过卷积运算提取输入的不同特征实现特征映射。(1)、卷积核(convolutional kernel)卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量(bias vector),类似于一个前馈神经网络的神经元(ne原创 2021-01-15 17:29:54 · 4659 阅读 · 0 评论 -
神经网络基础笔记
神经网络基础一、神经网络基本内容1、结构2、参数选择二、过拟合与正则化1、过拟合2、正则化a.减小网络规模b.添加权重正则化c.添加dropout正则化三、评估方法一、神经网络基本内容1、结构组成部分: 输入层、隐藏层、输出层代码实现import tensorflow as tffrom tensorflow import keras#构造模型model = keras.Sequential()model.add(keras.layers.Dense(...)) #参数activati原创 2021-01-07 22:38:08 · 247 阅读 · 0 评论 -
解决jupyterlab无法识别虚拟环境及navigator无法install的问题(随手记录)
解决jupyterlab无法识别虚拟环境及anaconda无法install的问题(随手记录)Navigator无法安装notebook等虚拟环境创建且下载之后lab无法识别环境Navigator无法安装notebook等prompt进入虚拟环境conda install jupyter失败改用pip我看有的人使用pip之后还是没法从虚拟环境中打开notebook是要从文件中删掉个啥虚拟环境创建且下载之后lab无法识别环境1、base环境下安装切换包conda install nb_c原创 2020-12-22 17:36:39 · 1009 阅读 · 0 评论 -
Anaconda使用手册
Anaconda使用手册一、镜像源配置二、升级常见问题1.Anaconda Navigator 升级问题二、Python升级问题三、创建新环境一、镜像源配置清华源查询网址:清华镜像源1、设置源conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/2、conda config --set show_channel_urls yes3、查看源conda con原创 2020-12-22 00:15:46 · 276 阅读 · 0 评论 -
机器学习——图像分类学习笔记
计算机视觉构造神经元模型构造神经元模型‘’‘’原创 2020-12-22 21:54:19 · 1589 阅读 · 0 评论