简单记录
文章平均质量分 60
书文的学习记录本
这个作者很懒,什么都没留下…
展开
-
对比损失函数
所以应该是contrastive metric learning。多看大佬的文章,总结的太好了!原创 2024-01-25 22:39:45 · 462 阅读 · 0 评论 -
chaper data writting
在大气科学领域的期刊论文中,这个章节应该清晰地说明数据的来源、获取方式、处理过程和分析方法,以便其他研究人员能够理解和验证研究结果。原创 2024-01-25 17:08:57 · 403 阅读 · 0 评论 -
hard negative pairs
"Hard negative pairs"指的是在训练过程中,相对于其他负样本对而言更难以区分的负样本对。这些负样本对可能是与正样本对具有相似特征或特性,因此模型更难以将其正确分类为负样本。在训练中,引入困难负样本对有助于模型更好地学习边界,使其能够更准确地区分相似和不相似的样本对。通过针对困难负样本对的训练,可以提高模型的鲁棒性和泛化能力,从而在实际应用中表现更好。原创 2024-01-25 15:45:13 · 447 阅读 · 0 评论 -
学术研究的策略与方法——从自身经验谈起
人生短短几十载,别让难过占一半。原创 2024-01-24 22:11:11 · 863 阅读 · 0 评论 -
论文写作之十个问题
最近进入瓶颈?改论文,改到有些抑郁了总是不对,总是被打回好的写作,让人一看就清楚明白非常重要郁闷时候看看大佬们怎么说的沈向洋、华刚:读科研论文的三个层次、四个阶段与十个问题。原创 2024-01-23 02:40:37 · 1089 阅读 · 0 评论 -
记一次天池参赛总结
第一次参加这类的算法比赛,记录一下自己遇到的一些点,做个总结。比较浅显的一些记录,第一次的经验之谈,适合首次参加可能容易遇到的问题。原创 2023-10-31 00:20:44 · 226 阅读 · 0 评论 -
对比学习的锚网络和自动生成标签
总之,锚网络是对比学习中的一部分,它负责将输入数据样本转化为一个可比较的向量表示,以便模型可以学习将相似样本靠近并将不相似样本分散开来。在对比学习(Contrastive Learning)中,“锚网络”(Anchor Network)通常是指一个用于生成数据样本的表示的网络。在对比学习中,锚点表示通常与正样本(相似的样本)和负样本(不相似的样本)的表示一起用于计算对比损失,以促进模型学习有用的表示。表示生成:锚网络将提取的特征映射到一个低维度的向量空间中,生成锚点表示或锚点向量。原创 2023-09-27 21:09:31 · 468 阅读 · 0 评论 -
常用gpt提示词(待更新
润色假如你是大气科学方向专业的导师,对下述内容,你有什么修改意见,请一一指出翻译假如你是大气科学方向专业的导师,请翻译下述文字原创 2023-09-25 22:03:55 · 252 阅读 · 1 评论 -
PlotNeuralNet resnet18绘图
可以发现,resnet34和resnet18只有块的数量不一样,经过简单的修改即可得到。原创 2023-09-22 00:58:23 · 861 阅读 · 1 评论 -
对比学习与simclr详解
样本三元组(Sample Triplets): 在对比学习中,通常需要构造样本三元组,每个三元组包括一个锚定样本(anchor)、一个正样本(positive),和一个负样本(negative)。其核心思想是通过将相似的样本映射到相邻的位置,将不相似的样本映射到远离的位置,从而在表示空间中更好地区分不同类别或概念。对比学习任务(Contrastive Learning Task): 对比学习模型的训练过程通常包括从样本三元组中选择合适的锚定、正样本和负样本,然后通过优化对比损失函数来调整模型参数。原创 2023-09-08 22:23:31 · 486 阅读 · 0 评论 -
降水预报之双重惩罚
当假阴性(漏报降水事件)和假阳性(误报)受到同等惩罚或加权时,就会出现双重惩罚问题,这在某些应用中可能会产生问题。威胁分数 (TS): TS 也称为关键成功指数 (CSI),衡量的是相对于所有观测到的降水事件而言,降水事件预测的正确率(包括命中率)。值得注意的是,双重惩罚问题的严重程度取决于具体应用以及漏报降水事件和误报的相对重要性。检测概率(POD): POD 计算正确预测的降水事件(命中)与所有观测到的降水事件的比率。它考虑降水和非降水事件的正确预报,但仍可能同样惩罚假阴性和假阳性预报。原创 2023-09-07 23:30:00 · 795 阅读 · 0 评论 -
Spearman Footrule距离
Spearman Footrule距离是一种用于衡量两个排列之间差异的指标。具体而言,Spearman Footrule距离是每个元素在两个排列中的排名差的绝对值之和。Spearman Footrule距离适用于比较排列之间的相似性,更小的距离表示排列更相似,而更大的距离表示排列差异较大。这种距离可以用于排序评价、排列匹配和其他需要比较排列之间关系的领域。这个指标的名字中包含"Spearman"是因为它基于斯皮尔曼秩相关系数的概念,而"Footrule"表示它在计算过程中考虑了元素之间的位置关系。原创 2023-08-25 22:27:32 · 734 阅读 · 0 评论 -
肯德尔秩相关系数(Kendall‘s Tau)排名
肯德尔秩相关系数(Kendall’s Tau)是一种用于衡量两个排列之间相似性的统计指标,它考虑了元素之间的顺序关系而不考虑具体数值。该系数被广泛用于排序、排名和比较不同实验结果的相关性等领域。具体而言,肯德尔秩相关系数衡量了两个排列之间逆序对(倒置对)的数量,从而反映了它们的相似程度。逆序对是指在一个排列中,两个元素的顺序与另一个排列中它们的顺序相反。肯德尔秩相关系数的计算步骤如下:给定两个排列,比较它们的每一对元素,计算其中一个排列中元素在另一个排列中的顺序关系(逆序或非逆序)。计算逆序对的数量。原创 2023-08-24 17:46:40 · 2593 阅读 · 0 评论 -
【辨析】投影到高维空间 VS 嵌入到高维空间
总结来说,"投影到高维空间"是简单地将数据点映射到高维,而"嵌入到高维空间"更强调学习新的表示,以便在高维空间中更好地表达数据之间的关系和相似性。在实际应用中,这两种技术可能有不同的使用场景和目标。虽然"投影到高维空间"和"嵌入到高维空间"都涉及将数据映射到高维空间,但它们在深度学习和机器学习领域中有着不同的含义和应用。原创 2023-08-03 17:47:57 · 738 阅读 · 2 评论 -
【python切片】一个有意思的问题:为啥np.array(v[0:3][0]).reshape(3, -1)是错的,而np.array(v[0][0:3]).reshape(3, -1)是不报错的
在这种情况下,首先v[0]是对列表v的索引操作,取出索引为0的元素,这个元素是一个可迭代对象(可能是另一个列表或数组)。而第二种情况不报错是因为在该情况下,对一个可迭代对象进行切片操作后,返回的是一个新的可迭代对象,而不是单一的元素,所以它可以被转换为NumPy数组并进行reshape操作。为啥np.array(v[0:3][0]).reshape(3, -1)是错的,而np.array(v[0][0:3]).reshape(3, -1)是不报错的。今天碰到一个奇怪的问题:切片放前面不对,放后面就行,原创 2023-08-02 22:18:03 · 112 阅读 · 0 评论 -
【解析】对比学习和孪生网络的关系
这种网络架构通常由两个(或更多)并行的子网络组成,这些子网络共享权重并行工作。它们将输入样本转换为嵌入空间,在这个空间中,相似的样本被映射到接近的位置,不相似的样本被映射到远离的位置。这种网络常用于一些需要衡量样本相似性的任务,如人脸验证、图像检索等。这种学习策略试图让模型学习区分正样本对(相似)和负样本对(不相似)。训练过程中,模型被鼓励将正样本对映射到嵌入空间中的接近位置,将负样本对映射到远离的位置。对比学习是一种学习策略,它试图让模型学习如何区分正样本对(相似)和负样本对(不相似)。原创 2023-07-28 17:59:04 · 1727 阅读 · 3 评论 -
【解析】介绍simclr、moco、simsiam、BYOL的联系和区别
SimCLR, MoCo, SimSiam 和 BYOL 都是无监督学习中的对比学习算法,具体来说,它们是自监督学习(SSL)的一部分,这是一种使用未标记数据进行训练的方法。所有这些算法都以某种方式利用正负样本对进行训练,并学习从原始数据中提取有用特征的方式。然而,每种方法都有其独特的方式来创建和使用这些样本对。原创 2023-07-28 16:28:05 · 1613 阅读 · 0 评论 -
AA-TransUNet github: 用于预测任务的注意力增强的TransUNet
AA_TransUNet架构。原创 2023-07-01 17:58:11 · 500 阅读 · 0 评论 -
rain-nowcasting-using-deep-learning github:使用深度学习进行临近降水预报
用于训练网络的数据是MeteoNet数据库(https://meteonet.umr-cnrm.fr/),该数据库提供了2016年至2018年法国境内的气象参数,关于预处理的详细信息请参见论文。雨和风的预处理数据可以直接在https://www-pequan.lip6.fr/~bereziat/rain-nowcasting/data.tar.gz(数据通过./setup.sh下载)。首先要确保满足requirements.txt中指定的要求,然后下载数据和补丁,最后你可以调整训练参数来影响训练过程。原创 2023-07-01 17:42:53 · 1140 阅读 · 0 评论 -
SmaAt-UNet github
SmaAt-UNet: 使用小型关注网结构的降水预报。原创 2023-06-29 21:03:18 · 338 阅读 · 0 评论 -
UNet Pytorch实现
用于图像分割的不同种类的Unet模型的实现带层可视化。原创 2023-06-29 17:57:36 · 865 阅读 · 0 评论 -
UNet++ github介绍
UNet++ 是一种新的通用图像分割架构,用于更准确的图像分割。UNet++:重新设计跳过连接以利用图像分割中的多尺度特征。UNet++:用于医学图像分割的嵌套 U-Net 架构。,旨在解决 U-Net 的两个关键挑战:1)用于医学图像分割的嵌套 U-Net 架构。原创 2023-06-29 17:32:37 · 523 阅读 · 0 评论 -
使用ClimateLearn
混淆术语(例如,气候建模中的“偏差”与机器学习中的“偏差”)、将机器学习应用于气候科学问题时缺乏标准化(例如,定义适当的训练和保留数据集、数据增强)阻碍了进展。气候科学家可以理解改变输入变量的值将如何导致不同的输出分布,这与现代气候研究的完成方式相匹配:科学家根据假设的排放情景提供了一系列潜在结果。今天,我们推出了 ClimateLearn,这是一个软件包,可以通过提供直接的数据集访问、易于比较的基线方法以及用于理解模型输出的指标和可视化来弥合气候科学和机器学习社区之间的差距。是预测未来气候变量的问题。原创 2023-06-29 17:12:54 · 346 阅读 · 0 评论 -
ClimateLearn github介绍
ClimateLearn 是一个 Python 库,用于以标准化、直接的方式访问最先进的气候数据和机器学习模型。该库提供对多个数据集、一系列基线方法以及一套用于统计缩减和时间预测方法的大规模基准测试的指标和可视化的访问。有关我们过去的动机和未来计划的更多背景信息,请查看我们的公告博客文章。我们还在 2022 年神经信息处理系统大会上的“利用机器学习应对气候变化”研讨会的重点教程中预览了 ClimateLearn 的一些关键功能。我们建议按以下顺序阅读它们,以了解典型的 ClimateLearn 工作流程。原创 2023-06-29 16:28:59 · 195 阅读 · 0 评论