qq_45234219的博客

原创 机器学习入门（十一）：回归与聚类算法——无监督学习（K-means算法）

学习目录：内容目录：无监督学习包含算法：聚类：K-means(K均值聚类）降维：PCAK-means原理API：案例：如何对无监督学习进行评估？K-means算法总结：特点：采用迭代式算法，直观易懂且实用缺点：容易收敛到局部最优解（当k个初始点聚在一起的时候），可以使用多次聚类解决应用场景：当没有目标值时，先做聚类，如何再进行分类...

原创 机器学习入门（十）：回归与聚类算法——逻辑回归与二分类

学习目录：逻辑回归内容目录：逻辑回归应用场景：应用于二分类问题逻辑回归原理：将线性回归的输出映射到激活函数sigmiod上，输出0-1区间的一个数，当做概率值，若大于我们设置的阈值，则认为他属于这个类别。损失函数：对数似然函数整体逻辑回归流程：API：分类评估指标精确率和召回率的计算：当样本分类不均衡时，99个否，1个是，使用精确率和召回率就不好用了：就要引入ROC曲线和AUC指标API模型的保存和加载...

原创 机器学习入门（九）：回归与聚类算法——线性回归、过拟合、岭回归

学习目录：线性回归：案例：波士顿房价预估（比较正规方程和梯度下降优化方法）使用正规方程优化：使用梯度下降优化：使用均方误差（MSE）评估模型好坏：总结：过拟合与欠拟合正则化类别：**L2正则化（常用）：**给损失函数后面加一个惩罚项，这个惩罚项与权重有关，在优化损失函数降低损失值得同时还可以减小特征对应的权重。L1正则化：岭回归就是带L2正则化的线性回归案例：使用岭回归对波士顿放假预测...

原创 机器学习入门（八）：分类算法——随机森林算法

学习目录：随机森林算法目录为什么使用随机森林？当决策树产生过拟合时，可以使用随机森林算法优化一.集成学习      集成学习是通过建立几个模型组合来解决单一预测问题原理：生成多个分类器/模型，各自独立学习和做预测，然后将他们的预测结合成组合预测二.什么是随机森林      随机森林是包含多个决策树的分类器，每个决策树都会输出预测类别，随机森林取树中结果出现最多的内个作.

原创 机器学习入门（七）：分类算法——决策树算法

学习目录：决策树内容目录：一.决策树作用：   这是我们判断这是个好瓜还是坏瓜的决策流程，决策树的作用：1.帮助我们选择用哪个特征先做if，用哪个特征后做if，能最快的判断出这是好瓜还是坏瓜2.帮助我们确定特征中作为划分标准的数值二.原理推导三.代码预测：案例对比：比较决策树算法和KNN算法在鸢尾花数据集上的分类准确率使用决策树算法对鸢尾花数据集分类：from sklearn.datasets import load_irisfrom skle.

原创 机器学习入门（六）：分类算法——朴素贝叶斯算法

学习目录：四.朴素贝叶斯算法例子：朴素贝叶斯的应用（含拉普拉斯平滑系数）：文本分类案例案例：20类新闻文本分类**流程：**获取数据（不需要做数据处理，英文sklearn数据是处理好的）          划分数据集          特征工程（由于是文章，所以要做文本特征抽取.

原创 深度学习的训练流程（前向传播，损失函数，优化器，反向传播更新w和b）

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w和b最快达到最优值，从而最小化损失值（就是求出代价函数的极小值），我们使用优化器来更新w和b，不同

原创 Python:cv2.imread()如何读取图像

原图大小：768*576import cv2img=cv2.imread('C:/Users/Admin/Desktop/xunlian/train/0.png')print(len(img))print(img[575])print(len(img[575]))img[0]是图像的第1列！img[575]是图像的第576列！

原创 机器学习入门（五）：分类算法——KNN算法

学习目录：一.sklearn转换器和估计器1.转换器（特征工程的父类）2.估计器（sklearn机器学习算法的实现）第一步：实例化一个estimator第二步：estimator.fit(x_train,y_train)训练和计算（调用完毕，模型生成）第三步：模型评估      1.直接比对真实值和预测值          .

原创 机器学习入门（四）：特征工程——特征降维

特征工程一.为什么需要特征工程？因为“数据和特征决定机器学习的上限，而模型和算法只是逼近这个上限而已”，使用专业背景知识和技巧处理数据，使算法变得更好。二.什么是特征工程sklearn库用于做特征工程pandas库用来做数据清洗、数据处理。特征降维定义：降低特征的个数（降低列数），得到一组“不相关”的主变量得过程方法一：特征选择         1.Filter（过滤式）：主要探究特征本身特点、特征

原创 机器学习入门（三）：特征工程——特征预处理

特征工程一.为什么需要特征工程？因为“数据和特征决定机器学习的上限，而模型和算法只是逼近这个上限而已”，使用专业背景知识和技巧处理数据，使算法变得更好。二.什么是特征工程sklearn库用于做特征工程pandas库用来做数据清洗、数据处理。特征预处理定义：通过一些转换函数将特征数据转换成更加适合算法模型的特征数据的过程使用sklearn.preprocessing（）函数为什么要做归一化/标准化？：特征的单位或大小相差较大，或者某特证的方差相比其他特征大出几个数量级，容易影响（支配）目

原创 统计语言模型

原创 机器学习入门（二）：特征工程——特征抽取

特征工程一.为什么需要特征工程？      因为“数据和特征决定机器学习的上限，而模型和算法只是逼近这个上限而已”，使用专业背景知识和技巧处理数据，使算法变得更好。二.什么是特征工程      sklearn库用于做特征工程      pandas库用来做数据清洗、数据处理。   &n.

原创 机器学习入门（一）：算法分类和数据集调用

机器学习算法分类：1.监督学习：      目标值：类别（离散型数据）------分类问题（例如图1对猫狗分类）分类算法：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归      目标值：连续性数据（房屋价格等）------回归问题（例如图2对房屋价格预测）回归算法：线性回归、岭回归2.无监督学习：     &nbs.

原创 全连接层的作用（详解！）

**详解见：https://www.zhihu.com/question/41037974/answer/320267531**

原创 1×1 卷积（Network in Network）的三个作用（详解！）

介绍1×1卷积核作用一.升维/降维（改变特征图通道数）                                     &nb.

原创 自然语言处理（NLP）入门（二）

接上一个博客五.打造一个识别文本情感的模型使用kaggle用户发布的标题数据集，标题已被分成’sarcastic‘和’not sarcastic‘，’sarcastic‘用1表示，’not sarcastic‘用0表示目的：训练一个文本分类器，测试一句话是否具有讽刺意味第一步： 数据集内部数据是用json储存的，我们要先转换成python格式——————>第二步： 将json文件中的标签、文本、文章链接分别提取出来import json#调用json库with open('sarc

原创 自然语言处理（NLP）入门（一）

一.如何用计算机可以处理的方式来表示单词（也叫作“分词”）import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.preprocessing.test import Tokenizersentences=[‘I love my dog’,              &nb

原创 做后处理时的代码解析

一.cv2.imread()读图像，读进来直接是BGR 格式数据格式在 0~255二.cv2.cvtColor(p1,p2)颜色空间转换函数p1：需要转换的图片p2：转换成何种格式。    cv2.COLOR_BGR2RGB 将BGR格式转换成RGB格式    cv2.COLOR_BGR2GRAY 将BGR格式转换成灰度图像    例子：Image=cv2.cvtColor

原创 《用于图像语义分割的金字塔注意力网络》论文笔记

模块一：特征金字塔注意力模块（FPA）结合了PSPNet或DeepLab提出的空间金字塔结构和SENet的注意力机制，结合不同尺度上下文信息的同时，还能为高层次的特征图提供更好的像素级注意力特征，扩大感受野的同时并有效的实现小目标的分类。模块二：全局注意力上采样模块（GAU）提取高层次特征的全局上下文信息，作为低层次特征的加权计算的指导（用高层特征给低层特征作指导）整体网络模型：金字塔注意力网络（ PAN）消融实验1.FPA模块2.GAU模块3.对比其他经典网络模型问题：FP

原创 密集残差模块的作用

https://blog.csdn.net/dongjinkun/article/details/109185101https://zhuanlan.zhihu.com/p/41691301nception Module基本组成结构有四个成分。11卷积，33卷积，55卷积，33最大池化。最后对四个成分运算结果进行通道上组合。这就是Inception Module的核心思想。通过多个卷积核提取图像不同尺度的信息，最后进行融合，可以得到图像更好的表征。如上图所示，假设我们要提取猫脸特征，而上面两张图的猫脸

原创 《深度学习在图像分割中的应用--基于深度学习的甲状腺结节超声图像分割》论文笔记

一.模型改进1.介绍FCN2.介绍U-Net3.介绍Res-UNet2.一种改进的多尺度U-Net分割方法a.多尺度目标分割将多尺度输入机制融合到U-Net网络中下采样模块：将训练图像进行按照8:4:2:1的比例做了四副图像，与U-Net的一二三四下采样层融合上采样模块：对每一种尺度的特征图都进行预测，对预测结果进行一种深监督（类似U-Net+++中的深监督），将标签按照比例变换成8:4:2:1，并将每一层预测出来的结果与对应的标签比较b.注意力机制b1.特征金字塔注意力模块b2

原创 《超声图像多目标语义分割方法研究》大论文笔记

目的：对乳腺超声图像进行多类分割（真皮层、脂肪层、腺体层、肿瘤层、肌肉层、背景区域）第一章绪论（大概内容）：1.介绍课题背景和研究意义2.国内外研究现状a.图像的非语义分割方法概述（基于阈值、基于边缘检测、基于区域、基于图论、基于聚类、基于能量函数）b.图像的语义分割方法概述（传统的模式识别分类器（SVM等）、机器学习方法、深度学习方法）第二章图像的多种特征提取（大概内容）：1.介绍并对比多种特征提取方案（灰度特征、纹理特征、边缘信息特征、小波变换后提取的纹理特征、FCN深度特征）第三章基于

原创 《基于改进U-Net网络的气胸分割方法》论文笔记

《基于改进U-N儿童网络的气胸分割方法》一.模型设计1.用的unet的整体结构2.收缩路径中的编码模块使用的时EfficientNet中的MBCconvBlock模块3.扩展路径中的解码模块是自己设计的其中的scSE是将空间注意力机制（sSE）和通道注意力机制（cSE）并联相加，如下图:在扩展路径中，反卷积的输出层先合并左边编码模块的跳层连接模块，然后经过解码模块，再使用上采样和反卷积到原图大小二.其他参数1.损失函数：结合了Dice相似系数损失函数和Focal损失函数2.还设计了一个