“Datawhale X 李宏毅苹果书AI夏令营”

最新推荐文章于 2024-09-30 14:16:32 发布
最新推荐文章于 2024-09-30 14:16:32 发布
阅读量134 收藏
点赞数 3
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_55933788/article/details/141751906
版权

第 2 章 实践方法论

        在应用机器学习算法时，实践方法论能够帮助我们更好地训练模型。如果在 Kaggle 上的结果不太好，虽然 Kaggle 上呈现的是测试数据的结果，但要先检查训练数据的损失。看看模型在训练数据上面，有没有学起来，再去看测试的结果，如果训练数据的损失很大，显然它在训练集上面也没有训练好。接下来再分析一下在训练集上面没有学好的原因。

2.1 模型偏差

2.2 优化问题

yu0586
关注
Datawhale X 李宏毅苹果书 AI夏令营 进阶班 选修笔记
09-03
运行结果
Datawhale X 李宏毅苹果书 AI夏令营 入门班选修3
09-03
结果prediction
Datawhale X 李宏毅苹果书 AI夏令营task1笔记
scipig_的博客
08-22 990
本章主要介绍深度学习常见的一些概念，方便我们从不同的角度来更好地优化神经网络。
Datawhale X 李宏毅苹果书 AI夏令营 Task2
weixin_52691220的博客
08-28 590
如果是前两天前四天前五天，它的值会跟未来要预测的，隔天的值是成反比的，所以后面接个都是负数。PS. 所以这边每一个式子都代表了一个不同蓝色的函数，求和就是把不同的蓝色的函数相加，，所以在有看过的数据上，在训练数据上，误差值是比较小的，在没有看过的数据上，在2021。到拿来当作预测的结果，也许预测的会更准也说不定，所以我们就要修改一下模型。坡度的起始点设的跟红色函数转折点一样，蓝色函数的斜率设的跟红色函数斜率一样，接下。考虑了比较多的信息，在训练数据上应该要得到更好的、更低的损失。
Datawhale X 李宏毅苹果书 AI夏令营 Task-2
endact_00的博客
08-26 631
上图说明不同的 Loss 函数会影响训练的难易度;左图会一开始就stuck因为梯度很平坦, 右图有很明显的梯度,训练起来更稳定快速.A: 1, 2, 3 数字潜在也表达了他们之间的关系, 1和2 比较接近, 1和3 相差大, 这不能表达类别之间独立的关系;在梯度很小变化的方向上, 平方根越来越小, 导致更新突然爆炸, 跑到梯度变化大的地方, 然后又慢慢恢复到正轨上;Q: 当把模型输出的标量scaler(1, 2, 3) 当作类别处理可以吗?考虑到随着训练时间变长, 梯度总会慢慢变小, 因此可以。
Datawhale X 李宏毅苹果书 AI夏令营（Task2）
mengluohuayexuan的博客
08-27 1198
根据GPU是否可用选择设备类型# 初始化模型，并将其放置在指定的设备上# 定义批量大小# 定义训练轮数# 如果在'patience'轮中没有改进，则提前停止# 对于分类任务，我们使用交叉熵作为性能衡量标准# 初始化优化器，您可以自行调整一些超参数，如学习率。
Datawhale X 李宏毅苹果书 AI夏令营 入门班Task2
wtby1234的博客
08-28 420
HardSigmoid 可以看作是两个修正线性单元（Rectified Linear Unit，ReLU）的加总，ReLU 的图像有一个水平的线，走到某个地方有一个转折的点，变成一个斜坡，此外，我们可以不只用一个特征 x1，可以用多个特征代入不同的 c, b, w，组合出各种不同的函数，从而得到更有灵活性（flexibility）的函数。输入的特征 x 乘上一个权重，再加上一个偏置就得到预测的结果，这样的模型称为线性模型（linear model）。2. 可以用Sigmoid 函数逼近这一个蓝色的函数。
Datawhale X 李宏毅苹果书 AI夏令营 学习笔记(一)
qq_51955445的博客
08-23 964
Datawhale X 李宏毅苹果书 AI夏令营 task1学习笔记，主要学习了深度学习中的鞍点、批量和动量的知识点
Datawhale X 李宏毅苹果书 AI夏令营(深度学习入门)taks2
m0_55703957的博客
08-24 814
这里我们先设未知参数，按行拼接后的一个长向量称为接下来要定义损失。之前是 L(w, b)，因为 w 跟 b 是未知的。现在未知的参数很多了，再把它一个一个列出来太累了，所以直接用 θ 来统设所有的参数，所以损失函数就变成 L(θ)。损失函数能够判断 θ 的好坏，其计算方法跟刚才只有两个参数的时候是一样的。先给定 θ 的值，即某一组 W, b,, b 的值，再把一种特征 x 代进去，得到估测出来的 y，再计算一下跟真实的标签之间的误差 e。把所有的误差通通加起来，就得到损失。接下来下一步就是优化。
Datawhale X 李宏毅苹果书 AI夏令营--＞task2
2402_86285986的博客
08-28 234
多层神经网络可用于回归拟合更复杂的函数，通过将前一层的输出值作为后一层的输入值，但同时过多的隐藏层也可能带来overfitting的问题，最好通过预测集与训练集的loss变换来选择合适的层数。每一段小曲线的拟合通常可用hard sigmoid函数去代替，hard sigmoid函数是分段的，整体形势为平坦——斜坡——平坦。一般的线形模型在拟合现实生活中的情况是作用很有限，如果方程是一个曲线，我们通常将它切割成尽可能多的小曲线去分段拟合。其中w,b是未知参数，需要我们去迭代计算。sigmiod函数是。
Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班-task1
starlight078的博客
08-26 734
机器学习是人工智能的一个子领域，致力于开发算法和技术，使计算机能够自动从数据中学习和推断。与传统编程不同，机器学习依赖于从样本数据（即训练数据）中获取模式和规律，而不是通过硬编码规则。通过学习过程，模型可以预测或决策，无需明确编程指令。机器学习的三种主要类型监督学习：模型在有标注的训练数据上进行训练，学习输入与输出之间的映射关系。应用场景包括图像分类、语音识别等。无监督学习：模型在无标注的数据上进行训练，主要任务是发现数据的结构或模式，如聚类、降维等。典型应用包括市场分割、特征提取等。半监督学习。
Datawhale X 李宏毅苹果书 AI夏令营
2302_79699802的博客
08-27 1070
阅读李宏毅老师苹果书及搭配视频的一次记录
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
08-24
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
08-26
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
[论文精读]AI-Guardian: Defeating Adversarial Attacks using Backdoors
m0_52911108的博客
09-27 1200
本文提出了AI-Guardian框架，本质是让模型预测结果受到后门控制，而很难被攻击者操纵，从而抵御对抗攻击。在模型训练阶段，AI-Guardian会针对原始训练样本生成一批后门样本（经过后门处理的样本），按标签双射关系为后门样本分配对应标签，实现后门注入；在模型预测阶段，AI-Guardian先对输入数据进行后门处理，然后将其输入到模型，根据模型输出结果、标签双射关系返回对输入数据真实标签的预测结果。
Linux嵌入式有发展吗，以及对uboot，kernel，rootfs的领悟
rjszcb的博客
09-30 482
上一份工作是2022,11—2023，11年底，汽车公司，底层修修改改，编译镜像，修改后，客户给东西，重新编译给他，客制化配置启动参数，环境，支持应用部门，不懂怎么使用某些驱动。uboot到底是干嘛的，想想，emmc的镜像文件是怎么被读到ddr的，emmc为啥可以被分区，烧录镜像，tftp网络命令为啥可以运行，启动设备时，为啥lcd可以看到图像，kernel还没启动，怎么出图像的。不管做应用开发，驱动开发也好，知道，系统原理，驱动框架，进程管理调度，内核竞争，信号，中断，锁，这些就够了。
Python精选200Tips：171-175
AnFany
09-26 1280
Python深度学习的项目
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
最新发布
GIS潮流
09-30 681
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
Her来了，OpenAI正式发布高级语音模式
shadowcz007的博客
09-25 513
OpenAI宣布将Advanced Voice Mode（AVM）扩展到更多付费用户，包括ChatGPT的Plus和Teams用户。该功能旨在使ChatGPT的语音交互更加自然，并新增五种新声音和改进的口音识别能力。虽然Sky声音因法律争议被移除，但AVM的整体设计和性能得到了提升。新版本不仅能在用户打断时立即停止回答，还能根据用户语音中的情感调整响应。此外，视频和屏幕共享功能暂未推出。AVM目前...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值