- 博客(802)
- 收藏
- 关注
RSS订阅原创 Resolver error: Error: The VS Code Server failed to start 的解决方案
打开VS Code菜单"View"->“Command Palatte”->“Kill VS Code Server on Host”选择出问题的远程服务器杀掉那个上面的VS Code server。SSH打开远程时，远程服务器断开后无法连接。
2024-03-20 20:55:10
473
原创 报错“Inputs do not occupy the same physical space”
预测的noddi指标和GT的noddi指标没有对齐。
2023-12-09 19:48:14
152
原创 an improved deep network for tissue microstructure estimation with uncertainty quantification复现
【代码】an improved deep network for tissue microstructure estimation with uncertainty quantification复现。
2023-12-07 20:26:23
147
原创 2023北航计算机院保研经历
抵的成绩大致是这样换算的：若你的累计排名是10%，那么你的分数就会换算成 参加机考同学中排位百分之10的同学的成绩。因为我对学术感兴趣，所以想选一个不错的老师，提前也看了官网导师介绍，就没有广撒网，就发了一份邮件，大概大三下六月份联系上一个软件开发环境国家重点实验室的老师。之前看面经都说是压力面，我那组真的很放松，老师都很好。8.15又问了老师一下，去北航见了一面，聊了一下实验室的情况，感觉很理想，签了同实验室的另一位老师。数学：AX=0有解的条件， 函数，图，关系三者的范围大小， 偏序，全序关系。
2023-11-25 11:00:15
242
原创 113. 特殊排序
有 N 个元素，编号 1,2…N，每一对元素之间的大小关系是确定的，关系具有反对称性，但不具有传递性。：不存在两个元素大小相等的情况。也就是说，元素的大小关系是 N 个点与 N×(N−1)2 条有向边构成的任意有向图。然而，这是一道交互式试题，这些关系不能一次性得知，你必须通过不超过 10000 次提问来获取信息，每次提问只能了解某两个元素之间的关系。现在请你把这 N 个元素排成一行，使得每个元素都小于右边与它相邻的元素。
2023-05-29 21:26:55
199
1
原创 102. 最佳牛围栏
农夫约翰的农场由 N 块田地组成，每块地里都有一定数量的牛，其数量不会少于 1 头，也不会超过 2000 头。约翰希望用围栏将一部分连续的田地围起来，并使得围起来的区域内每块地包含的牛的数量的平均值达到最大。围起区域内至少需要包含 F 块地，其中 F 会在输入中给出。在给定条件下，计算围起区域内每块地包含的牛的数量的平均值可能的最大值是多少。
2023-05-29 21:26:16
245
原创 99. 激光炸弹
地图上有 N 个目标，用整数 Xi,Yi 表示目标在地图上的位置，每个目标都有一个价值 Wi。：不同目标可能在同一位置。现在有一种新型的激光炸弹，可以摧毁一个包含 R×R 个位置的正方形内的所有目标。激光炸弹的投放是通过卫星定位的，但其有一个缺点，就是其爆炸范围，即那个正方形的边必须和 x，y 轴平行。求一颗炸弹最多能炸掉地图上总价值为多少的目标。
2023-05-29 21:24:18
106
原创 100. 增减序列
给定一个长度为 n 的数列 a1,a2,…,an，每次可以选择一个区间 [l,r]，使下标在这个区间内的数都加一或者都减一。求至少需要多少次操作才能使数列中的所有数都一样，并求出在保证最少次数的前提下，最终得到的数列可能有多少种。
2023-05-29 21:24:18
181
原创 98. 分形之城
城市的规划在城市建设中是个大问题。不幸的是，很多城市在开始建设的时候并没有很好的规划，城市规模扩大之后规划不合理的问题就开始显现。而这座名为 Fractal 的城市设想了这样的一个规划方案，如下图所示：当城区规模扩大之后，Fractal 的解决方案是把和原来城区结构一样的区域按照图中的方式建设在城市周围，提升城市的等级。对于任意等级的城市，我们把正方形街区从左上角开始按照道路标号。
2023-05-29 21:23:31
49
原创 95. 费解的开关
你玩过“拉灯”游戏吗？25 盏灯排成一个 5×5 的方形。每一个灯都有一个开关，游戏者可以改变它的状态。每一步，游戏者可以改变某一个灯的状态。游戏者改变一个灯的状态会产生连锁反应：和这个灯上下左右相邻的灯也要相应地改变其状态。我们用数字 11 表示一盏开着的灯，用数字 0 表示关着的灯。下面这种状态给定一些游戏的初始状态，编写程序判断游戏者是否可能在 6 步以内使所有的灯都变亮。
2023-05-29 21:21:09
46
原创 247. 亚特兰蒂斯
有几个古希腊书籍中包含了对传说中的亚特兰蒂斯岛的描述。其中一些甚至包括岛屿部分地图。但不幸的是，这些地图描述了亚特兰蒂斯的不同区域。您的朋友 Bill 必须知道地图的总面积。你自告奋勇写了一个计算这个总面积的程序。
2023-05-26 12:34:52
104
原创 1275. 最大数
给定一个正整数数列 a1,a2,…,an，每一个数都在 0∼p−1之间。程序运行的最开始，整数序列为空。一共要对整数序列进行 m 次操作。写一个程序，读入操作的序列，并输出询问操作的答案。
2023-05-26 12:28:42
57
原创 AI作业12-LSTM
LSTM在计算过程中，会有一条“细胞状态”直接在各个时间步之间传递。在每个时间步，都会有一些信息被遗忘，一些新信息被添加进来。这个过程通过“遗忘门”和“输入门”来控制。因为细胞状态的这种线性传递性，使得LSTM能够在一定程度上避免梯度消失问题。长短期记忆网络是一种特殊的递归神经网络，它通过特别设计的网络结构来解决普通RNN在处理长序列数据时的梯度消失和爆炸问题。
2023-05-26 12:25:14
111
原创 AI作业11-RNN
在深度前馈网络中，当使用如sigmoid或tanh等饱和性激活函数时，网络在训练过程中可能会出现梯度消失的问题。相反，如果梯度过大，则可能会导致梯度爆炸，使得网络训练变得不稳定。这意味着在反向传播过程中，当梯度传播到靠近输入层的网络部分时，它们的值可能已经变得非常接近于零。序列到序列模型是一种在深度学习中用于生成序列的模型，特别适用于那些输入和输出都是序列的问题，如机器翻译、语音识别、文本摘要等。：与梯度消失相反，梯度爆炸是指在训练过程中，梯度变得非常大，这会导致权重更新过大，使得网络不稳定。
2023-05-26 12:20:57
162
原创 244. 谜一样的牛
有 n 头奶牛，已知它们的身高为 1∼n 且各不相同，但不知道每头奶牛的具体身高。现在这 n 头奶牛站成一列，已知第 i 头牛前面有 Ai 头牛比它低，求每头奶牛的身高。
2023-05-21 16:56:09
52
原创 242. 一个简单的整数问题
给定长度为 N 的数列 A，然后输入 M 行操作指令。第一类指令形如C l r d，表示把数列中第 l∼r 个数都加 d。第二类指令形如Q x，表示询问数列中第 x 个数的值。对于每个询问，输出一个整数表示答案。
2023-05-21 16:54:55
44
原创 241. 楼兰图腾
在完成了分配任务之后，西部 314 来到了楼兰古城的西部。相传很久以前这片土地上(比楼兰古城还早)生活着两个部落，一个部落崇拜尖刀(V)，一个部落崇拜铁锹(∧)，他们分别用V和∧的形状来代表各自部落的图腾。西部 314在楼兰古城的下面发现了一幅巨大的壁画，壁画上被标记出了 n 个点，经测量发现这 n 个点的水平位置和竖直位置是两两不同的。
2023-05-21 16:54:18
39
原创 AI作业10-经典卷积网络
VGG Net在当年的ImageNet大规模视觉识别挑战（ILSVRC）中取得了优异成绩，以其简洁的结构和卓越的性能获得了广泛关注。VGG Net的核心思想是通过使用较小的卷积核（如3x3）和多个连续卷积层来增加网络深度，从而提高模型的表达能力。VGG Net有多个版本，如VGG-16和VGG-19，这些数字代表网络中包含的权重层（卷积层和全连接层）的数量。尽管AlexNet最初是针对ImageNet数据集开发的，但它的架构和训练方法也可以应用于其他图像分类任务，如CIFAR数据集。
2023-05-16 15:30:15
83
原创 AI作业8-卷积2
高级特征则是指基于中级特征构建的更加抽象和复杂的特征，如物体的部件、结构、语义等，这些特征能够更好地描述物体的高层次语义信息，因此对于更加复杂的任务（如目标检测、语义分割等）的效果会更好。低级特征通常指一些较为基础的、直接从原始数据中提取的特征，如颜色、纹理、边缘等，它们通常对于物体的分类或识别任务并不十分有效，但是可以作为中级特征的基础。中级特征则是指基于低级特征构建的一些更高层次的特征，如形状、轮廓、纹理组合等，这些特征能够更好地描述物体的形态和结构，因此对于分类或识别任务的效果会更好。
2023-05-08 18:31:10
153
2
原创 AI作业7-卷积
卷积核：卷积核是一个小型矩阵，用于在卷积过程中与输入数据进行逐元素相乘并求和的操作。特征选择：特征选择是机器学习中一种降低模型复杂度、提高泛化能力的方法。卷积：卷积核与输入数据进行按元素相乘并求和的操作。特征图：特征图是卷积操作后得到的输出数据。多通道：多通道是指输入数据具有多个维度。
2023-05-04 19:44:20
64
原创 AI作业6-误差反向传播
梯度下降是一种用于优化函数的迭代算法，通常用于训练机器学习模型。其核心思想是通过迭代的方式逐步调整模型参数，使得损失函数的值不断减小，从而使得模型的预测结果更加准确。
2023-04-25 16:53:28
121
原创 AI作业5-深度学习基础
它的优点是可以有效地处理分类问题中的概率分布，而且当预测结果与真实结果差距较大时，损失函数的值会迅速增大，从而更容易发现错误。当神经元接收到的输入信号超过了一个阈值时，它就会被激活，产生一个输出信号，否则它就处于抑制状态，不产生输出信号。深度学习则是基于神经网络的一种特殊形式，它是一种通过组合多个神经元层来构建更加复杂的模型，从而实现对大规模数据进行学习和推断的方法。在联系方面，深度学习和传统浅层学习都是机器学习的分支，都是使用数据来进行预测和分类的。神经元是生物学中的一种细胞，是神经系统的基本功能单元。
2023-04-18 13:51:03
90
原创 AI作业4-无监督学习
基于奇异值分解（SVD）的文本挖掘技术，它通过将文本转化为向量空间模型，利用矩阵分解技术找到文本语义的潜在结构，从而实现文本的自动分类、聚类和相似性计算。基于奇异值分解（SVD）的思想，通过计算训练集中人脸图像的主成分，从而得到一组人脸特征向量，这些特征向量被称为Eigenface。一种常用的无监督学习算法，基于数据点之间的距离来进行聚类，通过最小化簇内点到簇中心的距离的平方和来进行优化。可以说K-means是EM算法的一种特殊情况，它可以看作是最简单的EM算法之一，但并不完全等同于EM算法。
2023-04-03 16:58:48
121
原创 AI作业3-监督学习
软间隔是一种支持向量机中的概念，允许一定程度的分类错误，以便在处理线性不可分数据时达到更好的分类效果。不正确，监督学习和无监督学习描述的是学习任务的类型，生成式方法和判别式方法描述的是模型的学习方式。让原本在低维空间中线性不可分的数据变得在高维空间中线性可分。通过训练若干个个体学习器，通过一定的结合策略，来完成学习任务。通过对观察数据的概率分布，生成与训练数据具有相似特征的新数据。找到一个边界或者函数，以便根据输入数据准确地预测输出标签。度量机器学习算法的学习能力和泛化性能。一个的优点就是另一个的缺点。
2023-03-22 20:56:37
109
原创 AI作业2-监督学习
同等条件下，模型越复杂泛化误差越大。同一模型在样本满足一定条件的情况下，样本数量越大，模型泛化误差越小，因此还可以说模型越复杂越吃样本。针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的强分类器。信息增益代表了某种条件下，原始变量不确定性的减小程度。损失函数中对网络超参数加权，防止过拟合。将值确定在[0,1]之间，分类用的。将高纬度的通过投影降维 从而分类。前者用于二分类 后者用于多分类。条件熵度量某种条件下的不确定性。结构风险最小化等价于正则化。是一种基本的分类与回归方法。
2023-03-16 17:27:58
149
原创 AI作业1-ML基础
期望风险：期望风险针对的是全体数据。也就是已有的数据，未有的数据都包括在内。经验风险：经验风险来源于训练数据集，训练数据集的平均损失也称为经验风险。验证集：用于确定网络结构以及调整模型的超参数，来确定是否需要继续训练。测试集：用于检验模型的泛化能力，测试集用来形容模型能力的好坏。过拟合：训练过度，只对训练集的效果好，对测试集的效果差。欠拟合：训练的不够，对训练集和测试集的效果都差。聚类：常见的无监督算法，让样本聚成不同的类型。无监督学习 ：从无标记的训练数据中推断结论。训练集：用来训练模型以及确定参数。
2023-03-08 19:18:29
176
1
原创 L5W3作业2 关键字语音识别
这个项目需要配置环境 pydub==0.23.1欢迎来到本专业的最后一个编程任务！在本周的视频中，你学习了如何将深度学习应用于语音识别。在此作业中，你将构建语音数据集并实现用于关键词检测（有时也称为唤醒词或触发词检测）的算法。关键词识别是一项技术，可让诸如Amazon Alexa，Google Home，Apple Siri和Baidu DuerOS之类的设备在听到某个特定单词时回应。对于本练习，我们的触发词将是"Activate."。每次听到你说“激活”时，它都会发出“蜂鸣声”。
2022-11-10 21:38:18
736
3
原创 L5W3作业1 神经机器翻译
这个项目需要配置环境 Faker==4.0.2欢迎来到本周的第一份编程作业！你将建立一个神经机器翻译（NMT）模型，以将人类可读的日期（“25th of June, 2009”）转换为机器可读的日期（“2009-06-25”）。你将使用注意力模型来完成此任务，注意力模型是序列模型中最复杂的序列之一。此笔记本是与NVIDIA深度学习研究所共同编写的。让我们加载此作业所需的所有软件包。
2022-11-10 16:50:11
413
原创 L5W2作业2 词向量的基本操作
欢迎来到本周的第一份作业！因为训练单词嵌入在计算上非常耗时耗力，所以大多数ML练习者都会加载一组经过预先训练的嵌入。让我们开始吧！运行以下单元格以加载所需的软件包。评论接下来，让我们加载单词向量。对于此作业，我们将使用50维GloVe向量表示单词。运行以下单元格以加载。words你已经看到，单向向量不能很好地说明相似的单词。GloVe向量提供有关单个单词含义的更多有用信息。现在让我们看看如何使用GloVe向量确定两个单词的相似程度。
2022-11-08 18:15:25
706
原创 L5W2作业1 Emojify！
在这一部分中，你将实现一个称为“Emojifier-v1”的基准模型。图2：基准模型（Emojifier-V1）。模型的输入是与句子相对应的字符串（例如，“I love you”。在代码中，输出将是维度为（1,5）的概率向量，然后将其传递到argmax层中以提取概率最大的表情符号的输出索引。为了使我们的标签成为适合训练softmax分类器的格式，让我们将从当前Y的维度、(m,1)转换为“独热表示”(m,5)，其中每个 row是一个独热向量，提供了一个示例的标签，你可以使用下一个代码截取器来实现。
2022-11-07 21:12:37
576
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人