- 博客(11)
- 收藏
- 关注
RSS订阅原创 机器学习自学笔记 5
三角形由三条直线构成，只有当样本数据全部落在三角形内部时，三条直线对应的方程才能够全部大于0，否则至少有一个不大于0，此处的激活函数为单位阶跃函数。只有当三条直线对应的输出值都大于0时，三者相加通过偏置才能够得到大于0的输出值y,否则输出值y小于0，这样一来，通过构造简单的三层神经网络，便完成了这个线性不可分二分类问题。是早期出现的一种人工神经网络模型，这个模型是现代神经网络的基础，并且在理解神经元如何工作的早期理论中起到了关键作用。其中xi为输入的训练数据，yi为标签，其值为正负1。
2024-08-29 21:56:00
395
原创 Python的类与对象(快速入门)
类是具有相同属性的事物的统称，可以理解为一个模板，定义了一系列的方法和属性；对象则是类的一种实例化，每个对象都可以有自己的属性值，与其他实例化的对象相互独立。
2024-08-29 13:46:23
969
原创 机器学习自学笔记 4
事实上，在样本的先验分布不加以明确的前提下，单纯用识别率来判断系统的好坏是没有意义的。在给的这张ROC曲线图示例中，展示了针对一个任务的四个不同的系统，在这个示例中，蓝色的系统的性能是最好的，因为其在相同的FP下，TP是最高的，也就是说，在所有模型中，其预测的准确率是最高的。例如，在本例中，如果我们要比较各个系统的性能，可以计算它们各自的AUC值，并选择具有最高AUC值的那个系统作为最佳系统。将单独的类别标签设为1，其余的标签设为-1，从预测样本中找出与其他类别的间隔最大的模型。
2024-08-28 22:05:33
1026
原创 机器学习自学笔记 3
也就是说，必须满足以下两个条件：核函数K在任意两个输入变量的情况下不受输入变量的顺序影响，即交换位置不会改变核函数的值；对于任何一组实数 Ci、Cj（i=1到N），以及任何 N，将这些实数与函数 K 对应的输出相乘并求和的结果总是非负的，换句话说，无论如何选择和组合这些系数 Ci、Cj，它们与 K 函数的乘积之和都不会小于零。.从直观上来理解，当特征空间的维度M增加时，待估计参数的维度也会增加，整个算法的自由度便增加，这样一来，在低维上线性不可分的训练样本在高维上就变的线性可分了。去具体研究映射的形式。
2024-08-18 21:25:17
528
原创 机器学习自学笔记 2
支持向量机是机器学习中的一种经典的算法，是一种监督学习模型，主要用于分类和回归分析。其主要思想是通过最优决策边界分类不同的样本，在二维空间中表现为一条直线，在高维空间中则表现为超平面，通过该最优决策边界能够将各类别之间的。
2024-08-17 19:16:41
445
原创 机器学习自学笔记 1
机器学习是一个让机器无需显著性编程就可以进行学习的研究领域，通过非显著式编程可以让机器利用经验改善系统自身的性能，非显著式编程就是让计算机自己总结规律的编程方法目前主要是研究智能数据分析的理论和方法。
2024-08-16 21:24:44
309
原创 python：将自己的数据集生成txt文件
通过自己的学习和努力，通过Python代码实现了数据集按比例随机划分为训练集、测试集、验证集并生成txt文件，我认为这是一件十分有意义的事情，希望以后能够继续努力，不断地提升自己。
2023-11-07 15:12:01
3590
1
原创 论文泛读：深度卷积神经网络语义分割综述
得益于深度卷积神经网络在特征提取和语义理解的强大能力,基于深度神经网络的语义分割技术逐渐成为计算机视觉研究的热点课题.。在无人驾驶、医学图像,甚至是虚拟交互、增强现实等领域都需要精确高效的语义分割技术。语义分割从图像像素级理解出发,为每个像素分配单独的类别标签。针对基于深度神经网络的语义分割技术,根据技术特性的差异,从编码-解码架构、多尺度目标融合、卷积优化、注意力机制、传统-深度结合、策略融合方面展开,对现有模型的优缺点进行梳理和分析。
2023-11-03 11:43:51
333
原创 论文泛读：从U-Net到Transformer： 深度模型在医学图像分割中的应用综述
精准分割医学图像中的病灶对医生探寻病因和制定诊疗方案起关键作用，计算机视觉技术的发展促使深度学习在医学图像分割领域衍生出多种模型架构，U-Net架构以其巧妙的跳跃连接、易于优化的模块设计成为这一领域的基准模型。为帮助本领域学者了解U型网络的发展历程及研究现状，该文以问题为导向对近七年U型网络改进工作进行综述，首先，从改进结构位置的角度对U-Net及其各项改进模型进行叙述，探讨各工作的研究目的和创新设计及不足之处。其次，对Transformer与U型网络的结合方式进行分析，从中获取改进工作的研究动向。
2023-11-02 10:10:06
505
1
原创 论文泛读：基于DCF-DeepLab网络的语义分割研究
针对DeepLab V3中存在的图像小目标信息易丢失、训练时效长、目标边界分割粗糙等问题,提出了一种基于双注意力交叉融合的DCF-DeepLab图像语义分割网络。该网络设计了基于注意力机制的特征融合模块，分别在2、4、8倍下采样特征图上使用该模块，融合浅层特征以弥补深层特征的不足；在主干特征提取网络部分引入轻量级网络MobileNet V3-Large，减少模型推理时间；在ASPP模块嵌入多个注意力模块和串联结构，增强网络细节特征提取能力。
2023-11-01 18:50:56
343
1
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