- 博客(14)
- 资源 (3)
- 问答 (2)
- 收藏
- 关注
RSS订阅转载 向量和矩阵的点乘和叉乘
向量定义：向量是由N个实数组成的一行N列或N行一列的的数组。点乘：又叫做点积、内积、数量积、标量积，向量a[a1,a2,...,an]和向量b[b1,b2b...,bn]点乘的结果是一个标量，记作a.b；几何解释：a.b = |a| |b|，故而点乘可以计算出两个向量的夹角，且向量垂直，点乘结果为零。叉乘：又叫向量积、外积、叉积，叉乘，向量a[x1,y1,z1]和向量b[x2,y2,z2]叉乘的运算结果是一个向量，并且两个向量的叉积与这两个向量组成的坐标平面垂直，记作axb；计算方式：.
2021-01-29 10:40:23
7396
1
转载 【Pandas】dataframe删除原来索引,使新索引从0开始
dataset2=dataset2.reset_index(drop=True)原始：现在：
2021-01-28 17:19:18
1902
转载 【Python】Counter类（计数器）
Counter（计数器）：用于追踪值的出现次数Counter类继承dict类，所以它能使用dict类里面的方法创建一个Counter类import collectionsobj = collections.Counter('aabbccc')print(obj)#输出：Counter({'c': 3, 'a': 2, 'b': 2})elements()import collectionsobj = collections.Counter('aabbccc')prin..
2021-01-26 16:38:45
1306
转载 信息量，熵，条件熵，相对熵，交叉熵，信息增益，互信息，信息增益比
接着信息量与熵，我们再来看看条件熵，相对熵，交叉熵，信息增益，互信息，信息增益比。1 信息量2 熵3 条件熵4 相对熵（KL散度）详解链接https://blog.csdn.net/u013066730/article/details/1129887335 交叉熵6 信息增益西瓜书的第四章链接：https://pan.baidu.com/s/16xMD5CvTzO4TurNJ602Bmw提取码：ydvv推导公式：https://...
2021-01-26 16:30:40
220
转载 相对熵（KL散度）
上一篇文章我们简单介绍了信息熵的概念，知道了信息熵可以表达数据的信息量大小，是信息处理一个非常重要的概念。推导到这相信很多人会想，既然如此，那为什么现在还是很多人用相对熵衍生出来的交叉熵作为损失函数来训练神经网络而不直接用距离相关的均方差呢？以下面的例子稍作解释：假设神经网络的最后一层激活函数为sigmoid，它长这样：可以看到它的两头异常的平，也就是说在那些地方的导数接近于0。而反向传播是需要求导的，用了均方差损失函数之后求导结果包含y ( y − 1 )（可参考这篇文章），这在y接近.
2021-01-22 16:33:45
905
1
转载 【PANet】升级版Mask R-CNN
一、PANet 整体描述PANet 是基于Mask R-CNN进行改进后的网络，改进的三个点分别为：原始 Mask R-CNN 没有很好地利用低层信息。高层的 Feature maps 关注物体整体，低层的 Feature maps 关注物体的纹理图案。使用低层的信息可以对物体进行更好地定位。对此 PANet 增加了 Bottom-up Path Augmentation（整体结构图中的b. ），将低层的信息又传导到高层中去，同时减少了高层到低层的信息流通需要穿过的卷积层数。 原 RoI Pool
2021-01-12 15:45:35
595
转载 Fixing the train-test resolution discrepancy论文解读
这篇论文的思想比较独特，从数据的训练集和测试集的输入分辨率着手进行分析，得出训练数据和测试数据的输入分辨率应该是不一样的，才能在图像分类上达到较好的精度。以前的大部分研究在网络输入的分辨率上基本上是一致的，然而由于训练数据和测试数据在预处理上的不同，导致了网络对图像的表观尺寸上是有偏差的，没有在测试集上达到最好的效果。表观尺寸和分辨率对性能的影响在图像分类的神经网络中，通常是接受一个固定大小的输入尺寸，比如，AlexNet的输入分辨率是224 × 224 224\times224224×224。在当
2021-01-08 16:36:12
446
转载 【AutoAugment】ImageNet准确率达85%
论文地址：https://arxiv.org/pdf/1909.13719.pdfGitHub地址：https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py你的数据还不够强。玩深度学习的人都知道，AI算法大部分是数据驱动。数据的质量一定程度上决定了模型的好坏。这就有了深度学习天生的一个短板：数据不够多、不够好。而数据增强就是解决这一问题的有效办法。谷歌大脑去年提出
2021-01-08 16:10:31
1416
转载 【Pytorch】SGDR
pytorch中既自带了学习率函数，我们也可以自定义学习率调整函数。调整函数通常随epoch的变化而变化。首先实现自定义学习率调整：自定义学习率调整以SGDR余弦学习率调整为例：论文地址：https://arxiv.org/abs/1608.03983在pytorch中的训练代码：# 第epoch值进行计算并更新学习率def adjust_lr(optimizer, epoch, T_0=10, eta_max=0.1, eta_min=0.): if T_mul == 2:
2021-01-07 16:47:34
958
1
原创 【深度学习】Tricks
图像分类以精度提升为目的（1）数据增强：该方法是为了扩大数据的多样性。常规包括以下几种方式：旋转，上下翻转，左右翻转，镜像，仿射变换，颜色通道变换，亮度变换，色相变换，饱和度变换，随机裁剪，高斯、中值、平均模糊，对比度增强，锐化，以及将前面的几种变换组合成为一种变换。这里需要提醒的是并不是使用的增强方法越多效果越好，每一种数据都有其有效性，我认为一般情况下选用其中的4-6个变换即可，这些变换最好能贴合实际情况。另外我发现直接将数据进行增强完训练其效果不如在训练时对数据进行随机的一种或几种变换
2021-01-07 10:43:21
632
1
转载 【PyTorch】transforms的二十二个方法
目录一、 裁剪——Crop1.随机裁剪：transforms.RandomCrop2.中心裁剪：transforms.CenterCrop3.随机长宽比裁剪 transforms.RandomResizedCrop4.上下左右中心裁剪：transforms.FiveCrop5.上下左右中心裁剪后翻转: transforms.TenCrop二、翻转和旋转——Flip and Rotation6.依概率p水平翻转transforms.RandomHorizontalFlip7
2021-01-05 21:07:46
694
转载 【Torch】torch.max()使用讲解
在分类问题中，通常需要使用max()函数对softmax函数的输出值进行操作，求出预测值索引。下面讲解一下torch.max()函数的输入及输出值都是什么。1. torch.max(input, dim) 函数output = torch.max(input, dim)输入input是softmax函数输出的一个tensor dim是max函数索引的维度0/1，0是每列的最大值，1是每行的最大值输出函数会返回两个tensor，第一个tensor是每行的最大值，softmax的
2021-01-04 14:13:16
2070
转载 【Numpy】判断数组是否相等
Python/Numpy判断数组是否相等1.Numpy判断数组是否相等一般是判断两个数组是否完全相等(array1 == array2)返回两个矩阵中对应元素是否相等的逻辑值 (array1 == array2).all()当两个矩阵所有对应元素相等，返回一个逻辑值True (array1 == array2).any()当两个矩阵所有任何一个对应元素相等，返回一个逻辑值True2.举例如下：>>> a = np.array([1,2,3])>>>.
2021-01-04 14:10:29
8349
MIL-nature-medicine-2019-master.zip
2019-10-15
C# 单步执行可以成功，直接运行却不能成功
2016-04-07
C# 用户控件的Load事件不能执行
2015-05-10
TA创建的收藏夹 TA关注的收藏夹
TA关注的人