人工智能
文章平均质量分 73
数行天下
高级系统架构师,公众号《EncodeBrainV》,用算法编码大脑,以数字演绎人生。分享人工智能等前沿技术、计算机编程和灼识新观察。
展开
-
Kernel 在机器学习中的作用是什么?
核函数的主要优点是能够在高维空间中进行运算,而不需要显式地将数据点映射到该空间,这被称为“核技巧”。在 SVM 中, Kernel 通过定义不同的核函数(如线性核、多项式核、 RBF 核)来调整分类器的复杂度。通过 Kernel 函数,我们可以将低维数据映射到高维空间,在这个高维空间里,许多机器学习任务(如分类、回归)以更易地解决这说的" Kernel Trick ",它能帮助简化高维空间中的计算复杂度。核函数的选择会影响模型的性能和复杂度。(1) 核函数:核函数计算特征空间中两个数据点的相似性。原创 2024-09-10 14:29:23 · 1482 阅读 · 0 评论 -
来聊一聊机器学习中的数学原理——过拟合、正则化和惩罚函数
在ChatGPT模型技术原理中,我们得知研究人员还可以通过对模型进行正则化处理,例如Dropout或权重衰减,以防止模型过拟合。这些正则化技术有助于提高模型在面对新输入时的泛化能力,使其在实际应用中具有更好的鲁棒性。那么今天跟大家聊一聊机器学习模型训练中涉及到的数学原理,过拟合、正则化和惩罚函数,来一起来理解为什么这些数学方法会对模型产生巨大的影响。原创 2024-08-13 22:12:36 · 833 阅读 · 0 评论 -
特征融合在深度学习中怎么玩?
它可以帮助模型更好地理解数据的内在结构和规律,提高模型的性能和泛化能力。另外,特征融合还可以提高模型的分类准确率,减少过拟合风险,帮助我们更好地利用数据集。1、多模态学习:在处理图像和文本数据时,可以将图像特征与文本特征进行融合,以提升模型在图像描述生成或视觉问答等任务中的表现。2、深度神经网络:在卷积神经网络(CNN)中,可以将不同层次的特征进行融合,从而捕捉到低层次的细节特征和高层次的抽象特征。3、迁移学习:在迁移学习中,可以将预训练模型的特征与新任务的特征进行融合,以提高新任务的学习效果。原创 2024-09-01 20:19:02 · 355 阅读 · 0 评论 -
深度学习调参经验总结
3、选择合适的优化器:不同的优化器适用于不同的问题。Adam、SGD、RMSprop等都有各自的优劣,根据问题特点选择合适的优化器。1、理解模型架构:在调参之前,深入了解所使用模型的架构是至关重要的。11、调整特定任务的超参数:根据任务的特点,调整相关的超参数,例如图像分类和文本生成可能需要不同的参数设置。13、利用预训练模型:对于一些任务,使用预训练的模型可能有助于提高性能,注意选择适用的预训练模型。14、注意内存和计算资源:大型模型可能需要更多的内存和计算资源,确保你的硬件能够支持。原创 2024-09-11 19:54:43 · 349 阅读 · 0 评论