想要好好撸AI
这个作者很懒,什么都没留下…
展开
-
深度学习(五)迁移学习(实战:新数据预测+vgg16和聚类预测)
6、成功引入PCA数据降维技术,剔除了数据中的噪音信息、降低了模型复杂度、减少了模型训练时间,并最终提高了模型表现;gen=datagen.flow_from_directory(path,target_size=(224,224),batch_size=2,save_to_dir=dst_path,save_prefix='gen',save_format='jpg') # 生成图片大小224*224,bs产生多少组图像,存储路径和前缀。1、通过使用新数据,实现了模型的2次训练,达到了较好的预测效果;原创 2023-03-17 14:21:50 · 493 阅读 · 0 评论 -
深度学习编译器
深度学习1. 训练框架:Google的TensorFlow:项目部署落地FaceBook的Pytorch:易用性另外亚马逊的MxNet百度的Paddle旷视的MegEngine华为的Mindspore一流科技的OneFlow:分布式训练最快无论选择何种训练框架训练模型,我们最终都是要将训练好的模型部署到实际场景的。2. 模型部署的设备:Intel CPU/Nvidia GPU/Intel GPU/Arm CPU/Arm GPU/FPGA/NPU(华为海思)/BPU原创 2022-01-12 19:12:01 · 719 阅读 · 0 评论 -
深度学习(二)卷积神经网络CNN
目录一、 定义和公式1. 图像卷积运算:图像矩阵*Filter2. 池化层实现维度缩减(最大法&平均法)3. 卷积神经网络 CNN 介绍、特点、问题4. 经典的CNN模型:LeNet-5,AlexNet,VGG-164.1 LeNet-54.2 AlexNet4.3 VGG-16二、 代码实战1. 建立CNN模型实现猫狗图像识别,并对新图像进行预测1.1 CNN结构图1.2 建立CNN模型实现猫狗图像识别1.3 对新图像进行预测2. 基于V..原创 2021-12-13 11:56:28 · 2024 阅读 · 0 评论 -
深度学习(一)多层感知器MLP/人工神经网络ANN
一、定义和公式1. 多层感知器 Multi Layer Perceptron MLP由于当逻辑回归模型中的属性过多,会导致多项式的数据量很大,解决这个问题可以使用MLP,也叫人工神经网络ANN,该模型结构模仿人的思考机制。神经元结构的数值化(类似逻辑回归模型框架):在MLP应用中,可以把激活函数替换为relu、tanh、softmax等多层感知器MLP模型框架(多个逻辑回归模型叠加在一起):数学表达式为:逻辑回归模型与神经网络模型之间的关系:...原创 2021-12-11 23:22:56 · 4437 阅读 · 2 评论 -
机器学习(五)模型评估与优化
目录一、定义和公式1. 过拟合Overfit与欠拟合Underfit2. 数据分离与混淆矩阵 Confusion Matrix3. 模型优化二、 代码实战1. 酶活性预测1.1 建立线性回归模型,计算测试数据集上的R2分数,可视化1.2 加入多项式特征(2次,5次)建立回归模型,用R2分数对比两个模型预测结果1.3 可视化多项式回归模型,对比两个模型预测结果2. 芯片质量好坏预测2.1 根据高斯分布概率密度函数,寻找异常点并剔除2.2 基于data_class原创 2021-12-11 12:17:05 · 2003 阅读 · 0 评论 -
机器学习(四)其它技术:决策树,异常检测,PCA
目录一、 定义和公式1. 决策树 Desicion Tree2. 异常检测 Anomaly Detection3. 主成分分析 PCA二、 代码实战1. Iris鸢尾花数据集1.1 决策树1.2 异常检测1.3 PCA一、 定义和公式1. 决策树 Desicion Tree决策树:对实例进行分类的树形结构,通过多层判断区分目标所属类别缺点:忽略属性间的相关性,样本分布不均匀时影响表现给定训练数据集:核心:特征选择(每个叶子)应该用哪个特征三种原创 2021-12-10 18:33:15 · 1810 阅读 · 0 评论 -
机器学习(三)聚类算法
目录一、 定义和公式1. 聚类算法2. 应用:3. 聚类算法分类:KMeans,Meanshift,DBSCAN3.1 K均值聚类 KMeans:无监督学习3.2 K近邻分类 Nearest Neighbor KNN:监督学习3.3 MeanShift:无监督学习二、 代码实战1.2D数据类别划分1.1采用Kmeans算法实现2D数据自动聚类,预测V1=80,V2=60数据类别,计算预测准确率,完成结果矫正1.2采用KNN算法实现2D数据自动聚类,预测V1=...原创 2021-12-10 16:53:32 · 1074 阅读 · 4 评论 -
机器学习(二)逻辑回归
目录一、 定义和公式1. 分类问题2. 分类任务与回归任务的区别3. 使用逻辑回归解决分类问题二、 代码实战1. 使用逻辑回归预测芯片质量三、问题:1. 为什么不能用线性回归中获得系数的方法来求解逻辑回归中的系数呢?2. 为什么叫逻辑回归,而不是逻辑分类?一、 定义和公式1. 分类问题根据已知样本的某些特征,判断新样本属于哪种已知的样本类常见的分类问题有:垃圾邮件,图像分类,数字识别,考试通过预测...分类问题的解决方法有:逻辑回归,K近邻KNN,.原创 2021-12-10 15:58:54 · 641 阅读 · 0 评论 -
机器学习(一)线性回归
目录一、定义和公式:1. 回归分析 Regression Analysis:2. 线性与非线性:3. 线性回归:回归分析中,变量与因变量之间存在线性关系4. 评估模型表现的方法:二、 代码实战:1. 线性回归LR实现线性预测:2. 建立线性回归模型,实现房价预测:一、定义和公式1. 回归分析 Regression Analysis根据数据确定两种及两种以上变量间的依赖关系2. 线性与非线性线性:如,匀速前进,时间0时在0处,求时间t时在哪里?距离=.原创 2021-12-10 14:58:51 · 627 阅读 · 0 评论