![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
2. 深度学习
文章平均质量分 77
深度学习模型学习
要坚持写博客呀
这个作者很懒,什么都没留下…
展开
-
样本不平衡问题总结
一、样本不平衡介绍1. 样本不平衡现象:训练数据中各种类别样本数量差别过大,导致训练的模型对各个类别预测或分类的精度偏差比较大,比如电池故障预测,故障的数据量远远少于正常数据量,但是这些故障数据反而更重要。2. 样本不平衡影响:训练样本不平衡,那么模型更容易偏向样本量多的类别,因为模型把样本量的大的类别预测对,整体精度也会高,就不会在意少量样本类别,但这是不对的。即模型会学习到按照样本类别比例的先验信息,而解决样本不平衡能解决学习到这种先验信息,能从本质正确的判断预测不同类别。举个栗子: 比如模型原创 2022-05-24 22:23:44 · 5159 阅读 · 1 评论 -
目标检测——常用评估指标含义及代码
一、简介目标检测是一个分类和回归都有的一个任务。通过混淆矩阵(TP, TN, FP, FN),可以计算出 Precision ( P ), Recall ( R ), Accuracy, F1-Score;IOU二、大概原理1. 步骤:2. 细节:1. 感知机的表达形式三、代码实现1.手动实现代码来自:2.库实现sklearn.linear_model.Perceptron的参数和属性参数:属性:代码实现步骤:#coding=u原创 2022-04-01 23:07:56 · 1771 阅读 · 0 评论 -
pytorch模型构建(五)——各种工具函数介绍(NMS, Kmeans)
一、简介(占位,待写)1. 图:目的:原则:方法:二、数1.原创 2022-03-25 15:55:33 · 5239 阅读 · 0 评论 -
pytorch模型构建(四)——常用的分类损失函数
一、简介损失函数的作用: 主要用于深度学习中predict与True label “距离”度量或者“相似度度量”,并通过反向传播求梯度,进而通过梯度下降算法更新网络参数,周而复始,通过损失值和评估值反映模型的好坏。损失函数的分类: 主要分为回归损失函数和分类损失函数。回归损失函数: reg_loss(回归预测一个具体的数值,真实的一个具体值),比如我要预测一个矩形框的宽高,一般来说可以使任意值。一般的回归会将预测的值设计到一个较小的范围比如0~1范围内,这样可以加速模型收敛,要不然模型前期预测的数值原创 2021-12-22 16:10:57 · 2613 阅读 · 0 评论 -
pytorch模型构建(四)——常用的回归损失函数
一、简介(占位,待写)1. 图:目的:原则:方法:二、数1.原创 2021-12-09 18:00:34 · 8734 阅读 · 0 评论 -
1. RNN-LSTM-GRU
一、 RNN(Recurrent Neural Networks)About RNN循环神经网络(RNN)对序列特性的数非常有效,它将上一个时间t-1的隐节点作为当前时间t的输入,主要应用于时序分析、语音识别、机器翻译、NLP等领域。RNNRNN存在的问题梯度消失/爆炸,可以用梯度截断的阈值方法解决,手动将第阈值θ。或者使用LSTM。二、LSTM(Long Short Term Memory)About LSTM解决RNN的长期依赖问题,随着时间片的增加,RNN丧失了学习先前时间片的信息。原创 2021-09-14 19:34:21 · 132 阅读 · 0 评论