机器学习
关于机器学习的理论和实践学习,以深度学习为主
kiss_the_rain86
这个作者很懒,什么都没留下…
展开
-
基于StackGAN++、CycleGAN的图像生成工具,开源
image generate tool本项目用于学习图像分割、图像生成、风格迁移等技术,将多种方法汇总,尽量做到易用。源码地址: https://github.com/kisstherain8677/Image_generate一、自动抠图,可选取感兴趣区域,一键扣取前景,可通过标记前景/后景进行迭代微调基于https://github.com/zihuaweng/Interactive-image-segmentation-opencv-qt 修改。使用方法:0、安装requirements原创 2021-05-27 18:32:43 · 493 阅读 · 0 评论 -
关于零样本学习
一般的机器学习做法是,如果我要训练一个图像分类器(就是给一张图像,机器告诉你类别)我们就要准备很多带有标签的熊猫、狮子等图像丢给神经网络学习。零样本学习的目标是我训练熊猫、狮子之后,给一张机器没见过的斑马的图像,机器能认出这是斑马。其实原理很简单,就是让机器学会更抽象的特征,记住特征而不是具体哪个种类。比如机器知道了白色是啥样的、条纹是啥样的、四条腿的是啥样的,这些属性组合到一起就知道了斑马是啥样的。将图片转化成特征向量。然后我们有一个类别描述向量,用这个取代了原来简单的类别标签。这个类别描述向量,可原创 2021-05-24 22:24:50 · 316 阅读 · 0 评论 -
李宏毅生成对抗网络2021学习笔记
什么是generator?有一个从一个简单分布(这种分布的表达式我们可以写出来)这个网络以这个分布中采样得到的向量作为输入,输出另一个复杂的分布。能够做到这种事情的网络就是生成式网络。为什么要是一个“分布”?视频预测:如果不是分布的话,可能在遇到某一情况下时,向左转和右转的情况同时存在资料库中,精灵就会分裂成两个。如果我们在输入中加入一个分布中的采样,他的输出也就是有概率的一个分布。当下最有名的生成器:generative adversarial network (GAN)uncond转载 2021-05-05 11:35:53 · 448 阅读 · 0 评论 -
关于神经网络中梯度概念的浅显易懂解释
梯度是神经网络里绕不开的一个概念,看到一个视频,解释得很简单明了:一句话:梯度是一个向量,用来指明在函数的某一点,沿着哪个方向函数值上升最快,这个向量的大小指明函数值上升程度(速度)的大小。接下来举例所以本质上,梯度就是一个向量,如果函数是n元函数,这个向量就是由n个元素组成。如果是二元函数,这个向量就是:在(1,1)这一点,沿着方向(3,1)函数值上升速度最快。如图,红色是函数C(x,y)的图像,在(1,1)这一点,可以看到沿着(3,1)移动,函数值是上升最快的。在机神经网络种,我们经原创 2021-02-15 18:04:24 · 10320 阅读 · 0 评论 -
python机器学习 第四章 (1)处理缺失数据
转:https://github.com/PacktPublishing/Python-Machine-Learning-Second-Edition在实际应用中,由于各种原因缺失样本的一个或多个数值的现象时有发生。可能在数据收集中出现了错误。某些测量不当,也可能是某个字段在调查的时候为空白。常见的缺失是数据中的空白或占位符,如NAN,它表示该位置不是一个数字,或者是NULL(系统数据库中常用的...原创 2019-04-08 18:36:17 · 267 阅读 · 0 评论 -
python机器学习 第三章(2)基于逻辑回归的分类概率模型
逻辑回归的直觉与条件概率逻辑回归在线性可分类上表现不错。逻辑回归模型也可以通过OvR技术扩展到多元分类*让步比:有利于某一特定事件的概率,可以定义为p/(1-p),p代表阳性事件的概率。进一步定义logit函数,logit§=log p/(1-p) 用此函数表示与特征值的线性关系...原创 2019-03-28 23:53:35 · 1217 阅读 · 0 评论 -
python机器学习 第三章(4)支持向量机的最大余量分类
支持向量机是一种强大且广泛应用的机器学习算法,可以将其看作感知器的延申。感知器算法的目标是把分类误差减少到最小。而支持向量机算法优化的目标是寻找最大化的边界。边界定义为分离超平面(决策边界)与其最近的训练样本之间的距离,即所谓支持向量。接下来用sklearn训练一个支持向量机模型来对鸢尾花数据集中的不同种花进行分类from sklearn.svm import SVCsvm=SVC(kerne...原创 2019-04-02 00:25:13 · 606 阅读 · 0 评论 -
python机器学习 第三章(3)用sklearn训练逻辑回归模型
sklearn逻辑回归实现更加优化,且支持多元分类场景下面的代码展示如何用sklearn,linear_model.LogisticRegression类以及fit方法在三种花的标准化训练集上训练模型from sklearn.linear_model import LogisticRegressionlr=LogisticRegression(C=100.0,random_state=1)...原创 2019-04-01 23:31:43 · 2099 阅读 · 0 评论 -
python机器学习 第四章 预处理(1)
数据的质量及其所包含的有价值信息是决定机器学习算法优劣的关键。本章内容主要涵盖以下方面:1,去除和填补数据集的缺失数据2,将分类数据转换为适合机器学习算法的格式3,为构造模型选择相关的特征...原创 2019-04-06 22:34:41 · 164 阅读 · 0 评论 -
python机器学习 第二章(2)自适应神经元
自适应线性神经元(Adaline)可以视作是对感知器算法的优化改进。由于其说明了定义最小化连续性代价函数的关键概念,为理解逻辑回归,支持向量机和回归模型等机器学习算法奠定了基础。Adaline规则的权重更新基于线性激活函数。不像感知器是基于单位越阶函数。虽然线性激活函数可以用于学习权重,但是仍然用阈值函数做最终预测。也就是说相比于感知器,Adaline在进行更新权重时用到了一个效果更好的函数...原创 2019-03-18 22:06:47 · 485 阅读 · 0 评论 -
python机器学习 第三章 机器学习分类器一览(1)用api训练感知器
分类算法训练分类器的主要步骤如下:1.选择特征并收集训练样本2.选择度量性能的指标3.选择分类器并优化算法4.评估模型的性能5.调整算法用scikit-learn训练感知器scikit-learn的api提供了大量学习算法,同时也包括了预处理数据、微调和评估模型等许多方便功能。接下来利用scikit-learn中的api,用鸢尾花数据集训练感知器。from sklearn imp...原创 2019-03-25 00:06:20 · 513 阅读 · 0 评论 -
python机器学习第二章(3)改善梯度下降
2.3.3通过调整特征大小改善梯度下降许多机器学习算法需要通过对某种特征进行调整以优化性能。梯度下降是许多可以从特征调整中优化的算法之一。可以利用一种叫做标准化的特征尺度调整方法来加快收敛,它可以使数据具有标准正态分布的特征,有助于梯度下降学习。标准化可以使标准化后的特征平均值为0,标准差为1。比如要标准化第j个特征值 xj=(xj-μj)/σj。μi是所有样本第i个特征的均值。σi是所有样本...原创 2019-03-20 23:03:36 · 203 阅读 · 0 评论 -
python机器学习 第二章(1.感知器的训练与测试)
2.1.1人工神经元的正式定义如果把人工神经元逻辑运用在二元分类场景,将两个类分别名命为正类(1)和负类(-1)以简化操作。定义决策函数Φ(z) z=w1x1+…wmxm作为净输入。令w0=-θ,x0=1则有:z=w0x0+…+wmxm=wTx当z≥0时,决策函数为1,反之为-1 一般将w0叫做偏置。2.1.2MCP神经元和感知器模型背后的原理即:达到一定的条件就会触发,否则不触发。初...原创 2019-03-15 10:50:22 · 990 阅读 · 0 评论 -
python机器学习 第一章
1.1机器学习在20世纪下半叶演变为人工智能(AI)的一个分支,它涉及从数据中通过自我学习获得算法以进行预测。1.2三种类型的机器学习:有监督,无监督,强化1.2.1用有监督学习预测有监督学习:从有标签的训练数据中学习模型,以便对未知或未来的数据做出预测。“监督”一词指的是已经知道样本所需要的输出信号或标签。总之,有监督学习以带标签的训练数据训练模型,进一步将新数据加上标签。带有离...原创 2019-03-15 10:28:53 · 153 阅读 · 0 评论