weixin_42621901的博客

论文题目：When Does Labels Smoothing Help?(来自谷歌大脑)目录一、标签平滑1. 什么是标签平滑二、主要工作二、可视化一、标签平滑1. 什么是标签平滑二、主要工作平滑标签能够防止神经网络变得过于自信，标签平滑技术被很多先进的网络所使用。（1）对标签平滑如何提高网络的泛化能力进行了可视化论证（2）标签平滑具有隐式的网络校正功能（3）在知识蒸馏的情况下，不使用标签平滑二、可视化...

论文题目：FMix: Enhancing Mixed Sample Data Augmentation-2020官方代码：FMix-Pytorch 数据增强方法之FMix一、摘要二、介绍2.1 MixUp和CutMix方法的优缺点2.2 FMix方法三、方法四、代码实现4.1 计算lambda值4.2 生成低频图像4.3 二值图像五、实验结果一、摘要近几年，样本融合的数据增强方法获得了越来越多的关注，比如一些很成功的变体-MixUp和CutMix。受到CutMix方法的启发，我们提出了FMix方法

论文题目： MobileNetV2: Inverted Residuals and Linear Bottlenecks论文代码： MobileNetV2——Pytorch版本目录摘要一、介绍二、相关工作三、深度可分离卷积3.1 常规卷积3.2 Depthwise and Pointwise Convolution四、线性瓶颈五、反向残差六、模型结构摘要在本文中，我们提出了一个新的移动架构——MobileNetV2。同时，我们也描述了一种应用这些移动模型到目标检测的有效方法——SSDLite。另外，

目录CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features摘要Mixup、Cutout和CutMix三种数据增强方法CutMix算法中涉及到的公式对应的代码讨论带有CutMix的模型学习到了什么？CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features作者在论文中提出了一种新的

1.使用虚拟机打开Linux系统打开VMware Workstation 16软件，启动事先安装好的Linux系统成功启动Linux系统2.获取Linux系统IP地址在Linux系统中，打开终端输入命令：ifconfig以inet开头，后面的一串数字就是IP地址，记住这个IP地址！！3.打开Xshell软件新建会话输入上面得到的IP地址输入Linux系统的用户名和密码，这里的用户名不是开机显示的用户名（填了连接失败），填写终端命令行开头，作为用户名！4.登录成功

1. 满二叉树定义： 一个二叉树，除去最后一层无任何子结点外，每一层上的所有结点都有两个子结点。或者说，如果一个二叉树的层数为k，且节点总数为(2^k)-1，则它就是满二叉树。图示：2.完全二叉树定义： 一颗深度为k的有n个结点的二叉树，对树种的结点按从上到下，从左到右的顺序进行编码，如果编码为i的结点与满二叉树中编码为i的结点在二叉树中的位置相同，则这棵二叉树称为完全二叉树。通俗来讲： 除了k层以外，其他层的结点数都达到最大，在第k层的结点都连续 集中在最左侧，这就是完全二叉树。图示：3

torch.cat()的用法torch.cat用于矢量的拼接，例如：# torch.cat用法：import torchA = torch.ones(2,3)print(A)B = torch.ones(2,3)print(B)C = torch.cat((A,B),0) # 按行拼接print(C)D = torch.cat((A,B),1) # 按列拼接print(D)------------输出----------------------tensor([[1., 1., 1.

Shift()参数说明shift(periods,frep,axis)periods： 表示移动的长度，正数表示向下移动数据，负数表示向上移动数据。索引不变。如果移动之后没有对应的数据，则赋值为NaN。frep： 默认值为None，用于时间序列。按照参数值移动时间索引，而数据不移动。axis： 表示移动的方向，0或者index表示上下移动，1或者colums表示左右移动。...

1. 什么是不变性不变性是指目标发生了变换，但是你依然可以识别出来。对于图像处理任务来说，这是一种很好的特性。图像中的目标即使被平移、旋转或者缩放，模型都可以识别出来图像中的目标。不变性有以下几种类型：平移不变性；旋转不变性；尺度不变性；光照不变性。对于图像分类任务： 平移不变性就是图像中的目标不管被移动到哪个位置，模型给出的标签都是相同的。除此之外，还有一个对应的概念：平移同变性。是指：在图像的目标监测中，如果输入图像中的目标进行了平移，那么最终检测出来的候选框应该也相应的移动，这就是同时改变。

分组卷积介绍分组卷积最初是在AlexNet网络中出现的，主要为了解决单个GPU无法处理含有大量计算量和存储需求的卷积层这个问题。目前，分组卷积多被用于构建用于移动设备的小型网络模型。例如深度可分离卷积。原理在介绍原理之前，需要放上一张经典的图示（图片来源）。其中，最上面的是传统卷积操作的示意图，下面的是分组卷积操作的示意图。对分组卷积操作的说明：既然是分组卷积，肯定是需要对输入特征图进行分组，例如：将输入特征图根据通道数分成g组，则每组输入特征图的尺寸为 HW(c1/g)HW(c_1/

K-Means聚类方法1. 介绍k均值聚类是基于样本集合划分的聚类算法。由于每个样本在划分的过程中只能属于一个类别，所以k-Means算法属于硬聚类。2. 算法过程k均值聚类算法是一个迭代的过程，每次迭代包括两个步骤：（1）初始化：随机选择k个样本作为初始聚类中心（2）对样本进行聚类：计算每个样本到类中心的距离，将每个样本指派到与其最近的中心得类中，构成聚类结果。（3）计算新的聚类中心：对（2）中得到的聚类结果，计算各个类中的样本的均值，作为新的聚类中心。（4）如果迭代收敛或符合停止条件，

在已知右边表示label的情况下，例如 ：0表示正常（CN），1表示异常（AD）。要想满足提交的结果格式，需要将0-CN,1-AD对应起来。利用map()方法实现：pd['label'] = pd['label'].map({1:'AD', 0:'CN'})通过上述代码实现第二幅图片的结果...

使用方法：# 导入方式from sklearn.model_selection import KFoldKFold(n_split, random_state, shuffle)参数：n_split：需要划分多少折数shuffle：是否进行数据打乱random_state：随机数skf = KFold(n_splits=10, random_state=233, shuffle=True)KFold()方法中的split()：split(a,b)：方法会根据折数对a和b进行划分。

根据Pytorch中的手册可以看到，topk()方法用于返回输入数据中特定维度上的前k个最大的元素。torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) -> (Tensor, LongTensor)参数说明：input -> 输入tensork -> 前k个dim -> 默认为输入tensor的最后一个维度sorted -> 是否排序largest -> False表示返回

在利用自定义损失函数进行损失计算的时候，需要使用到sigmoid函数。当在训练模型的时候，使用torch.nn.Sigmoid()对输出进行处理，但是提示__init__错误。我发现光sigmoid()就有三种调用的方式：torch.sigmoid(),torch.nn.Sigmoid()和torch.nn.functional.sigmoid()。torch.sigmoid():这是一个方法，包含了参数和返回值。torch.nn.Sigmoid():可以看到，这个是一个类。在定义模型的初始化方法

Pandas库中的cut()方法可以用来对数据进行分箱操作：nums = np.random.uniform(0,100,size=30) #随机生成0-100之间的30个数字nums = np.round(nums,1) # 保留一位小数group = [0,59,70,85,100] # 分组划分print(result = pd.cut(nums,group))# 判断nums中的每个数字属于哪个区间# [(0, 59], (85, 100], (0, 59], (70, 85], (0,

# 获取KNN_list中最大值KNN_list = [(1,2),(2,3),(3,4)]max(KNN_list, key= lambda x: x[0]) # key参数：指定KNN_list中，每个元组元素的第一个值。

leastsq()函数位于Scipy的optimize模块中，利用leastsq()函数可以对数据进行拟合。leastsq()函数的参数：leastsq(func,x0,args=()…)，其中常用的是前三个参数。参数的介绍：p_init = np.random.rand(M + 1) # M：多项式的次数p_lsq = leastsq(loss_function, p_init, args=(x,y))# y是加上正态分布噪声的真值func：表示误差函数（损失函数）def fit_func

位运算按位与（&）；按位或（|）；按位取反（~）；按位异或（^）；左移（<<）；右移（>>）1.左移运算符（<<）：左移运算符就是将二进制进行左移 y\ y y，末尾补0。作用相当于对整数 x\ x x进行： x∗2y\ x*2^y x∗2y。2.右移运算符（>>）:右移运算符就是将二进制进行右移 y\ y y 位。开始处补符号位。作用相当于对整数 x\

index_select(dim, index):dim: 按行/列进行索引，dim=0表示按行，dim=1表示按列。index: 是一个tensor类型，用于索引行/列数值的一个列表，例如[1，2]，dim=0,表示按行索引1和2行值。[1,3,5]，dim=0，表示按行索引第1，3，5行。备注： 可以使用index_select()函数生成batch_size大小的样本（例如在线性回归中，自定义一个读取batch_size大小的函数，每次返回batch_size大小的样本和标签）。...