![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
小透明的实习
不能被发现
这个作者很懒,什么都没留下…
展开
-
2021.04.14 Resnet实战
参考1个人理解:当VGG层数越多,精度越高,但是loss有可能下降,这就出现了“网络退化”问题。比如VGG-100的效果和VGG-16效果一样,于是用ResNet讲这两层直接映射(Identity Mapping)保证了l+1层的网络一定比 l 层包含更多的图像信息。代码讲解...原创 2021-09-19 03:29:22 · 155 阅读 · 0 评论 -
2021.05.11
最近遇到的一些很小的问题:Mac下python中 matplotlib中文乱码解决方案:查看系统可用字体:from matplotlib.font_manager import FontManagerfm = FontManager()mat_fonts = set(f.name for f in fm.ttflist)print mat_fontsimport numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.原创 2021-05-11 17:00:08 · 55 阅读 · 0 评论 -
2021.04.13关于pip安装之后import却no module named““
今天安装了一个包:fastai,安装成功了。但是在Spyder或者Pycharm就是import不进来。为什么呢?在Mac终端查看pip的地址:pythonimport syssys.path在Spyder或者Pycharm输入同样的import syssys.path发现这俩路径不一样,也就是说在终端pip install安装的和import的路径不一样,所以引入不进来,要么统一路径(很麻烦)要么就在Spyder或者Pycharm里面先写sys.path.append(..)但原创 2021-04-13 17:19:58 · 846 阅读 · 0 评论 -
2021.04.09三个神经网络
参考DNNCNN一种前馈神经网络,处理大型图像处理。包括卷积层(convolutional layer)和池化层(pooling layer)主要用来识别位移、缩放及其他形式扭曲不变性的二维图形,该部分功能主要由池化层实现RNN循环神经网络LSTM时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM区别于RNN的地方,主要就在于它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell...转载 2021-04-12 12:56:54 · 198 阅读 · 0 评论 -
2021.04.09
交叉熵损失函数参考1参考2转载 2021-04-09 18:01:19 · 56 阅读 · 0 评论 -
2021.04.06
基本概念总结:梯度更新方式参考1参考2BGD 交叉熵损失函数批量梯度下降法(Batch Gradient Descent)思路是在更新每一参数时都使用所有的样本来进行更新。优点:全局最优解;易于并行实现;BGD迭代的次数相对较少缺点:当样本数目很多时,训练过程会很慢。SGD 随机梯度下降法(Stochastic Gradient Descent)为了解决批量梯度下降法这一弊端而提出的。思路是每次训练样本只输入一个,通过不断输入不同样本来修正参数,而BGD是一次输入所有样本来修原创 2021-04-09 11:23:09 · 338 阅读 · 0 评论 -
2021.03.24
Safari下载空间不足/wget下载首先放上shell脚本:#!/bin/bashSAVEIFS=$IFSIFS=$'\n'for line in $(cat 1.txt)dowget $linedoneIFS=$SAVEIFS就这么简单的下载步骤,我要疯了。Mac用Safari下载就提示空间不足,但是还有很多。1.Safari权限是否读和写2.默认下载目录是否存在(因为我不知道咋了,不小心删掉了Downloads)3.重启safari接着提示没有wget,因为之前是用Li原创 2021-03-24 17:33:12 · 112 阅读 · 2 评论 -
实习记录
面试问题:损失函数 子类父类 传输层 路径修改 深浅复制 传参如何实现周四首先知道混淆矩阵,然后TP正的预测正,TN负的预测负,FP存伪,负的预测为正的,FN去真,正的预测为负的。准确率(Accuracy) 预测正确(正类负类)的占总的比重 (TP+TN)/(TP+TN+FP+FN)精确率(Precision) 正确预测为正的占所有预测为正的比例 TP/(TP+FP)召回率(Recall) 正确预测为正的占所有实际为正的比例 TP/(T原创 2021-03-11 15:23:48 · 118 阅读 · 0 评论