- 博客(26)
- 收藏
- 关注
RSS订阅原创 有效解决：nvidia-smi报错Failed to initialize NVML: Unknown Error 且 print(torch.cuda.is_available())一直卡住
看了n篇博客和文章，没有一篇是靠谱的（至少不适用于博主本人遇到的情况），在寻求解决方法这个过程中博主总结了可能是驱动版本问题以及曾经安装的NVIDIA CUDA的影响。删除后要去找自己GPU适配的最新驱动并进行更新。
2024-04-09 16:34:38
3469
原创 跑代码中遇到的错误合集(持续更新)
可以看到drop_output里面的参数是bert_feature，点击这个参数,代码跳到151行，在参数列表里面加上return_dict = False。参考链接:https://blog.csdn.net/qsx123432/article/details/123984811。原因：dropout函数接收到的参数是一个字典类型(需手动设置其不要返回字典类型)3.对给dropout函数参数赋值的函数的函数列表进行修改，加上。eg：根据报错可以定位到module.py的152行。2.定位到函数中的参数。
2023-12-15 11:06:34
435
原创 通过git bash激活虚拟环境遇到的问题
首先，你需要运行 ‘conda init’ 命令，以初始化你的 shell。总之，这个错误是由于 Conda 环境配置问题引起的，通过运行 ‘conda init’ 并遵循相应的提示来配置你的 shell，你应该能够解决这个问题并正确使用 ‘conda activate’ 命令。运行 ‘conda init’ 命令后，它会自动配置你的 shell 以正确使用 ‘conda activate’。错误信息首先告诉你，你的 shell 还没有被正确配置以使用 ‘conda activate’ 命令。
2023-09-05 15:58:31
1786
1
原创 浅谈LSTM（学习笔记）
文章目录一.循环神经网络（Recurrent Neural Networks）二.LSTM一.循环神经网络（Recurrent Neural Networks）长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所以在介绍LSTM前我们先来说说RNN。很多时候，人对一个问题的思考不会完全从头开始。比如我们看电影时，我们会根据之前看到的电影情节来理解或推理后面的电影情节，在我们理解后面的
2020-08-23 21:56:51
1616
原创 提升方法与集成学习（学习笔记）
文章目录一.AdaBoost、1.简介2.基本原理3.弱分类器二级目录二级目录二级目录一.AdaBoost、1.简介Boosting，也称为增强学习或提升法，是一种重要的集成学习技术，能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器，这在直接构造强学习器非常困难的情况下，为学习算法的设计提供了一种有效的新思路和新方法。作为一种元算法框架，Boosting几乎可以应用于所有目前流行的机器学习算法以进一步加强原算法的预测精度，应用十分广泛，产生了极大的影响。而AdaBoost正是其中最成
2020-08-17 23:19:06
484
原创 生成对抗网络——GAN
文章目录一.原理二.架构三.实例一.原理GAN的主要灵感来源于博弈论中零和博弈的思想，运用到深度学习上来说就是通过生成网络G（Generator）和判别网络D（Discriminator）不断博弈，进而使G学习到数据的分布。该技术经常运用到图片的生成上，当训练完成后，G可以从一段随机数中生成逼真的图像。G、D的主要功能：G是一个生成式的网络，它接收一个随机的噪声z（随机数），通过这个噪声生成图像D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真
2020-08-02 22:59:22
367
原创 浅谈贝叶斯
文章目录一.贝叶斯1.贝叶斯决策论2.朴素贝叶斯分类器3.半朴素贝叶斯分类器4.贝叶斯网络5.EM算法一.贝叶斯1.贝叶斯决策论很多朋友都应该听说过贝叶斯决策论，甚至知道其相关公式，但是对于正确理解贝叶斯决策论可能还有一些小问题，今天我们就来说一说这些问题。1.1.先验概率以抛硬币为例，假如有人告诉我们所抛硬币正面朝上的概率p1=0.7，反面朝上的概率p2=0.3。在这种情况下,我们会倾向预测结果是正面，因为0.7>0.3，此时错误率就是1-0.7=0.3，也就是反面朝上的概率。对于这种在
2020-07-27 23:10:02
1055
原创 深度学习——VGG Net（学习笔记）
一.VGG原理VGG16相比AlexNet的一个改进是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。在VGG中使用了2个3x3卷积核来代替5x5卷积核，使用了3个3x3卷积核来代替7x7卷积核，这样在相同感受野的条件下，提升了网络的深度，同时也减少了参数。下面给出一幅图来加深理解：
2020-07-19 21:38:37
1217
3
原创 深度学习之多层感知器（MLP）
文章目录一.小例二.多层感知器（Multi-Layer Perceptron）一.小例前面学习了一些关于机器学习的知识，本篇来说一说有关深度学习方面的东西——多层感知器，下面来看一些例子。前面也说过类似问题，这里我们可以通过建立一个逻辑回归模型来实现任务，它的边界曲线大概是这样的（下图）可以看到，边界曲线不是规则的圆或椭圆，看起来还是比较复杂的，这并不是简单的二次型能够解决的问题了，需要用到多次项来求解，这就需要我们生成多项式属性了。但如果边界曲线更复杂，初始数据属性更多，那么数据将非常庞大，运
2020-07-12 23:25:55
5812
5
原创 机器学习之数据分离与混淆矩阵(实战)
文章目录一.任务二.实战一.任务好坏质检分类实战task：1、基于data_class_raw.csv数据，根据高斯分布概率密度函数，寻找异常点并剔除2、基于data_class_processed.csv数据，进行PCA处理，确定重要数据维度及成分3、完成数据分离，数据分离参数：random_state=4,test_size=0.44、建立KNN模型完成分类，n_neighbors取10，计算分类准确率，可视化分类边界5、计算测试数据集对应的混淆矩阵，计算准确率、召回率、特异度、精确率、F
2020-07-09 12:48:13
1975
2
原创 机器学习之数据分离与混淆矩阵
文章目录1.数据分离2.混淆矩阵1.数据分离其实细心观察的朋友可以发现，前面我们讲过的实例基本流程都是这样的：数据载入→数据可视化与预处理→模型创建→全数据用于模型训练→模型评估按照这个流程的前提是我们要有新数据来作为测试数据供我们使用，那么如果我们没有新数据用于模型评估表现怎么办呢？这时就需要用到数据分离了。简单来说数据分离就是对全数据进行数据分离，部分数据用来训练，部分数据用于新数据的结果预测。通常来说分为3步：这里训练集和测试集的比例是可以灵活调整的， 可能训练集占70%，测试集占3
2020-06-19 00:13:31
1966
2
原创 机器学习之——过拟合欠拟合（实战）
文章目录一.任务二.实战三.总结一.任务酶活性预测实战task：1、基于T-R-train.csv数据，建立线性回归模型，计算其在T-R-test.csv数据上的r2分数，可视化模型预测结果2、加入多项式特征（2次、5次），建立回归模型3、计算多项式回归模型对测试数据进行预测的r2分数，判断哪个模型预测更准确4、可视化多项式回归模型数据预测结果，判断哪个模型预测更准确二.实战在上一篇介绍欠拟合和过拟合的文章中，我们谈到了不同的模型对数据的拟合结果不同，本次实战将通过普通线性回归建立的模型以及
2020-06-14 00:24:13
1775
9
原创 机器学习其他常用方法——PCA（实战）
文章目录一.任务二.实战三.总结一.任务PCA实战task：1、基于iris_data.csv数据，建立KNN模型实现数据分类（n_neighbors=3）2、对数据进行标准化处理，选取一个维度可视化处理后的效果3、进行与原数据等维度PCA，查看各主成分的方差比例4、保留合适的主成分，可视化降维后的数据5、基于降维后数据建立KNN模型，与原数据表现进行对比二.实战#加载数据import pandas as pdimport numpy as npdata = pd.read_csv(
2020-05-31 22:37:08
1394
原创 机器学习其他常用技术之主成分分析(PCA)
这里写目录标题一.数据降维（Dimensionality Reduction）二.PCA一.数据降维（Dimensionality Reduction）在讲PCA之前，我们先来说一说数据降维，先看看一个例子：任务：通过美国1929-1938年各年经济数据，预测国民收入与支出数据包括：雇主补贴、消费资料和生产资料、纯公共支出、净增库存、股息、利息、外贸平衡等十七个指标。统计学家斯通通过一个主成分分析的数据降维的方法将十七项指标降到了三项指标。当然这三项指标并不是原来十七项指标中的三项指标，而是下图所
2020-05-31 18:03:21
501
原创 机器学习之其他常用方法——异常检测（实战）
文章目录一.任务二.实战三.总结一.任务上一篇文章.简单介绍了用异常检测的方法检测异常数据，本篇我们来讲解一个实例，先来看看本次实战的任务。异常检测实战task：1、基于 anomaly_data.csv数据，可视化数据分布情况、及其对应高斯分布的概率密度函数2、建立模型，实现异常数据点预测3、可视化异常检测处理结果4、修改概率分布阈值EllipticEnvelope(contamination=0.1)中的contamination，查看阈值改变对结果的影响下面直接上代码~~二.实战#
2020-05-24 12:16:49
1976
4
原创 机器学习之其他常用方法——异常检测（学习笔记)
文章目录一.异常检测应用定义简介一.异常检测应用1.在工业上的应用当检测设备是否处于异常工作状态时，可以由上图分析得到：那些零散的点对应的数据是异常数据。因为设备大多数时候都是处于正常工作状态的，所以数据点应该比较密集地集中在一个范围内，而那些明显偏出正常范围内的数据点就是我们要找的异常数据了，此时就可以自动监测到设备处于异常工作状态，就可以即使检查维修设备以避免不必要的损失。2.在图像里的应用通过异常检测，我们也可以检测到图像中的异常图像。（如上图中的小红鱼）此外，异常检测的应用还有很多
2020-05-22 23:54:19
799
1
原创 机器学习之其他常用方法——决策树 实战（学习笔记）
文章目录一.任务二.实战一.任务决策树实战task：1、基于iris_data.csv数据，建立决策树模型，评估模型表现2、可视化决策树结构3、修改min_samples_leaf参数，对比模型结果二.实战#加载数据import pandas as pdimport numpy as npdata = pd.read_csv('iris_data.csv')data.head()#定义X,yX = data.drop(['target','label'],axis=1)y =
2020-05-17 23:31:45
942
2
原创 机器学习之其他常用技术——决策树(学习笔记)
文章目录机器学习之其他常用技术——决策树机器学习之其他常用技术——决策树决策树:一种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本质：通过多层判断，从训练数据集中归纳出一组分类规则优点：计算量小，运算速度较快易于理解，可清晰查看各属性的重要性缺点：忽略属性间的相关性样本类别分布不均匀时，容易影响模型表现举个栗子：任务：根据用户的学习动力、能力提升意愿、兴趣度、空余时间，判断其是否适合学习AI。可以给出下图所示的决策树模型框架这里就是通过多层判断来对用户是否适合学习A
2020-05-17 12:27:03
478
原创 机器学习之聚类——Kmeans实战
文章目录一.任务一.任务采用Kmeans算法实现2D数据自动聚类，预测V1=80,V2=60的数据类别计算预测准确率，完成结果矫正数据：data.csv#加载数据并预览import pandas as pdimport numpy as npdata = pd.read_csv('data.csv')data.head();#定义X和yX = data.drop(['labels'],axis=1)y = data.loc[:,'labels']y.head()#预览
2020-05-10 23:01:57
1899
11
原创 机器学习之聚类（学习笔记）
文章目录一.无监督学习1.小例2.简单定义3.优点：4.主要应用：二.聚类分析1.简单定义：2.小例：3.常用聚类算法：一.无监督学习1.小例在说实战之前，我们先来简单说一说机器学习中的无监督学习。举个栗子~~下面是几张小狗的图片，如果我们让计算机自己把这些图片分成两类，计算机会怎么做呢？因为没有明确的分类标准，所以计算机可能会按照不同的方式对这些图片进行分类，比如：小狗是站着还是坐着小狗脖子处是否有饰品小狗是否露出了舌头除此之外分类的方式还有很多，从中可以看出无监督学习的一些特
2020-05-10 16:21:03
751
原创 机器学习之逻辑回归——实战二:芯片质量预测
文章目录一.前言二.实战一.前言在上一篇文章中博主用逻辑回归方法解决了一个考试预测问题，这次我们依然用逻辑回归方法来解决一个芯片质量预测问题，但本次实战和上一次有所不同，本次实战中运用了以函数的方式求解边界曲线并且描绘出完整的决策边界曲线。好了，话不多说，直接进入实战环节。二.实战#加载数据import pandas as pdimport numpy as npdata = pd....
2020-05-03 22:32:20
2145
6
原创 机器学习之逻辑回归实战:考试通过预测问题
文章目录逻辑回归什么时候用逻辑回归逻辑回归方程实战逻辑回归上一篇文章博主讲解了用线性回归解决房价预测问题，现在不知不觉已经到五月份了，大概还有两个月左右不少小伙伴就要期末考试了，那这次就用逻辑回归预测一下考试是否能通过吧！什么时候用逻辑回归我们想一想，当我们要解决一个分类问题，尤其是一个二分类问题时，如果我们用线性回归去解决就会面临这样一个问题：样本量变大后，准确率会下降。这时为了更好地...
2020-05-03 17:36:39
3806
8
原创 机器学习实战:房价预测问题
文章目录机器学习简介小例简单定义机器学习的类别房屋预测问题实战机器学习简介小例先来简单举个例子吧！假如一家公司1月的利润为50万，然后每月增长5%，问其9月利润是多少。按照传统算法，我们知道了该公司1月的利润，知道了月增长率，就可以根据公式计算出相应的结果，而机器学习与传统算法不同的是机器学习是把月份、利润这些数据给到计算机，然后由计算机自动去求解一个函数关系进而求得结果。传统算法：1月...
2020-04-26 21:27:07
5894
24
原创 conda创建python虚拟环境以及pip换源
文章目录1.为什么要使用虚拟环境2.conda创建虚拟环境3.pip换源1.为什么要使用虚拟环境假如当前我们有多个项目A、B、C等等，这些项目中某些项目都需要使用一个相同的库，但是需要的版本却不一样，而这时不管哪个项目使用的都是默认的Python环境，对于这些项目我们只能运行其中一个，如果需要运行另外的项目，必须安装与之相匹配的版本的库。这时我们就可以创建一些完全独立的局部Python环境来实...
2020-04-24 18:39:33
3330
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人