- 博客(4)
- 收藏
- 关注
RSS订阅原创 Zero-shot学习笔记
零样本学习是指在没有大量标注数据的情况下，通过一个包含领域专家知识或先验信息的模型，对一个全新的、以前未知的类别进行分类。例如，我们可能会训练一个分类器来识别各种动物，包括猫、狗、老虎等。但是，如果我们想要识别一个没有出现在训练数据中的动物，如袋鼠，那么传统的机器学习算法可能就无法完成任务了。但是，零样本学习算法可以通过利用一些背景知识来实现这个任务。零样本学习是一种强大的机器学习方法，可以帮助我们更好地处理各种分类和理解问题。
2023-04-13 10:29:24
177
1
原创 深度学习中的优化算法-学习笔记
深度学习模型通常由成千上万个参数组成，因此，如何高效地训练这些模型是一个挑战。优化算法是深度学习中非常重要的一部分，它可以帮助我们最小化损失函数并使得模型收敛到最优解。本篇博客将会介绍深度学习中的常见优化算法，以及它们的优缺点。梯度下降算法是优化深度学习模型的基本算法。随机梯度下降算法是梯度下降算法的一种改进，它通过在每次迭代中随机选择一个样本来计算梯度。梯度下降算法的缺点是可能会收敛到局部最优解，而不是全局最优解。随机梯度下降算法的优点是计算效率高，但缺点是可能会导致训练过程中的震荡。
2023-04-03 15:47:57
141
1
原创 关于Fine-tuning的学习笔记
Fine-tuning是指在已经训练好的模型上，使用新的数据集进行微调，以适应新的任务。使用预训练模型：选择一个与新任务相关的预训练模型，比如BERT、GPT等。在新数据集上微调模型：在新数据集上微调预训练模型的参数，以适应新的任务。Fine-tuning可以大大减少模型的训练时间和计算资源，同时也可以提高模型的泛化能力和性能。Fine-tuning是一种快速调整模型参数的技术，它可以大大减少模型的训练时间和计算资源，同时提高模型的泛化能力和性能。
2023-03-29 10:21:59
1601
原创 关于Overfitting的一些学习笔记
在深度学习中，当模型在训练数据上表现良好，但在新数据上表现不佳时，就会出现 Overfitting 的情况。也就是说，模型过度拟合了训练数据，导致不能很好地泛化到新的数据上。Overfitting 是深度学习中非常普遍的问题，因为模型有足够的参数来捕捉训练数据中的细节和噪声。这个问题尤其在数据量不足时更为明显。Overfitting 是深度学习中常见的问题，可以通过数据增强、Dropout、Early Stopping 和 L1/L2 正则化等方法来避免。
2023-03-21 09:39:22
121
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