从零入门 AI for Science(AI+气象)
文章平均质量分 92
云中有鹤565
这个作者很懒,什么都没留下…
展开
-
Datawhale AI 夏令营:从零入门 AI for Science(AI+气象)----Task 2
新baseline相较于原始baseline,在数据处理、模型初始化、训练监控和超参数调整方面进行了优化。这些改进有助于提高模型的训练效率和预测性能,从而在竞赛中取得更好的成绩。数据集加载的改进减少了因时间戳不匹配导致的数据丢失问题。增加验证集dataloader有助于实时监控模型在未见数据上的表现。Xavier初始化方法有助于模型更快地收敛到较好的拟合状态。验证集损失的监控为选择更好的模型提供了依据。超参数的调整则进一步优化了模型的训练过程。原创 2024-08-03 21:57:03 · 792 阅读 · 0 评论 -
Datawhale AI 夏令营:从零入门 AI for Science(AI+气象)----Task 2
最后,使用训练好的模型对新数据进行预测和推理。总结来说,MetNet模型的训练损失和验证损失随着训练周期的增加呈现稳定下降趋势,两者均从0.85左右开始下降,训练损失逐渐降至0.60左右,而验证损失也表现出类似的下降模式,最终接近训练损失的水平。:最终,训练损失和验证损失都达到了0.60左右,可以认为模型在训练集和验证集上都获得了相似的性能,这通常是一个良好的信号,表示模型泛化能力较强。同时,训练损失和验证损失都在持续减少,表明模型性能在提升,应尝试加大训练的次数,以获得更佳的模型效果。原创 2024-08-01 00:02:41 · 647 阅读 · 0 评论 -
Datawhale AI 夏令营:从零入门 AI for Science(AI+气象)----Task 1
天气预报和降水预测听起来像是高难度的技术活,但其实在人工智能时代,这些任务已经变得相对容易。通过收集大量的气象数据,比如温度、湿度、气压、风速等,我们可以使用数据分析和深度学习技术来构建预测模型。具体来说,首先需要收集和整理历史气象数据,然后通过数据预处理,比如清洗、归一化等步骤,让数据更适合模型训练。接下来,选择合适的深度学习模型,比如卷积神经网络(CNN)、循环神经网络(RNN)或者长短期记忆网络(LSTM)等,来学习数据中的模式和规律。原创 2024-07-28 22:34:57 · 917 阅读 · 0 评论