- 博客(25)
- 收藏
- 关注
RSS订阅原创 EnlightenGan源码测试
1相关准备相应的pytorch环境这里就不赘述了，enlightenGan的源码在github可以直接下载，大家自行下载。2测试环节1：用pycharm打开下载好的源码，按下图的目录结构创建文件夹：checkpoints/enlightening和model2：在checkpoints/enlightening和model文件夹下分别放入网络模型和VGG的模型，模型可以在github上下载到，下载好了拉里面就行。3：创建测试文件夹test_dataset。这个一定要注意！这个文件
2022-03-10 15:00:26
3866
30
原创 深度学习之路9
卷积神经网络卷积神经网络与传统多层神经网络的对比卷积神经网络的组成---三个结构卷积层卷积核的计算卷积核的大小卷积核步长卷积核的个数padding零填充卷积之后，输出图片大小的计算公式计算案例多通道图片的卷积过程卷积网络API卷积层总结激活层激活函数ReLU采用新激活函数的好处可以过滤掉数据中的负值部分激活函数API池化层池化层的计算...
2021-11-18 10:34:36
482
原创 深度学习之路8
手写字符识别手写字符的数据集特征值训练集的大小目标值对应的API网络设计准确率的计算代码：#导入tensorflowimport tensorflow as tf#将tensorflow转换成1版本的tf.compat.v1.disable_eager_execution()tf = tf.compat.v1#导入手写字符模块from tensorflow.examples.tutorials.mnist import
2021-11-17 19:28:55
368
原创 深度学习之路7
神经网络注意点：神经网络是一种仿生的结构。模型人类的大脑感知机（它的激活函数是sign函数）sing函数感知机只能解决与问题，或问题，不能解决与或问题。神经网络的分类原理神经网络的分类最常用的是Softmax函数Softmax回归大致计算过程：这样神经网络的输出就变成了概率输出：衡量分类神经网络的损失————交叉熵损失交叉熵损失的计算最后要对所得损失求平均损失对应的API...
2021-11-17 19:10:39
457
原创 深度学习之路6
线性回归实现线性回归用到的API步骤分析代码：#用梯度下降实现线性回归def Linear_regression(): ''' 自实现一个线性回归 :return: ''' #增加命名空间 with tf.variable_scope("prepare_data"): # 1 准备数据 x = tf.random_normal(shape=[100,1],name="feature") .
2021-11-17 12:53:10
177
原创 深度学习之路5
变量变量的创建修改变量的命名空间一些api接口代码：#变量的演示def variable_demo(): ''' 变量的演示 :return: ''' #创建变量 #对变量进行命名,在指令名称之前就有了my_scope,可以很好的让代码实现模块化，比较清晰 with tf.variable_scope("my_scope"): a = tf.Variable(initial_value=5..
2021-11-17 12:41:41
187
原创 深度学习之路4
张量在编写tensorflow程序时，程序传递和运算的主要目标是张量。张量的类型张量的阶张量的创建创建随机张量张量的变换代码：#张量的演示def tensor_demo(): ''' 张量的演示 :return: ''' tensor1 = tf.constant(4.0) tensor2 = tf.constant([1,2,3,4]) linear_squares = tf.co...
2021-11-17 11:37:34
727
原创 深度学习之路3
会话会话的初始化会话的run占位符feed操作常见的错误类型代码演示：#h会话的演示def session_demo(): ''' 会话的演示 :return: ''' # name参数可以修改指令的名字 a_t = tf.constant(2, name="a_T") b_t = tf.constant(3, name="b_T") print("a_t:\n", a_t) ..
2021-11-08 20:18:58
77
原创 深度学习之路2
TensorFlow的特点与介绍CPU与GPU的对比一个通俗易懂的理解：TensorFlow的结构分析所以，写TensorFlow代码时，一个是构建图的阶段（流程图，定义数据的操作）；一个是执行图阶段（调用各方资源，将定义好的数据和操作运行起来）数据流图介绍一个简单的加法案例：#导入tensorflowimport tensorflow as tf#将tensorflow转换成1版本的tf.compat.v1.disable_eager_ex...
2021-11-08 13:56:04
1021
原创 机器学习之路15
无监督学习没有目标值--->无监督学习。无监督学习的算法包括，PCA（降维）和K-Means聚类算法。K-Means聚类算法：算法的原理。聚类效果图算法的步骤：APIK—means算法的模型评估模型评估的API代码：...
2021-11-04 13:39:42
46
原创 机器学习之路14
逻辑回归逻辑回归应用于二分类问题，例如：逻辑回归的原理输入逻辑回归的输入就是一个线性回归的结果激活函数sigmoid函数：回归的结果输入到sigmoid函数当中输出的结果是一个在[0,1]当中的概率值，阈值默认为0.5（即大于0.5为是，小于0.5为否）损失机器优化在逻辑回归中，称之为对数拟然损失，公式如下：那么我们如何理解这个式子呢？可以看到，当hg(x)==1时，损失函数的值为0，当hg(x)==0时，损失函数的值非常大。这...
2021-11-03 18:56:45
910
1
原创 机器学习之路13
过拟合与欠拟合：比如，我们的数据训练的很好，并且误差也不大，那为什么在测试集上面有问题呢？就是因为可能出现了过拟合或者欠拟合。欠拟合其实是学习到的特征过少了，在测试上就会出现问题。过拟合学习的特征过多了，在测试时也可能会出现不准确的情况。具体分析深入认识过拟合与欠拟合：那是什么原因导致我们的模型变得复杂了呢？解决过拟合与欠拟合的方法正则化的类别L2正则化（更能常用，就是损失函数+惩罚项）：λ为惩罚系数L1正则化：...
2021-11-03 10:51:03
491
原创 机器学习之路12
线性回归当要预测的目标值是连续型的数据时，这一问题被称为回归问题。线性回归是利用回归方程对一个或多个自变量（特征值）和因变量（目标值）之间的关系进行建模的一种分析方式。只有一个自变量的情况成为单变量回归，多于一个自变量的情况叫多元回归。通用公式：那该怎么理解呢？我们来看几个小例子线性回归的特征与目标之间的关系分析：线性回归中的线性模型有两种，一是线性关系，二是非线性关系。线性模型是说，要么自变量是一次方（如：y = w1x1+w2x2+...+wnxn+b），要么参数是一次方(如：.
2021-11-02 16:44:12
743
原创 机器学习之路11
集成学习方法之随机森林集成学习方法集成学习通过建立几个模型的组合来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和做出预测。这些预测最后结合成组合预测，因此优于任何一个单分类做出的预测。随机森林在机器学习中，随机森林是一个包含多个决策的分类器，并且其输出的类别是由个别树输出的类别的众数而定。例如，如果你训练了5个树，其中有4个树的结果是True,1个树的结果是False,那么最终的结果就是True.随机森林原理过程学习算法根据下列算法而建造每棵树：用N来
2021-11-01 18:53:49
73
原创 机器学习之路10
决策树算法决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-else结构，最早的决策树就是利用这类结构分割数据的一种分类学习的方法。一个小例子：利用决策树要进行高效的决策。就是寻找一个特征的先后顺序，用最少的分支（决策树的深度）来高效的确定最后所属的类别。所以这里就要先看年龄。...
2021-11-01 10:50:24
68
原创 机器学习之路9
朴素贝叶斯算法概率概率定义为一件事情发生的可能性。下面我们来看一个小例子：1 显然等于4/7.因为一共有7个样本，而“喜欢”的样本占4个。2 显然等于1/7.因为一共有7个样本，而“是程序员并且匀称”的样本占1个。3 为1/2.因为在喜欢的条件下是程序员，这加了条件，缩小了分母范围，“喜欢”占4个，其中有程序员2个，即为2/4=1/2。4 同3的分析，为1/4。...
2021-11-01 09:49:56
84
原创 机器学习之路8
模型选择与调优1交叉验证（cross validation）是指将拿到的训练数据，分为训练集和验证集。以将训练数据分成4份为例子，其中一份作为验证集，然后经过4次的测试，每次都更换不同的验证集，即得到4组模型的结果，取平均值作为最终结果，又称4折交叉验证。可以让训练得到的模型结果更加准确。2超参数搜索——网格搜索（Grid Search）通常情况下，有很多参数需要手动的指定（如KNN中的K值），这种叫做超参数，但是手动指定过程复杂，所以需要对模型预设几种超参数的组合，每组超参数都采用交叉验证
2021-10-29 19:58:11
55
原创 机器学习之路7
sklearn转换器和估计器转换器之前特征工程的步骤：1 实例化（实例化的是一个转换器类（Transformer））2 调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)所以，对于我们数据预处理的标准化当中：（x-mean）/stdfit_transform()fit() ： 是计算每一列的平均值transform() ： （x-mean）/std进行最终转换预估器 预估器是sklearn机器学习算法的实...
2021-10-29 19:42:30
77
原创 机器学习之路5
特征降维降维：是指在某些限定条件下，降低随机变量（特征）的个数，得到一组“不相关”的主变量的过程。此处的降维是指降低特征的个数，降维的效果是特征与特征之间不相关。因为在进行训练的时候，我们都是使用特征在进行学习，如果特征本身存在问题或者特征之间相关性比较强，对于算法学习预测会影响较大。相关特征：如：相对湿度和降雨量。熬夜时常和身体健康情况等等降维的两种方式：特征选择主成分分析（可以理解成一种特征提取的方式）特征选择：数据中包含冗余或相关变量（或称特征，
2021-10-28 11:29:47
98
原创 机器学习之路4
特征预处理是指通过一些转换函数将特征数据转换成更加适合算法模型的特征数据的过程。预处理包含的内容有：归一化标准化归一化：通过对原始数据进行变换把数据映射到（默认为[0,1]之间）归一化的公式和实例：将x归一化为x''代码：#导入数据的归一化模块和标准化模块from sklearn.preprocessing import MinMaxScaler,StandardScaler#数据的归一化def minmax_demo(): ''' 数据的归一
2021-10-28 10:52:19
64
原创 机器学习之路3
特征工程数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征工程是使用专业背景知识和技巧来处理数据，使得特征能在机器学习算法上发挥更好作用的过程。会直接影响机器学习的效果特征工程包含的内容：特征抽取特征预处理特征降维特征抽取/特征提取就是将任意数据（如文本或图像）转换为可用于机器学习的数字特征ps: 字典特征的提取（特征值离散化），文本特征提取，图像特征提取。字典的特征提取：将字典的类别（k值）————> 变成one - hot编码代码如下：
2021-10-23 09:40:09
43
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