xiaona3421_的博客

原创 虚拟环境安装requirements.txt

【代码】虚拟环境安装requirements.txt。

原创 （8）-2 Transformer实现语义匹配

本文介绍了基于自注意力机制的文本语义匹配方法，使用Transformer模型处理中文问题匹配任务。首先阐述了文本语义匹配的重要性，提出通过自注意力模型解决传统字符串匹配的语义局限。详细讲解了模型构建过程，包括输入编码、位置编码和分段编码的嵌入层设计，以及Transformer编码器的实现。实验在LCQMC数据集上进行，验证了Transformer在语义匹配任务中的有效性。最后介绍了使用框架API简化实现的方法。

原创 （8）-1注意力机制

本文介绍了注意力机制在文本分类任务中的应用，包括加性注意力和点积注意力模型，以及更复杂的自注意力机制（QKV和多头自注意力）。通过实验对比了不同注意力机制在IMDB电影评论数据集上的表现，发现点积注意力效果最佳（准确率86.83%），加性注意力次之（86.49%），多头自注意力为86.16%，均优于无注意力机制的基线模型（86.06%）。阐述了注意力计算过程，包括注意力分布、加权平均等关键步骤。实验结果表明注意力机制能提升文本分类性能，其中点积注意力表现最优。

原创 （7）网络优化与正则化

系统研究了神经网络优化与正则化方法，通过实验验证了不同优化策略和正则化技术的效果。包括： 1优化方法研究： 对比了批大小、学习率对模型收敛的影响，实验表明较小批大小可加快收敛 实现了AdaGrad、RMSprop、Momentum、Adam等优化算法，发现Adam算法能自适应调整学习率，参数更新更平稳 2参数初始化方法3规范化技术4正则化方法：实现了ℓ2正则化、权重衰减和暂退法。

原创 （6）循环神经网络

循环神经网络（Recurrent Neural Network，RNN）是一类具有短期记忆能力的神经网络．在循环神经网络中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。

原创 （5）卷积神经网络

卷积神经网络（Convolutional Neural Network，CNN）是受生物学上感受野机制的启发而提出的。目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络，有三个结构上的特性：局部连接、权重共享以及汇聚。这些特性使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性。和前馈神经网络相比，卷积神经网络的参数更少。

原创 （4）前馈神经网络

本文介绍了前馈神经网络的基本原理与实现方法。主要内容包括：1. 神经网络基础概念，如神经元结构、激活函数（Sigmoid、Tanh、ReLU等）的实现与特性分析；2. 基于Paddle框架实现二分类任务的前馈神经网络，包括模型构建、损失函数、优化器设计等；3. 通过自定义算子与预定义算子两种方式实现网络层；4. 神经网络优化中的常见问题：参数初始化方法（零初始化、高斯/均匀分布初始化）、梯度消失问题（Sigmoid激活函数的缺陷及ReLU的改进）、死亡ReLU问题及LeakyReLU解决方案。

原创 （3）线性分类

线性分类是指利用一个或多个线性函数将样本进行分类。常用的线性分类模型有Logistic回归和Softmax回归。Logistic回归是一种常用的处理二分类问题的线性模型。Softmax回归是Logistic回归在多分类问题上的推广。

原创 （2）机器学习概述

机器学习通常指一类问题以及解决这类问题的方法，即如何从观测数据（样本）中寻找规律，并利用学习到的规律（模型）对未知或无法观测的数据进行预测。

原创 安装torch_geometric

【代码】安装torch_geometric。

原创 终端进入虚拟环境报错

原创 （1）Tensor张量

在深度学习框架中，数据经常用张量(Tensor)的形式来存储。张量是矩阵的扩展与延伸，可以认为是高阶的矩阵。1阶张量为向量，2阶张量为矩阵。如果你对Numpy熟悉，那么张量是类似于Numpy的多维数组(ndarray)的概念，可以具有任意多的维度。

原创 MNE(9)标记坏频道/不良通道

标记坏频道/不良通道。

原创 MNE(7）SSP

【代码】MNE(7）SSP。

原创 MNE(5)读取.edf

stim_channel='auto', #‘status’或者'trigger'的通道设置为STIM。exclude=(), #要排除的频道名称，读取不同采样率的数据时会有所帮助，避免不必要的重采样。misc=None, #通道名称或应指定为MISC通道的索引列表。eog=None, #通道名称或应指定为eog通道的索引列表。preload=False, #如果为True，则数据将被预加载到内存中。mne.io.read_raw_edf(input_fname, #edf文件存放地址。

原创 MNE（4）读取sets和locs文件

读取.locs文件：mne.channels.read_custorm_montage().sets文件：记录采集信息，包含通道数，事件数，开始时间与结束时间。读取.sets文件：mne.io.read_raw_eeglab().locs文件：记录电极位置信息。"""读取.locs文件"""跑出来不知道为什么这样。

原创 MNE（3）evoked(诱发电位）及其对象创建

a.读取evoked文件，创建evoked对象。b.MNE从头创建Evoked对象。

原创 MNE（2)数据结构Epoch及其用法

3.通过mne.EpochArray从头创建Epoch对象。"""a.读取fif文件创建epoch对象"""2.通过读取.fif文件生成epoch对象。"""b.从头创建epoch对象"""MNE中数据结构Epoch及创建方法。1）读取fif文件，创建raw对象。1.通过Raw对象和事件事件点。a. 创建epoch对象。2）创建events对象。3）创建epoch对象。

原创 MNE(1)数据结构Raw及其用法简介

【代码】MNE(1)数据结构Raw及其用法简介。