- 博客(5)
- 资源 (1)
- 收藏
- 关注
RSS订阅翻译 UDA（Unsupervised Data Augmentation）-半监督学习与数据增强
1 简介当标注好的数据很少时，半监督学习在深度学习模型中有非常好的表现。目前常用的方法是一致性训练，基于大量的非标注数据进行训练来使模型可以应对各种输入噪声（或者隐状态的噪声）。有些方法是来设计各种噪声注入模型进行训练，如附加高斯噪声、dropout、对抗噪声。而UDA（Unsupervised Data Augmentation）是强调这些优秀数据增强方法的使用。不过从名字就可以看出来，UDA是对非标注数据进行数据增强，以前的方法一般是对标注数据增强。本文依据2020年《Unsupervised
2021-03-21 12:40:56
9982
4
原创 Keras构建神经网络的3种方法
构建Keras模型的3种方法有三种方法可以在TensorFlow中构建Keras模型：Sequential API：当你试图使用单个输入、输出和层分支构建简单模型时，Sequential API是最好的方法。对于想快速学习的新手来说，这是一个很好的选择。Functional API：函数API是构建Keras模型最流行的方法。它可以完成Sequential API所能做的一切。此外，它允许多个输入、多个输出、分支和层共享。它是一种简洁易用的方法，并且仍然允许很好的定制灵活性。模型子类化：模型子类化是
2021-03-17 17:29:02
1387
原创 Estimator简介与使用
1 Estimator简介Tensorflow中，Estimator可以用来模型的训练、评估、预测等。当用 Estimator 编写一个 application，你必须将 input pipeline 和 model 分开。这种分离简化了在不同数据集上的 experiments。可以看到Estimator是属于High level的API，而Mid-level API分别是：• Layers：用来构建网络结构• Datasets: 用来构建数据读取pipeline• Metrics：用来评估网
2021-03-17 17:20:50
4008
翻译 Knowledge distillation-知识蒸馏
1. 简介Knowledge distillation-知识蒸馏（暗知识提取）的概念，通过引入与教师网络（teacher network：复杂、但推理性能优越）相关的软目标（soft-target）作为total loss的一部分，以诱导学生网络（student network：精简、低复杂度）的训练，实现知识迁移（knowledge transfer）。教师网络teacher：高准确率，但模型很大。学生网络student：模型小，可以在有限资源下使用。本文参考2019年《WELL-READ STU
2021-03-07 13:12:15
766
原创 tf.keras神经网络模型定义多个输入
1.多个输入数据构造final_train_tokens=[]#输入1final_train_poss=[]#输入2final_train_labels=[]#标签train_dataset = tf.data.Dataset.from_tensor_slices((final_train_tokens,final_train_poss))dataset2 = tf.data.Dataset.from_tensor_slices(final_train_labels)train_dataset
2021-03-04 23:12:17
1385
1
dicomutil.py
2020-08-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人