本篇用于记录《深度学习入门-基于python的理论与实现》中第4章神经网络的学习的随笔（主要是因为脑子笨，看了就忘，就想还不如写下来，毕竟写的时候会稍微过一下脑子，嘿嘿^_^） 神经网络的重要特种就是能够从数据中学习。所谓的“学习”是指可以根据输入数据自动决定权重参数。在之前的介
YOLOV5-5.0网络结构 由于某些要求的需要，我想重新学习一下YOLOv5，在这里做一个记录，可能有很多地方写的不对，还希望大家包涵。（这篇文章大部分参考了满船清梦压星河HK的博客） 如有侵权，可以联系我删除 文章目录 YOLOV5-5.0网络结构FocusBottleneckBottleneckCSPC3C3TRSPPNeck（FPN+P
由于在学习数学建模的过程中，复现建模书上的题目代码有点小麻烦，因为我找不着书上的数据，因此得一个个手打，本来已经复现了好几个模型，结果因为机械硬盘坏了，里面的东西全没了，很是无语，因此决定在这里记录我的复现代码，主要是给自己看的，等到想用的时候就可以直接拿来用了。 主成分分
前言： 随机森林填补缺失值的优点： （1）随机森林填补通过构造多棵决策树对缺失值进行填补，使填补的数据具有随机性和不确定性，更能反映出这些未知数据的真实分布； （2）由于在构造决策树过程中，每个分支节点选用随机的部分特征而不是全部特征，所以能很好的应用到高维数据的填补； （3）随机森林算法本
转载请务必经过我的同意 深度学习 深度学习机制卷积神经网络（CNN）卷积神经网络典型模型循环神经网络 （RNN）（这里不做讲解） 深度学习机制 深度学习突出一个”深“字，即网络层次多。深度学习与神经网络实际上是存在交集的，并非完全独立。深度学习比神经网络多了自动提取特征的过程
“ 大家好，这是【产品线工程（PLE）专题】更新的第四篇，上一篇我们介绍了‘版本、变体和其他的基础定义’，这一篇我们介绍特征模型和特征-这是什么” 非正式地谈论可变性是很有趣的一件事，但最终还是需要以一种“标准”的方式来捕获可变性的信息。在研究和工业界中有很多方法来捕获可
反溯源是攻防过程中的重要一环，其主要目的为防止防守方快速找出屏幕后，正在抠脚的你。渗透过程中有没有"事了拂衣去"的洒脱，很大程度在于过程中反溯源技术的应用程度。下文为笔者对于溯源技术总结。 主机加固术 理想条件可以准备一个虚拟机来专门进行攻击操作。虚拟机中只装
一.基本概念 为什么需要数据预处理： 现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。为了提高数据挖掘的质量产生了数据预处理技术 数据：数据对象及其属性的集合 属性值是分配给属性的数字或符号 属性和属性值的区别 – 相同的属性可以映射
feature tools官网 https://www.featuretools.com/ 特征工程基础 特征工程意味着从现有数据中构建附加特征，这些数据通常分布在多个相关表中。特征工程需要从数据中提取相关信息并将其放入单个表中，然后可用于训练机器学习模型。 构建特征的过程非常耗时，因为每个新特征通常需要
©作者 | 苏菲 Transformer 模型在 NLP 领域获得了巨大的成功，以此为内核的超大规模预训练模型BERT、GPT-3 在 NLP 各个任务中都大放异彩，令人瞩目。 计算机视觉分析任务也借鉴了Transformer 模型的思想和方法，Meta公司的DETR模型中就使用 Transformer 和端到端方法实现了 CV 领域
2021-2027中国生物特征认证和识别市场现状及未来发展趋势 生物特征认证和识别是指通过计算机利用人体所固有的生理特征（指纹、虹膜、面相、DNA等）或行为特征(步态、击键习惯等)来进行个人身份鉴定的技术。 2020年中国生物特征认证和识别市场规模达到了 亿元，预计2027年将达到
目录一、闭源软件中复用开源组件检测组件复用型漏洞组件复用型漏洞的检测1、代码特征选择2、代码特征提取3、代码相似度计算4、复用类型划分二、闭源软件中复用开源组件版本检测版本敏感特征选择粗匹配精匹配参考文献 本文主要介绍软件供应链安全的检测技术的具体细节，针对闭源软件
用于步态识别的3D局部卷积神经网络 论文题目：3D Local Convolutional Neural Networks for Gait Recognition paper是中国科学技术大学发表在ICCV 2021的工作 论文地址：地址 Abstract \quad \quad
Wiki定义：贝叶斯误差（bayes error rate)是指在现有特征集上，任意可以基于特征输入进行随机输出的分类器所能达到最小误差。也可以叫做最小误差。 先直接回答题主的疑问：“书上说是从预先知道的分布预测而出现的c误差，既然已经预先知道分布了，那么为什么还有误差呢？” 回答：分布是真实
FPN （CVPR 2017） 论文地址；参考博客1；参考博客2 1.概述 名称：特征图金字塔网络FPN（Feature Pyramid Networks） 解决问题：物体检测中的多尺度问题（？） 效果：简单改变网络连接，不增加计算量，但提高对小物体的检测性能 独特之处：低层的特征语义信息较少，但目标位置信息准确；高层的特征语义信息
深度学习依赖于神经网络所提取的特征而闻名，在以往传统的学习方法中，特征往往是通过具有经验的专家来提取的，而深度学习方法中的特征提取是通过人工神经网络自动提取的，相比而言，深度学习方法对于特征的提取不仅要求更低，不需要专家的参与，而且少了人为的干预，对于特征本身的提取也更加
背景介绍 U-Net可以说是当今时代下一个炙手可热的网络模型，作为分割领域的一种基础网络，其代表了一种高性能的基础网络设计架构，很多网络为了延续U-Net的核心思想，加入了新的模块或者融入其他设计理念设计而成。如今，所有的图像分割问题，人们都会尝试着用各种U-Net网络架构看看效果
一、StackIL6: a stacking ensemble model for improving the prediction of IL-6 inducing peptides（StackIL6：一种改进IL-6诱导肽预测的堆叠集成模型） Received: 15 January 2021 Revision received: 30 March 2021 Accepted: 10 April 2021 Published: 08 May 2021 要点 1、
基于位置的知识图谱链接预测 人工智能技术与咨询 本文来自《中文信息学报》，作者张宁豫等 摘 要: 链接预测是知识图谱的补全和分析的基础。由于位置相关的实体和关系本身拥有丰富的位置特征，该文提出了一种基于位置的知识图谱链接预测方法。该方法首先通过分析实体和关系的语义
小Mi学习，向上积极！前两节小Mi带大家学习了单变量线性回归，还具体分析了自动求解最小代价函数参数的梯度下降法。这不有了单变量，是不是肯定有多变量？！今天小Mi跟大家一起讨论的就是一种更为有效，适合实际情况的形式-多变量线性回归~~ 1 多维特征 既然是多变量线性回归，那么肯定是存在多
几天不见，甚是想念！小Mi系列的活动正在如火如荼地进行中，小Mi看到大伙儿的热情，动力更加十足，这不又迫不及待地更新来了！ 在上期的多变量线性回归介绍中，我们学习了多维特征、多变量的梯度下降法以及在实现梯度下降过程中的特征缩放和如何选择学习率这两个技巧，今天小Mi在其基础上，继续带领
细粒度：MC_Loss源码笔记——The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification 综述网络结构MC_Loss 综述 论文题目：《The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification》 期刊与时间：I
一周未见，，甚是想念！今天小Mi带大家学习如何降维，这是我们遇到的第二种类型的无监督学习问题！废话不多说，我们开始吧~ 1 降维示例 首先，什么是降维呢？这个问题应该最先搞清楚，由于数据集通常有许多特征，我们可以举一个简单的例子来分析： 假设有未知两个的特征： 长度，用厘米表示； 是用英寸
2.进程的状态与转换、进程的组织 3. 进程控制
还记得LeCun被拒的论文VICReg吗，今天我们就来说说它 在深度网络中权重和激活那个更重要？显然是权重，因为我们可以从权重推导出网络的激活。但是深度网络是非线性嵌入函数；我们只想要这种非线性嵌入。在这种嵌入基础上进行训练并获得结果（例如分类），我们要么需要在分类网络中使用线性分类
