这里只是一个走全程的代码，重在体验，如果想学习深度学习建议看 官方文档 大体步骤是： 1.先处理数据，分训练集和测试集 2.构建模型 3.优化模型参数 4.保存模型 5.加载模型，测试 训练代码 # -*- coding: utf-8 -*- # day day study day day up # create by a Man import torch from tor
今天这一篇，我们正式接触深度学习的理论基础—机器学习 第二篇 一、机器学习分类二、机器学习的基本算法三、算法的理论基础1、机器学习的基础理论-----函数逼近2、回归算法3、其他算法----决策树 一、机器学习分类 1、基于学科分类 统计学、人工智能、信息论、控制理论
# 姓 名：熊灿 # 开发时间：2021/11/25 14:44 import torch import torchvision.datasets from matplotlib import pyplot as plt from torch.utils.data import DataLoader from torchvision.transforms import transforms import torch.nn as nn import os os.environ['KMP_D
本节介绍有关机器学习常见任务重的API。请参阅每一节的链接以深入了解。 Working with data PyTorch有两个有关数据工作的原型：torch.utils.data.DataLoader 和 torch.utils.data.Dataset。Dataset 存储了样本及其对应的标签，而 DataLoader为 Dataset 生成了一个迭代器。 import tor
数据集超链接 #加载飞桨、Numpy和相关类库 import paddle from paddle.nn import Linear import paddle.nn.functional as F import numpy as np import os import random 动态图模式（命令式编程范式，类比Python）：解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网
一、业务背景 本实验将使用时深度学习技术对图像进行超分辨率重建，设计到的技术包括了卷积神经网络，生成对抗网络，残差网络等。 二、开发环境 本实验使用到“Microsoft Visual Studio”、“VS Tools for AI”等开发组件，涉及到了“TensorFlow”、“NumPy”、“scipy. misc”、“P
你已经知道怎样定义神经网络，计算损失和更新网络权重。现在你可能会想， 那么，数据呢？ 通常，当你需要解决有关图像、文本或音频数据的问题，你可以使用python标准库加载数据并转换为numpy array。然后将其转换为 torch.Tensor。 对于图像，例如Pillow，OpenCV 对于音频，例如scipy和librosa 对
论文简介：大幅减少训练迭代次数，提高泛化能力：Multi-Sample Dropout 论文标题：Multi-Sample Dropout for Accelerated Training and Better Generalization 论文链接：https://arxiv.org/pdf/1905.09788.pdf 论文作者：{Hiroshi Inoue} 论文简介 本文阐述的也是一种 dropout 技术的变
文章目录 1 简介1.1 创新 2 方法3 实验 1 简介 论文题目：Zero-Shot Transfer Learning for Event Extraction 论文来源：ACL 2018 论文链接：https://arxiv.org/pdf/1707.01066.pdf 代码链接：https://github.com/wilburOne/ZeroShotEvent 1.1 创新 将事件抽取定义为generic gr
施工中 先按照范例写了用Mini-batch的logistic regression，处理方式和范例有一些区别，因为不太会numpy，只会矩阵向量乘来乘去，不会用广播之类的操作((( 如果仿照范例不做优化的话，在train_set上跑出来的acc和loss和范例差不多 Preprocess import numpy as np with open("./X_train")
引言 本着“凡我不能创造的，我就不能理解”的思想，本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架，该框架类似PyTorch能实现自动求导。 要深入理解深度学习，从零开始创建的经验非常重要，从自己可以理解的角度出发，尽量不适用外部完备的框架前提下，实现我们想要的模
今天学的是感知机，代码放在下面，总结了几个问题。 1. MLP多层感知机与SVM支持向量机的区别： 1.MLP需要设置W和b，但是SVM对参数不敏感，所以相对方便一些；2.SVM在数学上解释性更强；3.SVM优化相对容易。 2.为什么是深度学习，而不是广度学习？——直觉解释，这玩意不会有理论依据 只有一个原因，广度
python3.7+pycharm+tensorflow2.0+CPU下载安装配置 博主查找了大量网上资源，发现大多数都是使用anaconda下载python和tensorflow配置的，由于博主之前安装了python3.7版本，想要不通过anaconda来进行tensorflow的安装，我觉得还挺简单的。方法大致如下，版本部分大家自行调整。 1、下
损失函数之Focal-EIoU Loss: 本文是复现的是CVPR2020的一篇关于边界框损失函数文章：Focal and Efficient IOU Loss for Accurate Bounding Box Regression。 在Focal-EIoU Loss这篇论文中，作者提出CIoU中的相对比例存在若干问题，因此提出了更为直接的使用边长作为惩罚项。 此
第11讲 卷积神经网络(高级篇) GPU版本源代码 原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这篇基于博主错错莫：传送门 深度学习实践 第11讲博文 仅在他的基础上加入了GPU模块，详细原理解释请看他的博文 1、Inception Moudel import torch impor
目的：手动清零可以让使用者自由选择梯度清零的时机,具有更高的灵活性。例如选择训练每N个batch后再进行梯度更新和清零,这相当于将原来的batch_size扩大为N×batch_size.因为原先是每个batch_size训练完后直接更新，而现在变为N个batch_size训练完才更新，相当于将N个batch_size合为
（注：原文链接是深入浅出Yolo系列之Yolov5核心基础知识完整讲解，我觉得这篇文章写的很好，所以自己手敲了一遍，并修改了很小一部分的细节，或者加了一些来自作者另一篇文章深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解中的内容） （更：参考yolov5深度可视化解析，从los
本次代码学习参考深度学习框架PyTorch入门与实践（陈云） 模拟线性回归 代码部分理论部分关于本模型的前向计算和反向传播梯度下降法 代码部分 import torch as t %matplotlib inline from matplotlib import pyplot as plt from IPython import display #设置随机数种子，保
男女的身高和体重有着显著的差别，此次Python程序的任务是根据一个人的身高和体重，简单判断他（她）的性别。 采用最简单的单层神经网络，logistic regression模型，模型输入一个人身高和体重，判断性别男女。 训练样本是sex_train.txt的文本，部分训练样本数据如下，第一列数字为身高（m）；第二列数
本文已加入
参考：参考1；参考2 总体来说，常见的带监督的机器学习问题主要分为两类：分类和回归，我们使用 Tensorflow 来解决这些问题的时候需要自己搭建网络，但是Tensorflow不同级别的API也就产生了不同的模型搭建方式。越底层的API灵活性越大，可以更加自由的添加自己想加入的内容，但是编码难度有所提
损失函数与风险函数 监督学习问题是在假设空间F中选取模型f作为决策函数,对于给定的输入X，由f(X)给出相应的输出Y，这个输出的预测值f(X)与真实值Y可能一致也可能不一致，用一个损失函数（loss function）或代价函数(cost function）来度量预测错误的程度．损失函数是f(X)和Y的非负实值函数，记作
循环自动编码器 如果要为序列构建自动编码器，例如时间序列和文本（例如，用于无监督学习或降维），那么递归神经元可能比密集网络更合适。构建循环自动编码器非常简单直接：编码器通常是序列到向量的RNN，它将输入序列压缩为单个向量。解码器是向量到序列RNN，做相反的处理： from tensorflow impor
堆叠式自动编码器 自动编码器可以具有多个隐藏层。在这种情况下，它们被称为堆叠式自动编码器（或深度自动编码器）。添加更多的层有助于自动编码器学习更多的复杂的编码。就是说，要注意不要使自动编码器过于强大。想象一个强大的编码器，它只是学会了把每个输入映射到单个任意数字（而解码器
文章内容：如何在YOLOX官网代码中修改–定位损失 环境：pytorch1.8 修改内容： （1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss （2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列 提示：使用之前可以先了解YOLOX及上述损失函数原理 参考链接： YOLOX官网
