- 将Labelme标注的数据复制到工程的根目录，并将其命名为LabelmeData。我的工程根目录是yolov5-master，如下图： 打开工程，在根目录新建LabelmeToYolov5.py。写入下面的代码 import osimport numpy as npimport jsonfrom glob import ... 将Labelme标注的数据复制到工程的根目录，并将其命名为LabelmeData。我的工程根目录是yolov5-master，如下图： 打开工程，在根目录新建LabelmeToYolov5.py。写入下面的代码 import osimport numpy as npimport jsonfrom glob import ...
- 联邦机器学习 Federatedml模块包括许多常见机器学习算法联邦化实现。所有模块均采用去耦的模块化方法开发，以增强模块的可扩展性。具体来说，我们提供： 联邦统计: 包括隐私交集计算，并集计算，皮尔... 联邦机器学习 Federatedml模块包括许多常见机器学习算法联邦化实现。所有模块均采用去耦的模块化方法开发，以增强模块的可扩展性。具体来说，我们提供： 联邦统计: 包括隐私交集计算，并集计算，皮尔...
- EM算法提供一种近似计算含有隐变量概率模型的极大似然估计的方法。EM算法的最大优点是简单性和普适性。我们很自然地要问：EM算法得到的估计序列是否收敛？如果收敛，是否收敛到全局最大值或局部极大值？下面给出关于EM算法收敛性的两个定理。证明： 由于取对数有（可参见学习笔记|EM算法介绍及EM算法的导出及其在无监督学习中的应用）令于是对数似然函数可以写成这里的不等号由Jensen不等式得到。由此可... EM算法提供一种近似计算含有隐变量概率模型的极大似然估计的方法。EM算法的最大优点是简单性和普适性。我们很自然地要问：EM算法得到的估计序列是否收敛？如果收敛，是否收敛到全局最大值或局部极大值？下面给出关于EM算法收敛性的两个定理。证明： 由于取对数有（可参见学习笔记|EM算法介绍及EM算法的导出及其在无监督学习中的应用）令于是对数似然函数可以写成这里的不等号由Jensen不等式得到。由此可...
- 提升树利用加法模型与前向分步算法实现学习的优化过程（提升树和前向分步算法可分别参见学习笔记|AdaBoost的扩展之二——提升树和学习笔记|AdaBoost的扩展之一——前向分步算法）。当损失函数是平方损失和指数损失函数时，每一步优化是简单的。但对一般损失函数而言，往往每一步优化并不那么容易。针对这一问题，Freidman提出了梯度提升算法。这是利用最速下降法的近似方法，其关键是利用损失函数... 提升树利用加法模型与前向分步算法实现学习的优化过程（提升树和前向分步算法可分别参见学习笔记|AdaBoost的扩展之二——提升树和学习笔记|AdaBoost的扩展之一——前向分步算法）。当损失函数是平方损失和指数损失函数时，每一步优化是简单的。但对一般损失函数而言，往往每一步优化并不那么容易。针对这一问题，Freidman提出了梯度提升算法。这是利用最速下降法的近似方法，其关键是利用损失函数...
- 提升树是以分类树或回归树为基本分类器的提升方法，是机器学习中性能最好的方法之一。1. 提升树模型提升方法实际采用加法模型（即基函数的线性组合）与前向分步算法（可参见学习笔记|前向分步算法与AdaBoost）。以决策树为基函数的提升方法称为提升树。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。在学习笔记|AdaBoost的例子中看到的基本分类器是x<v或x>v，可以看作是由一个要... 提升树是以分类树或回归树为基本分类器的提升方法，是机器学习中性能最好的方法之一。1. 提升树模型提升方法实际采用加法模型（即基函数的线性组合）与前向分步算法（可参见学习笔记|前向分步算法与AdaBoost）。以决策树为基函数的提升方法称为提升树。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。在学习笔记|AdaBoost的例子中看到的基本分类器是x<v或x>v，可以看作是由一个要...
- 考虑加法模型在给定训练数据及损失函数L(y,f(x))的条件下，学习加法模型f(x)成为经验风险极小化即损失函数极小化问题：通常这是一个复杂的优化问题。前向分步算法求解这一优化问题的想法是：因为学习的是加法模型，如果能够从前向后，每一步只学习一个基本函数及其系数，逐步逼近优化目标函数，那么就可以简化优化的复杂度。具体地，每步只需优化如下损失函数：前向分步算法：输出：加法模型f(x)。（2）对... 考虑加法模型在给定训练数据及损失函数L(y,f(x))的条件下，学习加法模型f(x)成为经验风险极小化即损失函数极小化问题：通常这是一个复杂的优化问题。前向分步算法求解这一优化问题的想法是：因为学习的是加法模型，如果能够从前向后，每一步只学习一个基本函数及其系数，逐步逼近优化目标函数，那么就可以简化优化的复杂度。具体地，每步只需优化如下损失函数：前向分步算法：输出：加法模型f(x)。（2）对...
- 例： 给定如下表所求训练数据。假设弱分类器由x<v或x>v产生，其阈值v使该分类器在训练数据集上分类误差率最低。试用AdaBoost算法学习一个强分类器。解： 初始化数据权值分布对m=1，（d）更新训练数据的权值分布：对m=2，（d）更新训练数据权值分布：对m=3，（d）更新训练数据的权值分布：于是得到：于是最终分类器为参考文献1.统计学习方法（第2版），李航著，清华大学出版社 例： 给定如下表所求训练数据。假设弱分类器由x<v或x>v产生，其阈值v使该分类器在训练数据集上分类误差率最低。试用AdaBoost算法学习一个强分类器。解： 初始化数据权值分布对m=1，（d）更新训练数据的权值分布：对m=2，（d）更新训练数据权值分布：对m=3，（d）更新训练数据的权值分布：于是得到：于是最终分类器为参考文献1.统计学习方法（第2版），李航著，清华大学出版社
- 假设给定一个二类分类的训练数据集AdaBoost算法：输出：最终分类器G(x)。（1）初始化训练数据的权值分布（2）对m=1,2,...,M这里的对数是自然对数。（d）更新训练数据集的权值分布（3）构建基本分类器的线性组合得到最终分类器对AdaBoost算法作如下说明：步骤（2） AdaBoost反复学习基本分类器，在每一轮m=1,2,...,M顺次地执行下列操作：（d）更新训练数据的权值分... 假设给定一个二类分类的训练数据集AdaBoost算法：输出：最终分类器G(x)。（1）初始化训练数据的权值分布（2）对m=1,2,...,M这里的对数是自然对数。（d）更新训练数据集的权值分布（3）构建基本分类器的线性组合得到最终分类器对AdaBoost算法作如下说明：步骤（2） AdaBoost反复学习基本分类器，在每一轮m=1,2,...,M顺次地执行下列操作：（d）更新训练数据的权值分...
- 提升方法是一种常用的统计学习方法。在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。提升方法基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的给定所得出的判断，要比其中任何一个专家单独的判断好。实际上，就是“三个臭皮匠顶个诸葛亮”的道理。历史上，Kearns和Valiant首先提出了“强可学习”和“弱可学习”的概念。指出：在概... 提升方法是一种常用的统计学习方法。在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。提升方法基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的给定所得出的判断，要比其中任何一个专家单独的判断好。实际上，就是“三个臭皮匠顶个诸葛亮”的道理。历史上，Kearns和Valiant首先提出了“强可学习”和“弱可学习”的概念。指出：在概...
- 序列最小最优化算法是支持向量机学习的主要实现方法。我们知道，支持向量机的学习问题可以形式化为求解凸二次规划问题。这样的凸二次规划问题具有全局最优解，并且有许多最优化算法可以用于这一问题的求解。但是当训练样本容量很大时，这些算法往往变得非常低效。目前人们已提出许多快速实现算法。序列最小最优化(sequential minimal optimization,SMO)算法，于1998年由Platt... 序列最小最优化算法是支持向量机学习的主要实现方法。我们知道，支持向量机的学习问题可以形式化为求解凸二次规划问题。这样的凸二次规划问题具有全局最优解，并且有许多最优化算法可以用于这一问题的求解。但是当训练样本容量很大时，这些算法往往变得非常低效。目前人们已提出许多快速实现算法。序列最小最优化(sequential minimal optimization,SMO)算法，于1998年由Platt...
- 1. 多项式核函数对应的支持向量机是一个p次多项式分类器。在此情形下，分类决策函数成为2. 高斯核函数对应的支持向量机是高斯径向基函数分类器。在此情形下，分类决策函数成为3. 字符串核函数核函数不仅可以定义在欧氏空间上，还可以定义在离散数据的集合上。比如，字符串核函数是定义在字符串集合上的核函数。字符串核函数在文本分类、信息检索、生物信息学等方面都有应用。这里，0<λ≤1是一个衰减参数，l(... 1. 多项式核函数对应的支持向量机是一个p次多项式分类器。在此情形下，分类决策函数成为2. 高斯核函数对应的支持向量机是高斯径向基函数分类器。在此情形下，分类决策函数成为3. 字符串核函数核函数不仅可以定义在欧氏空间上，还可以定义在离散数据的集合上。比如，字符串核函数是定义在字符串集合上的核函数。字符串核函数在文本分类、信息检索、生物信息学等方面都有应用。这里，0<λ≤1是一个衰减参数，l(...
- [导读] 做电子产品，常常遇到测量。此时就难免会关注到精度、准度等概念，遇到不少朋友对这两个概念不清楚，今天就来分享一下这两个概念。最近很忙，更的不及时，实在抱歉。也感谢大家不离不弃！对于更文分享这件事情，我在此立个Flag, 只要公众号这个平台不停，我就会坚持下去。 为什么写本文，前面写过些ADC方面的文章，遇到有朋友貌似对这... [导读] 做电子产品，常常遇到测量。此时就难免会关注到精度、准度等概念，遇到不少朋友对这两个概念不清楚，今天就来分享一下这两个概念。最近很忙，更的不及时，实在抱歉。也感谢大家不离不弃！对于更文分享这件事情，我在此立个Flag, 只要公众号这个平台不停，我就会坚持下去。 为什么写本文，前面写过些ADC方面的文章，遇到有朋友貌似对这...
- 线性支持向量机学习的原始问题是则其拉格朗日函数是（拉格朗日函数的构造方法可参见学习笔记|广义拉格朗日函数与KKT条件的应用 中的广义拉格朗日函数）对偶问题是拉格朗日函数的极大极小问题。首先求L(ω,b,η,α,μ)对ω,b,η的极小（可参考学习笔记|拉格朗日对偶性），有得因此再对上式求α的极大，即对偶问题：它等价于：证明： 原始问题是凸二次规划问题，解满足KKT条件。即得（可参见学习笔记|广... 线性支持向量机学习的原始问题是则其拉格朗日函数是（拉格朗日函数的构造方法可参见学习笔记|广义拉格朗日函数与KKT条件的应用 中的广义拉格朗日函数）对偶问题是拉格朗日函数的极大极小问题。首先求L(ω,b,η,α,μ)对ω,b,η的极小（可参考学习笔记|拉格朗日对偶性），有得因此再对上式求α的极大，即对偶问题：它等价于：证明： 原始问题是凸二次规划问题，解满足KKT条件。即得（可参见学习笔记|广...
- 在约束最优化问题中，常常利用拉格朗日对偶性将原始问题转换为对偶问题，通过解对偶问题而得到原始问题的解。该方法用在许多统计学习方法中，例如学习笔记|最大熵模型的学习、学习笔记|最大熵模型学习举例、学习笔记|线性可分支持向量机学习的对偶算法。1. 原始问题称此约束最优化问题为原始最优化问题或原始问题。首先，引进广义拉格朗日函数（注意，这里的拉格朗日函数与学习笔记|广义拉格朗日函数与KKT条件的应... 在约束最优化问题中，常常利用拉格朗日对偶性将原始问题转换为对偶问题，通过解对偶问题而得到原始问题的解。该方法用在许多统计学习方法中，例如学习笔记|最大熵模型的学习、学习笔记|最大熵模型学习举例、学习笔记|线性可分支持向量机学习的对偶算法。1. 原始问题称此约束最优化问题为原始最优化问题或原始问题。首先，引进广义拉格朗日函数（注意，这里的拉格朗日函数与学习笔记|广义拉格朗日函数与KKT条件的应...
- 为了求解线性可分支持向量机的最优化问题，将它作为原始最优化问题，应用拉格朗日对偶性，通过求解对偶问题得到原始问题的最优解，这就是线性可分支持向量机的对偶算法。这样做的优点，一是对偶问题往往更容易求解；二是自然引入核函数，进而推广到非线性分类问题。（拉格朗日函数的构造方法可参见学习笔记|广义拉格朗日函数与KKT条件的应用 中的广义拉格朗日函数）根据拉格朗日对偶性，原始问题的对偶问题是极大极小问... 为了求解线性可分支持向量机的最优化问题，将它作为原始最优化问题，应用拉格朗日对偶性，通过求解对偶问题得到原始问题的最优解，这就是线性可分支持向量机的对偶算法。这样做的优点，一是对偶问题往往更容易求解；二是自然引入核函数，进而推广到非线性分类问题。（拉格朗日函数的构造方法可参见学习笔记|广义拉格朗日函数与KKT条件的应用 中的广义拉格朗日函数）根据拉格朗日对偶性，原始问题的对偶问题是极大极小问...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签