- 使用sklearn搭建了分类模型，进行了如下分析： （1）描述10折交叉验证对数据集的处理； （2）描述所使用的线性模型； （3）描述训练模型所使用的算法； （4）分析模型训练结果，包括训练误差和测试误差； （5）总结模型训练过程中的收获。 使用sklearn搭建了分类模型，进行了如下分析： （1）描述10折交叉验证对数据集的处理； （2）描述所使用的线性模型； （3）描述训练模型所使用的算法； （4）分析模型训练结果，包括训练误差和测试误差； （5）总结模型训练过程中的收获。
- 使用pytorch搭建神经网络回归模型，分析如下： （1）描述所使用的神经网络模型； （2）描述训练模型所使用的算法； （3）描述模型超参数（如神经网络模型结构对应的参数）确定的过程，分析模型训练结果，包括五次5折交叉验证及其结果、模型训练过程相应误差的变化情况等； （4）总结模型训练过程中的收获。 使用pytorch搭建神经网络回归模型，分析如下： （1）描述所使用的神经网络模型； （2）描述训练模型所使用的算法； （3）描述模型超参数（如神经网络模型结构对应的参数）确定的过程，分析模型训练结果，包括五次5折交叉验证及其结果、模型训练过程相应误差的变化情况等； （4）总结模型训练过程中的收获。
- 正则项不影响线性回归损失函数的凸性 2021-09-10Question: 加上正则项以后函数还是凸的吗? 梯度下降还适用吗?还是适用的, 证明如下 首先, 如何证明一个函数为凸函数?如果fff是二阶可微的，那么如果fff的定义域是凸集，并且∀x∈dom(f),∇2f(x)⩾0\forall x\in dom(f), \nabla^2 f(x)\geqslant0∀x∈dom(f),∇2f... 正则项不影响线性回归损失函数的凸性 2021-09-10Question: 加上正则项以后函数还是凸的吗? 梯度下降还适用吗?还是适用的, 证明如下 首先, 如何证明一个函数为凸函数?如果fff是二阶可微的，那么如果fff的定义域是凸集，并且∀x∈dom(f),∇2f(x)⩾0\forall x\in dom(f), \nabla^2 f(x)\geqslant0∀x∈dom(f),∇2f...
- 拉格朗日乘子法是求解有约束最优化问题的常用方法，其基本思路是引入一个新的参数λ，把约束条件与原目标函数结合在一起，构成新的目标函数（称为拉格朗日函数），然后通过偏导数求解最优化问题。假设目标函数为f(x)，约束条件为g(x)=k，则可以构建拉格朗日函数L(x,λ)=f(x)+λ(g(x)-k)。通过偏导数方法求解拉格朗日乘子法可推广到多自变量的情况构建拉格朗日函数通过偏导数法求解拉格朗日乘子... 拉格朗日乘子法是求解有约束最优化问题的常用方法，其基本思路是引入一个新的参数λ，把约束条件与原目标函数结合在一起，构成新的目标函数（称为拉格朗日函数），然后通过偏导数求解最优化问题。假设目标函数为f(x)，约束条件为g(x)=k，则可以构建拉格朗日函数L(x,λ)=f(x)+λ(g(x)-k)。通过偏导数方法求解拉格朗日乘子法可推广到多自变量的情况构建拉格朗日函数通过偏导数法求解拉格朗日乘子...
- 定义（最大熵模型） 假设满足所有约束条件的模型集合为定义在条件概率分布P(Y|X)上的条件熵为那么结合学习笔记|最大熵模型中的例子，我们如何来理解最大熵模型？1. 掷骰子的例子为了更好地理解最大熵模型，我们先来看一个掷骰子的例子（它的原型和基本思路来源于参考文献2）。骰子y1y2y3y4y5y6x11002030400x25012340则联合分布的经验分布:X边缘分布的经验分布：如果不考虑上... 定义（最大熵模型） 假设满足所有约束条件的模型集合为定义在条件概率分布P(Y|X)上的条件熵为那么结合学习笔记|最大熵模型中的例子，我们如何来理解最大熵模型？1. 掷骰子的例子为了更好地理解最大熵模型，我们先来看一个掷骰子的例子（它的原型和基本思路来源于参考文献2）。骰子y1y2y3y4y5y6x11002030400x25012340则联合分布的经验分布:X边缘分布的经验分布：如果不考虑上...
- 预训练预训练能带来以下一些优势：通过利用大量无标注文本，预训练有助于模型学习通用语言表征。只需增加一两个特定的层，预训练模型可以适应下游任务。因此这能提供很好的初始化，从而避免从头开始训练下游模型（只需训练特定于任务的层）。让模型只需小型数据集就能获得更好的表现，因此可以降低对大量有标注实例的需求。深度学习模型由于参数数量大，因此在使用小型数据集训练时，容易过拟合。而预训练可以提供很好的初始... 预训练预训练能带来以下一些优势：通过利用大量无标注文本，预训练有助于模型学习通用语言表征。只需增加一两个特定的层，预训练模型可以适应下游任务。因此这能提供很好的初始化，从而避免从头开始训练下游模型（只需训练特定于任务的层）。让模型只需小型数据集就能获得更好的表现，因此可以降低对大量有标注实例的需求。深度学习模型由于参数数量大，因此在使用小型数据集训练时，容易过拟合。而预训练可以提供很好的初始...
- 在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常我们有两种做法:(1)足够大的数据量，扩充足够多的样本去增强模型适应尺度变换的能力，因为样本的局限性模型的泛化能力会较低。(2)设置一些针对几何变换不变的特征或者算法，算法的复杂性导致难以设计。可变形卷积顾名思义就是卷积的位置是可变形的，并非在传统的N × N的网格上做卷积，这样的好处就是更准确地提取到我们... 在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常我们有两种做法:(1)足够大的数据量，扩充足够多的样本去增强模型适应尺度变换的能力，因为样本的局限性模型的泛化能力会较低。(2)设置一些针对几何变换不变的特征或者算法，算法的复杂性导致难以设计。可变形卷积顾名思义就是卷积的位置是可变形的，并非在传统的N × N的网格上做卷积，这样的好处就是更准确地提取到我们...
- 空洞卷积广泛应用于语义分割与目标检测等任务中，通过保持特征图相对的空间位置，提高感受野照顾到分割任务的上下文信息，一定程度上提高了在分割场景中的效果，语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet也使用了空洞卷积。但是空洞卷积也存在着一定的缺陷，一是产生网格效应，如下图：我们发现感受野并不是连续的，也就是并不是所有的格子中的信息都用来计算... 空洞卷积广泛应用于语义分割与目标检测等任务中，通过保持特征图相对的空间位置，提高感受野照顾到分割任务的上下文信息，一定程度上提高了在分割场景中的效果，语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet也使用了空洞卷积。但是空洞卷积也存在着一定的缺陷，一是产生网格效应，如下图：我们发现感受野并不是连续的，也就是并不是所有的格子中的信息都用来计算...
- 作业：填空题计算矩阵：287、288、290、291、292、293、294、295、296、297、298、299、300、301、303；矩阵的秩、线性相关：304、305、306、307、308、309、310、311、312、313、314、315、316、317、318、319、320；选择题矩阵的运算：351、352、353、354、355、356、357、358、359、360... 作业：填空题计算矩阵：287、288、290、291、292、293、294、295、296、297、298、299、300、301、303；矩阵的秩、线性相关：304、305、306、307、308、309、310、311、312、313、314、315、316、317、318、319、320；选择题矩阵的运算：351、352、353、354、355、356、357、358、359、360...
- 前段时间参加了华为RPA机器人14天训练营，在学习过程中，遇到了以下几个问题： 1因个人安装Windows7旗舰版64位，在使用Web录制时出现乱码，在华为-梁老师的帮助下解决办法：修改安装路径F:\WeAutomate\Studio 2.14.0\Recorder\web\webrecorder-0.0.1-SNAPSHOT.jar\application.css里面的-fx... 前段时间参加了华为RPA机器人14天训练营，在学习过程中，遇到了以下几个问题： 1因个人安装Windows7旗舰版64位，在使用Web录制时出现乱码，在华为-梁老师的帮助下解决办法：修改安装路径F:\WeAutomate\Studio 2.14.0\Recorder\web\webrecorder-0.0.1-SNAPSHOT.jar\application.css里面的-fx...
- 第一章： 通过 学习1 .2 了解了机器学习的基本术语，从数据中学得模型的过程称为“学习”或“训练”，这个过程通过执行 某个学习 算法来完成。模型可以看作学习算法在给定数据和参数空间上的实例化。在计算机系统中，“经验”通常以“数据”的形式存在，因此，机器学习所研究的主要内容，是在计算机上从数据中产生“模型（ model）”的算法，即“学习算法”（learning algorithm）。通过学... 第一章： 通过 学习1 .2 了解了机器学习的基本术语，从数据中学得模型的过程称为“学习”或“训练”，这个过程通过执行 某个学习 算法来完成。模型可以看作学习算法在给定数据和参数空间上的实例化。在计算机系统中，“经验”通常以“数据”的形式存在，因此，机器学习所研究的主要内容，是在计算机上从数据中产生“模型（ model）”的算法，即“学习算法”（learning algorithm）。通过学...
- 机器学习可以大致分为三个研究领域：监督学习，无监督学习和强化学习（Reinforcement Learning，RL）。监督学习是大家最为熟知的一种机器学习方式，我们经常遇到的图片分类、人脸识别、回归预测等任务都属于监督学习。简而言之，监督学习处理的任务是根据给定的输入-标签对，构建模型，实现对新输入的标签进行预测。无监督学习，顾名思义，在模型学习阶段不需要标签（往往是因为标签标注成本高或标... 机器学习可以大致分为三个研究领域：监督学习，无监督学习和强化学习（Reinforcement Learning，RL）。监督学习是大家最为熟知的一种机器学习方式，我们经常遇到的图片分类、人脸识别、回归预测等任务都属于监督学习。简而言之，监督学习处理的任务是根据给定的输入-标签对，构建模型，实现对新输入的标签进行预测。无监督学习，顾名思义，在模型学习阶段不需要标签（往往是因为标签标注成本高或标...
- 1.环境准备（弹性云服务器）打开控制台-弹性云服务器-选择购买弹性云服务器计费方式选择按需计费 区域选择默认可用区随机分配即可cpu架构选择x86计算规格 AI加速型 ai1s.large.4 镜像选择共享镜像这里的镜像找小助手申请后需要自己在镜像服务里面选择接受才可以， 接收之后这里创建弹性云服务器时才能够找到学习用的镜像系统盘选择 通用型SSD 40G然后点击下一步网络选择默认vpc安... 1.环境准备（弹性云服务器）打开控制台-弹性云服务器-选择购买弹性云服务器计费方式选择按需计费 区域选择默认可用区随机分配即可cpu架构选择x86计算规格 AI加速型 ai1s.large.4 镜像选择共享镜像这里的镜像找小助手申请后需要自己在镜像服务里面选择接受才可以， 接收之后这里创建弹性云服务器时才能够找到学习用的镜像系统盘选择 通用型SSD 40G然后点击下一步网络选择默认vpc安...
- 开始训练In [8]:from keras.optimizers import Adamfrom yolo3.utils import get_random_data # 设置所有的层可训练for i in range(len(model.layers)): model.layers[i].trainable = True # 选择Adam优化器，设置学习率learning_ra... 开始训练In [8]:from keras.optimizers import Adamfrom yolo3.utils import get_random_data # 设置所有的层可训练for i in range(len(model.layers)): model.layers[i].trainable = True # 选择Adam优化器，设置学习率learning_ra...
- 测试部分在这部分中，我们利用训练得到的模型进行推理测试。In [13]:%matplotlib inlinefrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_function# 将路径转入libimport tools._init_pathsfro... 测试部分在这部分中，我们利用训练得到的模型进行推理测试。In [13]:%matplotlib inlinefrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_function# 将路径转入libimport tools._init_pathsfro...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
苏州工业园区“华为云杯”2025人工智能应用创新大赛赛中直播2025/08/21 周四 16:00-17:00
Vz 华为云AIoT技术布道师
本期直播将与您一起探讨如何基于华为云IoT平台全场景云服务，结合AI、鸿蒙、大数据等技术，打造有创新性，有竞争力的方案和产品。
回顾中 -
深入解读架构师专业级培训认证2025/08/22 周五 16:30-17:30
阿肯-华为云生态技术讲师
解决方案架构专业级是开发者认证中的顶端明珠。这门认证聊什么？值得学吗？怎么考、考什么、难不难？这门课程深入解答
回顾中
热门标签