- 【机器学习】逻辑回归（Logistic Regression） 注：最近开始学习《人工智能》选修课，老师提纲挈领的介绍了一番，听完课只了解了个大概，剩下的细节只能自己继续摸索。 从本质上讲：机器学习就是一个模型对外界的刺激（训练样本）做出反应，趋利避害（评价标准）。 1. 什么是逻辑回归？ 许... 【机器学习】逻辑回归（Logistic Regression） 注：最近开始学习《人工智能》选修课，老师提纲挈领的介绍了一番，听完课只了解了个大概，剩下的细节只能自己继续摸索。 从本质上讲：机器学习就是一个模型对外界的刺激（训练样本）做出反应，趋利避害（评价标准）。 1. 什么是逻辑回归？ 许...
- 动态slimmable网络：高性能的网络轻量化方法！对比slimmable涨点5.9% 论文链接： https://arxiv.org/abs/2103.13258 代码： https://github.com/changlin31/DS-Net 一、研究动机 动态剪枝算法及其问题 动态网络为每... 动态slimmable网络：高性能的网络轻量化方法！对比slimmable涨点5.9% 论文链接： https://arxiv.org/abs/2103.13258 代码： https://github.com/changlin31/DS-Net 一、研究动机 动态剪枝算法及其问题 动态网络为每...
- 人工智能研究网 www.studyai.cn 下面的代码通过计算图像中给定区域的方向梯度直方图来估计图像的旋转角度 主要内容包括： 一、计算局部图像块方向梯度直方图的函数 二、把给定图像按照给定的角度旋转 三、如何利用旋转后的图像的方向梯度直方图和原图像的方向梯度直方图来估计旋转角度 四、绘制方向梯度直方图 计算效果如下次： 主要代码如下： ... 人工智能研究网 www.studyai.cn 下面的代码通过计算图像中给定区域的方向梯度直方图来估计图像的旋转角度 主要内容包括： 一、计算局部图像块方向梯度直方图的函数 二、把给定图像按照给定的角度旋转 三、如何利用旋转后的图像的方向梯度直方图和原图像的方向梯度直方图来估计旋转角度 四、绘制方向梯度直方图 计算效果如下次： 主要代码如下： ...
- 随机森林原理 2017-08-06 18:56 80人阅读 评论(0) 收藏 举报 分类： 机器学习（17） 转载自：http://www.zilhua.com/629.html &nb... 随机森林原理 2017-08-06 18:56 80人阅读 评论(0) 收藏 举报 分类： 机器学习（17） 转载自：http://www.zilhua.com/629.html &nb...
- 把Cross Entropy梯度分布拉平 来源：PaperWeekly 单阶段物体检测（One-stage Object Detection）方法在模型训练过程中始终面临着样本分布严重不均衡的问题，来自香港中文大学的研究者们在论文 Gradient Harmonized Single-stage Detector提出了一个新的视角——梯度分布上看... 把Cross Entropy梯度分布拉平 来源：PaperWeekly 单阶段物体检测（One-stage Object Detection）方法在模型训练过程中始终面临着样本分布严重不均衡的问题，来自香港中文大学的研究者们在论文 Gradient Harmonized Single-stage Detector提出了一个新的视角——梯度分布上看...
- torch yolov3梯度发散 原因： 每次计算之前zero_grad，梯度清0，如果没有这句 梯度会累加，产生一个很大的值，后面会梯度发散。 imgs = Variable(imgs.type(Tensor)) targets = Variable(targets.type(Tensor), requires_grad=False) optimizer.zero_gra... torch yolov3梯度发散 原因： 每次计算之前zero_grad，梯度清0，如果没有这句 梯度会累加，产生一个很大的值，后面会梯度发散。 imgs = Variable(imgs.type(Tensor)) targets = Variable(targets.type(Tensor), requires_grad=False) optimizer.zero_gra...
- https://github.com/implus/GFocal 最小的模型，247m，时间100ms一张图片 ModelMulti-scale trainingAP (minival)AP (test-dev)FPSLinkGFL_R_50_FPN_1xNo40.240.319.4GoogleGFL_R_50_FPN_2xYes42.843.119.4G... https://github.com/implus/GFocal 最小的模型，247m，时间100ms一张图片 ModelMulti-scale trainingAP (minival)AP (test-dev)FPSLinkGFL_R_50_FPN_1xNo40.240.319.4GoogleGFL_R_50_FPN_2xYes42.843.119.4G...
- 北大、字节跳动等利用增量学习提出超像素分割模型LNSNet 模型52k，cpu版，运行一张图片需要2.4s，速度挺慢。 网络结构值得学习。 因此为保证超像素分割既可以更好的借助深度学习进行有效的特征提取，又可以同时兼顾传统超像素分割方法高效、灵活、迁移性强的特点，本研究从持续学习的视角看待超像素分割问题，并提出了一种新型的超像素分割模型可以更好的支持无监... 北大、字节跳动等利用增量学习提出超像素分割模型LNSNet 模型52k，cpu版，运行一张图片需要2.4s，速度挺慢。 网络结构值得学习。 因此为保证超像素分割既可以更好的借助深度学习进行有效的特征提取，又可以同时兼顾传统超像素分割方法高效、灵活、迁移性强的特点，本研究从持续学习的视角看待超像素分割问题，并提出了一种新型的超像素分割模型可以更好的支持无监...
- 如果您想下采样/常规调整大小，您应该使用interpolate()方法，这里的上采样方法已经不推荐使用了。 Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向... 如果您想下采样/常规调整大小，您应该使用interpolate()方法，这里的上采样方法已经不推荐使用了。 Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向...
- VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管... VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管...
- a表示底数，n表示指数，a^n叫做幂。 幂就是一个数和它自己相乘的积,二个乘是二次幂,三个乘是三次幂,四个乘是四次幂, 象三,五这样的幂是奇次幂,二,四是偶次幂负数乘负数是正数,负数乘正数是负. 幂函数与指数函数的区别： 指数函数：自变量 x 在指数的位置上，y=a^x（a>0，a 不等于 1）性质：当 a>1 时，函数是递增函数，且 y>0;... a表示底数，n表示指数，a^n叫做幂。 幂就是一个数和它自己相乘的积,二个乘是二次幂,三个乘是三次幂,四个乘是四次幂, 象三,五这样的幂是奇次幂,二,四是偶次幂负数乘负数是正数,负数乘正数是负. 幂函数与指数函数的区别： 指数函数：自变量 x 在指数的位置上，y=a^x（a>0，a 不等于 1）性质：当 a>1 时，函数是递增函数，且 y>0;...
- 原文：http://www.jianshu.com/p/6eecdeee5012 决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，如： 决策树 在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。 如何构造决策树 决策树算法的... 原文：http://www.jianshu.com/p/6eecdeee5012 决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，如： 决策树 在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。 如何构造决策树 决策树算法的...
- 原文：https://www.cnblogs.com/zongfa/p/8971213.html Softmax函数详解与推导 一、softmax函数 softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！ 假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是... 原文：https://www.cnblogs.com/zongfa/p/8971213.html Softmax函数详解与推导 一、softmax函数 softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！ 假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是...
- 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal... 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal...
- 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合... 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合...
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 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签