- 目录 赛题 识别声景录音中的鸟叫声 文件 数据下载地址 赛题理解 code 音频数据转图像 切分训练集和验证集 训练 测试 赛题 识别声景录音中的鸟叫声 您在本次比赛中面临的... 目录 赛题 识别声景录音中的鸟叫声 文件 数据下载地址 赛题理解 code 音频数据转图像 切分训练集和验证集 训练 测试 赛题 识别声景录音中的鸟叫声 您在本次比赛中面临的...
- 例： 已知如下表所求的训练数据，x的取值范围为区间[0.5,10.5]，y的取值范围为区间[5.0,10.0]，学习这个回归问题的提升树模型，考虑只用树桩作为基函数。123455.565.705.916.406.806789107.058.908.709.009.05首先通过以下优化问题：求解训练数据的切分点s：求训练数据的切分点。根据所给数据，考虑如下切分点：现将s及m(s)的计算结果列表... 例： 已知如下表所求的训练数据，x的取值范围为区间[0.5,10.5]，y的取值范围为区间[5.0,10.0]，学习这个回归问题的提升树模型，考虑只用树桩作为基函数。123455.565.705.916.406.806789107.058.908.709.009.05首先通过以下优化问题：求解训练数据的切分点s：求训练数据的切分点。根据所给数据，考虑如下切分点：现将s及m(s)的计算结果列表...
- 摘要 最近的许多工作通过视差估计恢复点云，然后应用3D探测器解决了这一问题。视差图是为整个图像计算的，这是昂贵的，并且不能利用特定类别的先验。相反，我们设计了一个实例视差估计网络 iDispNet，... 摘要 最近的许多工作通过视差估计恢复点云，然后应用3D探测器解决了这一问题。视差图是为整个图像计算的，这是昂贵的，并且不能利用特定类别的先验。相反，我们设计了一个实例视差估计网络 iDispNet，...
- 对偶函数的极大化等价于最大熵模型的极大似然估计。推导过程可以参考学习笔记|似然函数与极大似然估计 和学习笔记|logistic回归 。（上述推导可参见学习笔记|最大熵模型的学习）再看对偶函数ψ(ω)。（上述推导依据可参见学习笔记|最大熵模型的学习）比较上述结果可得：因此，最大熵模型学习中的对偶函数极大化等价于最大熵模型的极大似然估计。最大熵模型与Logistic回归模型有类似的形式，它们又称... 对偶函数的极大化等价于最大熵模型的极大似然估计。推导过程可以参考学习笔记|似然函数与极大似然估计 和学习笔记|logistic回归 。（上述推导可参见学习笔记|最大熵模型的学习）再看对偶函数ψ(ω)。（上述推导依据可参见学习笔记|最大熵模型的学习）比较上述结果可得：因此，最大熵模型学习中的对偶函数极大化等价于最大熵模型的极大似然估计。最大熵模型与Logistic回归模型有类似的形式，它们又称...
- 物以类聚 经典的无监督学习算法 ——K-Means聚类算法 目录 1. K-Means 定义2. K-Means 步骤3. K-Means 和 KNN 对比4. 小练习4.1 第一题4... 物以类聚 经典的无监督学习算法 ——K-Means聚类算法 目录 1. K-Means 定义2. K-Means 步骤3. K-Means 和 KNN 对比4. 小练习4.1 第一题4...
- 目的识别手写数字图片是深度学习的print(“Hello world!”)，是入门级别的小实验，主要是熟悉卷积神经网络的开发流程。本次用到的依然是经典的minist数据集，不过事先分出了训练集和测试集并转换成csv格式。网络结构和流程1.结构简述由于数据比较简单，所以用到的模型不是很复杂，使用了两层的卷积层和两层全连接层共四层网络，其中卷积层均采用5x5的卷积核，并带有2x2的池化，训练迭代... 目的识别手写数字图片是深度学习的print(“Hello world!”)，是入门级别的小实验，主要是熟悉卷积神经网络的开发流程。本次用到的依然是经典的minist数据集，不过事先分出了训练集和测试集并转换成csv格式。网络结构和流程1.结构简述由于数据比较简单，所以用到的模型不是很复杂，使用了两层的卷积层和两层全连接层共四层网络，其中卷积层均采用5x5的卷积核，并带有2x2的池化，训练迭代...
- k近邻法于1968年由Cover和Hart提出，是一种基本分类与回归方法。k近邻法的输入为实例的特征向量，对应特征空间的点；输出为实例的类别，可以取多类。k近邻法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻法不具有的学习过程。k近邻法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型"... k近邻法于1968年由Cover和Hart提出，是一种基本分类与回归方法。k近邻法的输入为实例的特征向量，对应特征空间的点；输出为实例的类别，可以取多类。k近邻法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻法不具有的学习过程。k近邻法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型"...
- CBNetV2: A Composite Backbone Network Architecture for Object Detection 代码：VDIGPKU/CBNetV2 (github.com) 论文地址：2107.00420.pdf (arxiv.org) 摘要 现代性能最好的物体检测器在很大程度上依赖于骨干网络，... CBNetV2: A Composite Backbone Network Architecture for Object Detection 代码：VDIGPKU/CBNetV2 (github.com) 论文地址：2107.00420.pdf (arxiv.org) 摘要 现代性能最好的物体检测器在很大程度上依赖于骨干网络，...
- 本文介绍来自北京大学来鲁华教授课题组发表在Chemical Science上的文章“Structure-based de novo drug design using 3D deep generative models”。在这项工作中，作者介绍了一种基于深度学习的新型药物设计方法DeepLigBuilder，可以在靶标... 本文介绍来自北京大学来鲁华教授课题组发表在Chemical Science上的文章“Structure-based de novo drug design using 3D deep generative models”。在这项工作中，作者介绍了一种基于深度学习的新型药物设计方法DeepLigBuilder，可以在靶标...
- 条件概率 在事件B发生的前提条件，事件A发生的概率： P ( A / B ) = P ( A B ) / P ( B ) P(A/B) = P(AB)/P(B) P(A/B)=P(AB)/P(B) 独立事件 P ( A B ) = P ( A ) P ( B ) P(AB) = P(A)P(B) P(AB)=P(A)P(B) 概率基础公式 加法： P (... 条件概率 在事件B发生的前提条件，事件A发生的概率： P ( A / B ) = P ( A B ) / P ( B ) P(A/B) = P(AB)/P(B) P(A/B)=P(AB)/P(B) 独立事件 P ( A B ) = P ( A ) P ( B ) P(AB) = P(A)P(B) P(AB)=P(A)P(B) 概率基础公式 加法： P (...
- 文章目录 1. 求素数2. 打印菱形3. 打印杨辉三角4. 打印斐波那契数列5. 求水仙花数6. 模拟双色球随机选号 1. 求素数 求10万以内的素数，有9592个，用时49.376864s，结果如下： 素数优化 求10万以内的素数，有9592个，用时0.165599s，结果如下： 通过对比可看出，通过素数优化，大大提高了算法... 文章目录 1. 求素数2. 打印菱形3. 打印杨辉三角4. 打印斐波那契数列5. 求水仙花数6. 模拟双色球随机选号 1. 求素数 求10万以内的素数，有9592个，用时49.376864s，结果如下： 素数优化 求10万以内的素数，有9592个，用时0.165599s，结果如下： 通过对比可看出，通过素数优化，大大提高了算法...
- 文章目录 一、从混淆矩阵谈起二、Precision、Recall、PRC、F1-score三、ROC & AUC四、如何选择评估指标？五、IOU “没有测量，就没有科学。”这是科学家门捷列夫的名言。在计算机科学中，特别是在机器学习的领域，对模型的测量和评估同样至关重要。只有选择与问题相匹配的评估方法，我们才能够准确地发现在模型选择和训练过程中可能出... 文章目录 一、从混淆矩阵谈起二、Precision、Recall、PRC、F1-score三、ROC & AUC四、如何选择评估指标？五、IOU “没有测量，就没有科学。”这是科学家门捷列夫的名言。在计算机科学中，特别是在机器学习的领域，对模型的测量和评估同样至关重要。只有选择与问题相匹配的评估方法，我们才能够准确地发现在模型选择和训练过程中可能出...
- 深度学习笔记：欠拟合、过拟合 防止过拟合（二）：Dropout 防止过拟合（三）：数据增强 前言 通过设计不同层数、大小的网络模型，可以为优化算法提供初始的函数假设空间（或者所示网络容量）。但是随着网络参数的优化更新，模型的实际容量是可以随之变化的。 以多项式函数模型为例： y = r 0 + r 1 x + r 2 x 2 + r 3 x 3 … + r n x... 深度学习笔记：欠拟合、过拟合 防止过拟合（二）：Dropout 防止过拟合（三）：数据增强 前言 通过设计不同层数、大小的网络模型，可以为优化算法提供初始的函数假设空间（或者所示网络容量）。但是随着网络参数的优化更新，模型的实际容量是可以随之变化的。 以多项式函数模型为例： y = r 0 + r 1 x + r 2 x 2 + r 3 x 3 … + r n x...
- 前言： 本专栏主要结合OpenCV4（C++版本），来实现一些基本的图像处理操作、经典的机器学习算法（比如K-Means、KNN、SVM、决策树、贝叶斯分类器等），以及常用的深度学习算法。 系列文章，持续更新： OpenCV4机器学习（一）：OpenCV4+VS2017环境搭建与配置OpenCV4机器学习（二）：图像的读取、显示与存储OpenCV4机器学习（三）：... 前言： 本专栏主要结合OpenCV4（C++版本），来实现一些基本的图像处理操作、经典的机器学习算法（比如K-Means、KNN、SVM、决策树、贝叶斯分类器等），以及常用的深度学习算法。 系列文章，持续更新： OpenCV4机器学习（一）：OpenCV4+VS2017环境搭建与配置OpenCV4机器学习（二）：图像的读取、显示与存储OpenCV4机器学习（三）：...
- 文章目录 一、正则化的作用二、如何判断过拟合 or 欠拟合三、常见正则化方法（1）L0正则化（2）L1正则化（3）L2正则化（4）其他方法 四、正则化原理五、Dropout正则化（1）Dropout（2）Drop Connect 六、Dropout工作流程七、为什么说Dropout可以解决过拟合？ 理论系列： 深度学习笔记（一）：卷积层+激活函... 文章目录 一、正则化的作用二、如何判断过拟合 or 欠拟合三、常见正则化方法（1）L0正则化（2）L1正则化（3）L2正则化（4）其他方法 四、正则化原理五、Dropout正则化（1）Dropout（2）Drop Connect 六、Dropout工作流程七、为什么说Dropout可以解决过拟合？ 理论系列： 深度学习笔记（一）：卷积层+激活函...
上滑加载中
推荐直播
-
星闪应用开发技术课程（群）建设思路与设想2025/05/22 周四 19:00-21:00
葛非 华为开发者布道师
华中师范大学计算机学院副教授-葛非老师将深入讲解星闪核心技术及其支撑技术，并讨论如何将这些技术融入到通信工程、计算机科学与技术、软件工程等专业的课程内容中，旨在推动高等教育领域星闪鸿蒙生态的有序发展。
回顾中 -
妙手轻取华为云上自动化部署2025/05/28 周三 16:30-17:30
阿肯-华为云生态技术讲师
还在一直手动进行薛定谔式部署吗？想尝试自动化又怕搞不定？其实你只是不知道这有多简单。本节课掰开一个个细节理清楚。
即将直播 -
华为云软件开发生产线（CodeArts）4月新特性解读2025/05/30 周五 16:30-17:30
Enki 华为云高级产品经理
不知道产品的最新特性？没法和产品团队建立直接的沟通？本期直播产品经理将为您解读华为云软件开发生产线4月发布的新特性，并在直播过程中为您答疑解惑。
去报名
热门标签