guog算法笔记的博客_机器学习and深度学习

和我一起学机器学习-逻辑斯蒂回归（Logistic Regression）

在测试模型时，我们禁用梯度计算，对测试数据集中的每个图像进行前向传播，并将输出与标签进行比较以计算模型的准确性

机器学习

回归

深度学习

逻辑斯蒂回归

二分类

原创 1月前 55 阅读

和我一起学机器学习-决策树

决策树算法根据特征的属性值来将数据集分成多个子集，通过对每个子集重复这个过程，最终得到一棵树形结构，其中每个内部节点表示一个特征，每

机器学习

决策树

python

子节点

数据集

原创 1月前 38 阅读

PyTorch实现自编码器

函数中，定义了损失函数，并对模型进行了测试。测试过程与训练过程类似，但是不需要进行梯度更新。最后返回测试损失的平均值。实现堆叠自编码器的示例代码，该代码包括三个自编码器和一些辅助函数，用于训练和测试堆叠自编码器。数据集并创建数据加载器。然后创建了堆叠自编码器模型，并将其移动到设备上。最后生成一个随机图像并进行重构，然后显示出来。函

pytorch

深度学习

python

编码器

损失函数

原创 1月前 107 阅读

freebase的entity_id到真实数据的映射文件

（或者访问： https://pan.baidu.com/s/10aO5C5wnxIzs0QnFul00jg?pwd=bili ）freebase的entity id到真实数据的映射。

知识图谱

人工智能

数据

原创 2023-06-08 12:20:36 150 阅读

和我一起学机器学习-朴素贝叶斯法

需要注意的是，朴素贝叶斯算法假设特征之间是条件独立的，这在实际数据中往往是不成立的。因此，在实际应用中，需要对数据进行适当

机器学习

深度学习

python

朴素贝叶斯

条件概率

原创 2023-04-24 11:38:57 106 阅读

和我一起学机器学习-K近邻法

在训练过程中，我们使用交叉熵损失函数来计算模型的损失，并使用随机梯度下降优化器来更新模型参数。在测试过程中，我们使用测试集来评估模型的性能，计算分类准确率。模型对特征之间的距离度量方式比较敏感，需要根据实际情况选择合适的度量方式。算法的优点是简单、易于理解和实现，但是在处理大规模数据集时会比较慢，同时需要选取

机器学习

深度学习

python

数据集

距离度量

原创 2023-04-24 11:38:48 98 阅读

和我一起学机器学习-感知机

在训练过程中，我们通过循环遍历训练集中的每个样本来计算损失，并使用反向传播算法来更新模型参数。需要注意的是，感知

机器学习

深度学习

python

感知机

数据集

原创 2023-04-24 11:38:39 108 阅读

联邦学习简介与2个案例详细介绍（tensorflow、numpy实现）

然后，我们在本地模型上训练每个设备的数据集，并保存每个设备的本地模型的权重。接下来，我们将本地模型的权重进行平均，得到全局模型参数，并更新全局模型的参数。在上述代码中，我们与前一个案例类似，使用clone_model()方法创建了每个参与方的本地模型，并使用全局模型的参数初始化本地模型。接下来，我们计算并更新全局模型的参数。联邦学习算法的核心思想是将机器学习任务分发给多个参与方（例如智能手机、传感器和云服务器等），然后对这些参与方的本地数据进行训练，最终合并更新的模型以获得全局模型。

tensorflow

numpy

深度学习

数据集

迭代

原创 2023-04-19 17:26:50 125 阅读

VAE自编码器案例

下面是一个使用PyTorch实现变分自编码器（VAE）的案例。VAE是一种更复杂的自编码器，它可以生成新的样本，并且在对潜在空间进行插值时呈现出更好的连续性。首先导入必要的库和模块：接着定义一个类来表示我们的VAE：这个VAE包含了一个编码器和一个解码器，其具体实现细节如下：编码器通过两个全连接层将输入图像压缩为隐变量的均值和方差。解码器通过两个全连接层，并应用sigmoid函数将隐变量重构为原始图像。关键方法包括：接下来定义一些超参数：然后加载MNIST数据集并进行预处理：在这里，我们使用了

深度学习

python

机器学习

编码器

损失函数

原创 2023-04-19 17:24:13 132 阅读

PyTorch实现联邦学习堆叠自编码器

现在，我们已经在每个设备上训练了一个堆叠自编码器模型，下一步是将每个设备的模型更新传递给服务器，并将这些更新聚合以更新全局模型。在实现联邦学习的堆叠自编码器时，我们需要考虑如何将每个设备上的模型更新传递给服务器，并将这些更新聚合以更新全局模型。我们将在每个设备上使用训练的本地模型来生成更新，然后将这些更新发送到服务器，服务器将聚合这些更新以更新全局模型。我们将在每个设备上使用训练的本地模型来生成更新，然后将这些更新发送到服务器，服务器将聚合这些更新以更新全局模型。来实现在设备之间共享数据和模型更新。

pytorch

深度学习

机器学习

服务器

编码器

原创 2023-04-19 17:19:36 137 阅读

PyTorch实现堆叠自编码器

函数中，定义了损失函数，并对模型进行了测试。测试过程与训练过程类似，但是不需要进行梯度更新。最后返回测试损失的平均值。实现堆叠自编码器的示例代码，该代码包括三个自编码器和一些辅助函数，用于训练和测试堆叠自编码器。数据集并创建数据加载器。然后创建了堆叠自编码器模型，并将其移动到设备上。最后生成一个随机图像并进行重构，然后显示出来。函数中，定义了损失函数和优化器，然后对模型进行了训练。函数中，首先设置了设备，然后定义了超参数，接着下载。函数中，定义了损失函数，并对模型进行了测试。函数进行训练，然后调用。

pytorch

深度学习

python

编码器

损失函数

原创 2023-04-19 17:19:34 465 阅读 2评论

堆叠自编码器的一个简单例子

第一个编码器和解码器将输入的10维数据编码为4维潜在表示，第二个编码器和解码器将这个4维表示进一步编码为2维表示。这段代码将遍历100个epoch，并在每个epoch中计算模型输出和损失。这段代码将生成一张包含两行10列的图像，其中第一行是原始数据，第二行是重建数据。您可以使用这个可视化来查看模型如何重建数据，并评估模型的性能。最后，我们可以开始训练我们的模型。我们也可以将重建数据与原始数据进行比较，以评估模型的性能。本文使用PyTorch实现堆叠自编码器的案例，该模型使用生成的随机数作为原始数据集。

深度学习

python

pytorch

编码器

数据

原创 2023-04-19 17:19:33 71 阅读

AE编码器的案例

在这里，我们对于每个epoch，遍历训练数据集，并将每个batch的数据加载到模型中。首先将图像展平为一维张量，通过自编码器进行前

深度学习

神经网络

python

编码器

数据集

原创 2023-04-19 17:16:35 135 阅读

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯

51CTO博客

wx643f9233bab0e的博客

和我一起学机器学习-逻辑斯蒂回归（Logistic Regression）

和我一起学机器学习-决策树

PyTorch实现自编码器

freebase的entity_id到真实数据的映射文件

和我一起学机器学习-朴素贝叶斯法

和我一起学机器学习-K近邻法

和我一起学机器学习-感知机

联邦学习简介与2个案例详细介绍（tensorflow、numpy实现）

VAE自编码器案例

PyTorch实现联邦学习堆叠自编码器

PyTorch实现堆叠自编码器

堆叠自编码器的一个简单例子

AE编码器的案例