引言
很多时候我们都用到ROC和AUC来评判一个二值分类器的优劣，其实AUC跟ROC息息相关，AUC就是ROC曲线下部分的面积，所以需要首先知道什么是ROC，ROC怎么得来的。然后我们要知道一般分类器会有个准确率ACC，那么既然有了ACC，为什么还要有ROC呢，ACC和ROC的区别又在哪儿，这是我喜欢的一种既生瑜何生亮问题。
&nbs
转载
2023-07-09 21:26:29
68阅读
最近看了下 PyTorch 的损失函数文档，整理了下自己的理解，重新格式化了公式如下，以便以后查阅。注意下面的损失函数都是在单个样本上计算的，粗体表示向量，否则是标量。向量的维度用 Nnn.L1Loss loss(x,y)=1N∑i=1N|x−y| nn.SmoothL1Loss也叫作 Huber Loss，误差在 (-1,1) 上是平方损失，其他情况是 L1 损失。 loss(
转载
2024-08-16 18:12:45
46阅读
?Chapter01基本概念1.1 PyTorch 简介与安装PyTorch 的诞生PyTorch 的发展PyTorch 优点PyTorch 实现模型训练的 5 大要素1.2 Tensor(张量)介绍Tensor 的概念Tensor 创建的方法1、直接创建 Tensor2、根据数值创建 Tensor3、根据概率创建 Tensor1.3 张量操作与线性回归张量的操作拼接切分索引变换张量的数学运算线
转载
2024-10-31 19:10:37
17阅读
# 使用Python绘制ACC曲线的教程
ACC曲线（Accuracy Curve）是一种在机器学习领域常用的可视化工具，它展示了模型在不同阈值下的准确率。本文将指导您如何使用Python来绘制ACC曲线。我们将通过一系列步骤来实现这一目标，并配合代码示例和可视化图形。
## 流程概述
在下面的表格中，我们展示了绘制ACC曲线的基本步骤。
| 步骤 | 说明
# 实现 PyTorch 的 ACC 曲线：新手指导
在让您了解如何用 PyTorch 实现准确率（ACC）曲线之前，我们需要明确工作流程。以下是整个过程的主要步骤：
| 步骤 | 描述 |
|------|------|
| 1 | 导入所需库 |
| 2 | 加载和准备数据集 |
| 3 | 定义模型 |
| 4 | 训练模型并记录准确率 |
| 5 | 绘制
原创
2024-10-27 04:46:18
114阅读
目录摘要一、acc 曲线与 loss 曲线二、完整代码摘要loss / loss 可视化，可视化出准确率上升、损失函数下降的过程一、acc 曲线与 loss 曲线history = model.fit(训练集数据,
训练集标签,
bat
转载
2023-11-03 20:26:31
1145阅读
# PyTorch中的Loss不变性探讨
在深度学习模型的训练过程中，损失函数（Loss Function）是一个至关重要的组成部分。它直接影响到模型的优化方向与速度。在PyTorch框架中，损失函数的选择和应用在模型训练过程中具有非常重要的地位。本篇文章将探讨“PyTorch中Loss的不变性”，并通过代码示例加以说明，帮助大家在实际应用中更好地理解和使用PyTorch的损失函数。
## 什
好记性不如烂笔头，纯粹为自己的学习生活记录点什么！tensorboard 同时显示多个模型准确率和损失率tensorboard 同时显示多个模型的accuracy和lossFound more than one graph event per run, or there was a metagraph containing a graph_def, as well as one or more g
转载
2024-08-20 22:10:52
323阅读
# PyTorch绘制loss及acc曲线
## 引言
深度学习是一种非常强大的机器学习技术，可以用于解决许多复杂的问题。然而，在实际应用中，深度学习模型的训练是一个相当复杂的过程，需要大量的数据和计算资源。为了更好地了解模型的训练过程并进行调优，我们通常会绘制loss和accuracy曲线来观察模型的表现。
本文将介绍如何使用PyTorch来绘制loss和accuracy曲线。首先，我们将
原创
2023-09-23 17:53:29
210阅读
pytorch实现的loss function1.均方损失函数2. 交叉熵损失函数3、自定义损失函数1、关于nn.Module与nn.Functional的区别2、自定义损失函数 神经网络主要实现分类以及回归预测两类问题对于分类，主要讲述二分类交叉熵和多分类交叉熵函数,对于回归问题，主要讲述均方损失函数，而对于一些回归问题，需要根据特殊情况自定义损失函数。1、所有的loss的基类是Module，
转载
2024-06-07 14:28:12
123阅读
## Python实时绘制Loss和Acc曲线
在深度学习中，我们经常需要训练模型并观察其损失（Loss）和准确率（Accuracy）的变化趋势。这种实时监测可以帮助我们了解模型的训练进展情况，以及是否需要调整超参数或改进模型结构。本文将介绍如何使用Python实时绘制Loss和Acc曲线，并提供相应的代码示例。
### 实时绘制Loss和Acc曲线的重要性
在训练深度学习模型时，我们通常会
原创
2023-08-31 05:14:49
1315阅读
代码参考：#加载keras模块from __future__ import print_functionimport numpy as npnp.randt...
转载
2023-06-25 09:35:19
118阅读
在训练神经网络时，如果想了解训练的具体情况，可以在终端中打印出各种训练信息，但这种方法不够直观，难以从整体角度判断模型的收敛情况，因此产生了各种数据可视化工具，可以在网络训练时更好地查看训练过程中的各个损失变化情况，监督训练过程，并为进一步的参数优化与训练优化提供方向 在PyTorch中，常用的可视化工具有TensorBoardX和VisdomTensorBoard简介： TensorBoardX
转载
2024-01-08 15:00:41
70阅读
ACC自适应巡航系统想必不用多说，从名字就能猜个大概，简单来说就是当你设定好车速和前车距离，车辆就会自动控制油门和刹车辅助你驾驶，以缓解驾驶员疲劳，当前方有车的时候可以与前车保持设定的距离，自动加减速，没有车的时候按照设定的速度巡航，尤其是在城市拥堵的路况和高速道路行驶中更能体现其优势。 如今越来越多的车型上搭载这套驾驶辅助系统，越来越多的普通购车消费者也会接触到这一科技
转载
2023-11-02 19:28:57
96阅读
状态机介绍在RM内部维护着所有Application的状态。对于每个Application都有一个RMApp对象与之对应。在RMApp的实现类RMAppImpl中，维护着对象的基本信息，包括起始时间、名字、用户、组等信息，其中最复杂的部分莫过于其维护的状态机。状态与转换解释NEW RMApp的初始状态，当客户端通过RPC调用RM的submitApplication方法后，RM会初始化RMAppIm
写一点自己理解的AdaBoost，然后再贴上面试过程中被问到的相关问题。按照以下目录展开。当然，也可以去我的博客上看Boosting提升算法AdaBoost
原理理解实例算法流程公式推导面经 Boosting提升算法AdaBoost是典型的Boosting算法，属于Boosting家族的一员。在说AdaBoost之前，先说说Boosting提升算法。Boosting算法是将“弱学习
1.深复制和浅复制的区别 对象拷贝的两种方式，深复制就是复制整个对象到另一个内存中，浅复制就是复制指向对象的指针，并不拷贝对象本身。 简单的来说浅复制就是两个变量指向了同一块内存区域，深复制就是两个变量指向了不同的内存区域，内存中的类容是一样的。2.非集合对像的copy和Mutablecopy （1）可变对象的copy和mutableCopy方法都是深复制 （2）不
## 实现ACC 架构指南
### 概述
在软件开发过程中，ACC 架构是一种常用的架构模式，可以帮助开发者更好地组织和管理代码。本文将介绍ACC 架构的实现步骤，并给出每一步所需的代码示例。
### ACC 架构实现步骤
以下是实现ACC 架构的基本步骤，可以通过表格展示如下：
| 步骤 | 描述 |
| ----- | ------- |
| 1 | 创建Action文件夹 |
| 2
原创
2024-05-09 04:18:18
70阅读
前言TensorFlowBoard过于强大，导致我对它依赖性很强，今年转手使用pytorch进行开发，本以为没了TensorFlowBoard，后来发现人家Tensorflow封装了个TensorFlowBoardX，专门给其他深度学习框架使用，不得不说TensorFlow确实厉害。不过用的久了我就有点嫌麻烦了，因为每一次都要用命令去解析events文件，然后生成网址，复制到浏览器打开，有时候打不
原创
2023-03-03 09:51:17
1965阅读
讲解了在随后的章节中用来实现、分析和比较算法的基本原则和方法。颠倒数组元素的顺序int N = a.length;
for(int i = 0; i < N/2; i++){
double temp = a[i];
a[i] = a[N-1-i];
a[N-i-1] = temp;
}矩阵相乘（方阵，行列相等）int N = a.length;
double[
转载
2024-08-11 11:34:29
36阅读
