一，深度学习基础1. 了解常见的四个机器学习方法监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法：监督学习：通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。无监督学习：它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接
机器学习基础监督学习给定学习目标（标签），让预测值与目标更加接近。主要是 传统的二分类，多分类，多标签分类，还有新的目标检测，目标识别，图形分割等无监督学习没有标签的数据，通过推断输入数据中的结构来建模，模型包括关联学习，降维，聚类等半监督学习这个就是前两者的结合，使用大量的没标记的数据，同时由部分使用标记数据进行模式识别。自编码器就是一种半监督学习，生成的目标就是未经修改的输入，语言处理中根据给
# pytorch 半监督学习
在机器学习领域中，监督学习是最常见的学习方式之一，其需要大量带有标签的数据来训练模型。然而，获取标签数据的过程通常是昂贵和耗时的。因此，半监督学习应运而生，它利用少量的标记数据和大量的未标记数据来训练模型。本文将介绍pytorch中的半监督学习方法，并提供代码示例。
## 半监督学习简介
半监督学习是一种介于监督学习和无监督学习之间的学习方法。在半监督学习中，
原创
2023-08-03 08:19:35
913阅读
深度学习与pytorch人工智能（artificial intelligence,AI） 机器学习（machine learning) 深度学习（deep learning)一、机器学习在人工智能领域，机器学习 是实现人工智能的一个分支，也是人工智能领域发展最快的一个分支。简单地说，机器学习是计算机程序如何随着经验的积累而自动提高性能，使系统自我完善的过程。机器学习在近30多年已发展成为一门多领域
半监督语义分割方法的总结：主要思想： Consistency regularization ：希望不同扰动之下网络的输出结果一致，扰动的加入的位置：（1）在输入图片上加扰动（2）在某一层的输出特征上添加扰动创新点：鼓励两个初始化不同（不同扰动）的网络的一致性利用半监督的方式相当于扩充了数据集网络结构两个网络的结构相同，但使用不同的初始化（作为不同的扰动），具体而言，2个网络backbone部分使用
Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则：DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到
转载
2023-08-14 10:23:35
248阅读
前言 如果您曾经听说过或研究过深度学习，那么您可能就知道MNIST, SVHN, ImageNet, PascalVoc或者其他数据集。这些数据集都有一个共同点： 它们由成千上万个有标签的数据组成。 换句话说，这些集合由(x，y)对组成，其中(x)是原始数据，例如是一个图像矩阵；而(y)则表示该数据点(x)表示的标签。以MNIST数据集为例， MNIST数据集包含60,000个图像数据
转载
2023-08-22 12:42:27
153阅读
2.2 深度学习基础及数学原理深度学习并没有想象的那么难，甚至比有些传统的机器学习更简单。所用到的数学知识也不需要特别的高深，本章将会一边讲解深度学习中的基本理论，一边通过动手使用PyTorch实现一些简单的理论，本章内容很多，所以只做一个简短的介绍2.2.1 监督学习和无监督学习 监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法：监督学习：通过已有的训练样本（即
1.监督需要人工标记的数据2.无监督不需要任何标记的数据，不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类3.半监督学习利用少量有标签的数据和大量无标签的数据来训练网络 一、半监督学习可以分为：直推半监督学习、归纳半监督学习（1）直推半监督学习直推半监督学习(Semi-supervised Learning)只处理样本空间内给定的训练数据，利用训练数据中有类标签的样
经典网络笔记(pytorch)一. 深度学习基本知识1.1 深度学习分类深度学习分为监督学习,无监督学习，半监督学习和强化学习。其中监督学习是通过已有的训练样本去训练得到一个最优的模型，这个模型会将所有的输入映射为输出。无监督学习他与监督学习是完全不同的两个东西，它是在我们之前没有任何的训练样本，而直接对数据进行建模分类。半监督学习是在训练过程中结合了大量大量的未标记的数据和少量的标记数据，和使用
1、如果是通道数比较少的网络结构，比如32-64之间，那么这个网络，全精度和半精度，速度差别不会很大，半精度会稍微快个20%的样子。2、如果是通道数比较多的网络结构，比如256-512之间，那么这个网络，全精度和半精度，速度差别会比较明显，半精度是全精度速度的四倍。3、另外batch_size的影响不大。4、增加通道数，全精度inference的时间变化比较大，半精度inference的时间变化比
转载
2020-07-06 18:20:00
80阅读
概念有监督学习：训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。无监督学习（unsupervised learning）：训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础，此类学习任务中研究最多、应用最广的是"聚类" (clust
Pytorch: 图卷积神经网络-概述，半监督学习(标签传播算法)和PyTorch Geometric(PyG)安装Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, School of Artificial and Intelligence, Huazhong University of Science and
神经网络也能进行非监督学习, 只需要训练数据, 不需要标签数据. 自编码就是这样一种形式. 自编码能自动分类数据, 而且也能嵌套在半监督学习的上面, 用少量的有标签样本和大量的无标签样本学习.这次我们还用 MNIST 手写数字数据来压缩再解压图片.然后用压缩的特征进行非监督分类.训练数据自编码只用训练集就好了, 而且只需要训练 training data 的 image, 不用训练 labels.
用Pytorch进行图像分类（对一张猫和一张鱼的图片进行区分）传统挑战1、首先需要数据要想有效地使用深度学习技术，需要较大量的数据来训练神经网络，让神经网络学习并记忆他们的特征。所以我们需要很多鱼和猫的图片 **监督学习和无监督学习的区别有监督学习必须要有训练集和测试样本。在训练集中找规律，而对测试样本使用这种规律。非监督学习没有训练集，只有一组数据，在该数据集中寻找规律有监督学习的方法就是识别事
转载
2023-09-05 11:14:05
148阅读
本文回顾了一些常见的半监督算法，随后介绍了作者在 NIPS 2017 展示的 Mean Teacher 项目。 Mean Teacher 的论文地址：https://arxiv.org/abs/1703.01780；Mean Teacher 的 GitHub 地址：https:/
Pytorch：深度学习基础及数学原理监督学习和无监督学习常见机器学习方法：监督学习：通过已有的训练样本（即已知数据及对应的输出）去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出无监督学习：没有已训练样本，需要对数据进行建模半监督学习：在训练阶段结合大量未标记的数据和少量的标签数据。使用训练集训练的模型在训练时更为准确强化学习：设定一个回报函数，通过这个函数来确认是否与目标值越来
# 半监督分类pytorch实现
## 介绍
在机器学习领域，半监督学习是指使用有标签和无标签数据进行训练的一种学习方式。在半监督分类任务中，我们通常有一小部分有标签的数据和大量的无标签数据，我们的目标是通过利用无标签数据来提高分类的准确性。
本文将介绍如何使用PyTorch实现半监督分类任务。我们将使用一个简单的示例数据集来说明步骤和代码。
## 整体流程
下表展示了半监督分类任务的整个流
原创
2023-08-25 15:59:49
219阅读
# 半监督学习与CNN在PyTorch中的应用
半监督学习是一种结合了少量标注数据和大量未标注数据的学习方法。这种方法在实际应用中常常因为标注数据的稀缺而受到限制，然而，未标注数据通常更容易获得。卷积神经网络（CNN）在图像处理方面表现出色，结合半监督学习，可以显著提高模型的性能。
## 半监督学习的基本概念
在半监督学习中，使用标注数据训练模型，同时利用未标注数据来提高模型的泛化能力。这种
# 实现半监督PyTorch项目的步骤
## 流程表格
```markdown
| 步骤 | 操作 |
|------|---------------|
| 1 | 数据准备 |
| 2 | 构建模型 |
| 3 | 训练模型 |
| 4 | 测试模型 |
| 5 | 调整参数并优化 |
```
