文章还不完善，会慢慢更新。1.介绍2.Deep learning:深度学习已经广泛应用各个领域，不管是图像识别还是语音识别方面均已超过原有的机器学习算法。取代了传统的人工特征方法。2.1 Spectrogram：声音信号是一维时域信号。通过傅里叶变换，到频域上可以看出信号的频率分布，但是丢失了时域信息，无法看出频率分布随时间的变化。为了解决这个问题，常用的办法是短时傅里叶变换（STFT）。2.1.
1. 随机森林优缺点随机森林（RF）是Bagging的一个扩展变体。RF在以决策树为基分类器进行集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。Bagging就是对数据集训练多个基分类器，然后将基分类器得到的结果进行投票表决作为最终分类的结果。基分类器在构建过程中需要尽可能保证训练出的基分类器有比较大的差异性，这就需要用对训练样本集进行采样，不同的基分类器训练不同的样本集。但是样本过少
写在最前：在系统地学习了Transformer结构后，尝试使用Transformer模型对DNA序列数据实现二分类，好久前就完成了这个实验，一直拖着没有整理，今天系统的记录一下，顺便记录一下自己踩过的坑1、数据说明两个csv文件，共有三列，第一列是id，第二列每个数据都是一长串dna序列，第三列是它们的label，分别是0和1。数据的data列有点长，此处截了一部分供大家参考：2、python库准
深度学习不能只是一味的看paper，看源码，必须要亲自动手写代码。最近好好学了下TensorFlow，顺便自己写了一个简单的CNN来实现图像分类，也遇到了不少问题，但都一一解决，也算是收获满满。重在实现，不在结果。 首先我使用的数据集是CIFAR-10IDE使用的是ipython notebook（并不好用，建议少用ipynb）模型结构层数比较少，因为我的笔记本并跑不快。 两个卷积层，两个全连
论文发表时间比较长，于2015年发表于ICCV，International conference on computer vision。 一作是韩国人，就读于韩国浦项工科大学计算机科学与工程系。 论文地址：Learning Deconvolution Network for Semantic Segmentation1.Introduction卷积神经网络在各类视觉识别类任务如图像分类、目标检测
最近尝试学习使用了深度学习框架pytorch，记录如下内容。主要是分析例程CIFAR10数据分类网络。1，网络的定义网络部分的定义主要是两个部分。（1）组成网络的各个模块定义。如卷积层，池化层，全连接层等。a. 卷积层定义。卷积层定义使用函数torch.nn.Conv2d()，主要参数包括in_channels，out_channels,kernel_size等。这里主要介绍这三个参数的含义和使用
ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。 1） ROC曲线 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模
电影评论好坏分类(随笔)加载数据集from keras.datasets import imdb
(train_data, train_labels),(test_data,test_labels) = imdb.load_data(num_words=10000)
##此处10000是为了保留训练数据中前10000个最常出现的单词，并抛弃低频的单词，保证数据不会太大解码评论,将整数转换成单词##
正文介绍到目前为止，在本课程中，我们已经了解了神经网络如何解决回归问题。现在我们将把神经网络应用于另一个常见的机器学习问题：分类。到目前为止，我们所学到的大部分知识仍然适用。主要区别在于我们使用的损耗函数，以及我们希望最后一层产生什么样的输出。二分类分类为一个常见的机器学习问题之一。你可能想预测客户是否有可能进行购买，信用卡交易是否存在欺诈，宇宙信号是否显示有新行星的证据，或者医学检测有疾病的证据
一、研究背景语义分割是计算机视觉方向的基础问题之一，如上图所示，该任务是将图片中的每一个目标逐像素分割出来，并且标明该目标是属于哪一类，比如人，车或者马等大类。基本挑战：结合全局和局部信息的分割任务，在分割相应目标类的同时，如何确保每一个像素被准确分类，通常需要保证边界的精细度。常用数据集：PASCAL VOC 2012，MS COCO， CitySc
卷积神经网络（CNN）的作用远不止分类那么简单！在本文中，我们将看到卷积神经网络（CNN）如何在图像实例分割任务中提升其结果。自从 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever 在 2012 年赢得了 ImageNet 的冠军，卷积神经网络就成为了分割图像的黄金准则。事实上，从那时起，卷积神经网络不断获得完善，并已在 ImageNet 挑战上超越人类。
Keras学习之三：用CNN实现cifar10图像分类模型1 卷积神经网络简介卷积神经网络和全连接神经网络一样，都是由多个神经网络层连接而成。不同的是CNN一般是由多个卷积层，池化层交替连接起来，用于提取输入数据的高层特征，并缩小数据的维度。最后对提取出的特征进行神经网络分类形成最终的输出。更详细的卷积神经网络相关知识可参见第4节提供的链接。2 Keras对CNN的支持keras.layers包中
文章目录引言ROC的引入混淆矩阵ROC曲线的解释EERAUC 引言 本文旨在介绍ROC曲线及其前置概念如混淆矩阵、FPR、TPR等，还有其引申概念EER、AUC等等。ROC的引入 ROC曲线是一张用于评价二分类模型的曲线图，典型如下图所示： 理论上来说，该曲线越靠近坐标系的左上角说明该二分类器的表现越好，一个理想的二分类的ROC曲线应如下图所示：混淆矩阵 为了了解ROC曲线横纵轴所代表的意义及曲
前言：在上一篇文章中，我们简单讲解了文本识别分类器之卷积神经网络（CNN）分类器，在这篇文章中，将从 文本识别分类器的结构，文本识别分类器的输入，以及 文本识别模块的设计 三个方面讲述。1.文本识别分类器的结构如上图所示，文本识别分类器由一个十层的卷积神经网络组成，其中包括一个输入层和一个输出层，中间八层分为四组，每一组由一个卷积层和一个Maxout激活函数层组成。Maxout激活函数有着如下的表
本文介绍如何使用keras作图片分类（2分类与多分类，其实就一个参数的区别。。。呵呵） 先来看看解决的问题：从一堆图片中分出是不是书本，也就是最终给图片标签上：“书本“、“非书本”，简单吧。先来看看网络模型，用到了卷积和全连接层，最后套上SOFTMAX算出各自概率，输出ONE-HOT码，主要部件就是这些，下面的nb_classes就是用来控制分类数的，本文是2分类： from kera
1.引言1.1.什么是PytorchPyTorch是一个开源的Python机器学习库。1.2.什么是CNN卷积神经网络(Convolutional Neural Networks)是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。1.2.什么是MNISTMNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片，以及每一张图片对应的标签，告诉我们这个是数字几。 这里我们
导包：1 import torch
2 import torch.nn as nn
3 import torch.nn.functional as F
4 import torch.optim as optim
5 from torchvision import datasets, transforms关于torchvision：torchvision是独立于pytorch的关于图像操作的一些方便
对matrix或array型数据做2分类时，如何画出其roc曲线？1）首先看一下roc_curve的定义： ROC曲线的全称是“受试者工作特性”曲线（Receiver Operating Characteristic），源于二战中用于敌机检测的雷达信号分析技术。是反映敏感性和特异性的综合指标。它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）
基础监督学习经典模型监督学习任务的基本架构和流程： 1.准备训练数据； 2.抽取所需特征，形成用于训练特征向量(Feature Vectors)； 3.训练预测模型(Predictive Model)； 4.抽取测试数据特征，得到用于测试的特征向量； 5.使用预测模型对待测试特征向量进行预测并得到结果(Label/Target)。分类学习 1.二分类（Binary Classifica
本篇记录一下如何使用bert进行二分类。这里用到的库是pyotrch-pretrained-bert，原生的bert使用的是TensorFlow，这个则是pytorch版本。本篇文章主要参考了基于BERT fine-tuning的中文标题分类实战的代码以及如何用 Python 和 BERT 做中文文本二元分类？的数据。本文的github代码地址：https://github.com/sky9452
