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
# 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
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
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.
4章 机器学习基础4.1 三类机器学习4.2 机器学习术语4.3 评估模型4.4 数据预处理和特征工程4.4 过拟合和欠拟合4.5 机器学习模型基本设计流程 4.1 三类机器学习1. 有监督学习:有标签数据的学习（需要得到的学习结果为具体的、可表示的、可描述的）分类问题回归问题分割问题识别问题2. 无监督学习：没有标签数据的学习（对数据进行整理，归类寻找特征）聚类问题降维问题3. 强化学习4.2
转载
2023-08-13 19:18:44
83阅读
13.1 未标记样本事实上，未标记样本虽未直接包含标记信息，但若它们与有标记样本是从同样的数据源独立同分布采样而来，则它们所包含的关于数据分布的信息对建立模型将大有裨益。下图给出一个直观的例示。若仅基于图中的一个正例和一个反例，则由于待判别样本恰位于两者正中间，大体上只能随机猜测；若能观察到图中的未标记样本，则将很有把握地判别为正例。 让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就
本文详细介绍了类别不平衡的概念、导致分类困难的原因、解决方案、类别不平衡时评价指标以及方案选择建议。
本文详细介绍了类别不平衡问题，目录：1 什么是类别不平衡问题？2 类别不平衡导致分类困难的原因？3 类别不平衡的解决方法？4 如何选择类别不平衡中学习的评价指标？5 关于解决方法选择的一些建议？6 小结1 什么是类别不平衡问题？类别不平衡（class-i
转载
2023-07-24 23:54:26
0阅读
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
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法1、生成式半监督学习 优点：方法简单，容易实现。通常在有标记数据极少时，生成式半监督学习方法比其他方法性能更好 缺点：假设的生成式模型必须与真实数据分布吻合。如果不吻合则可能效果很差。而如何给出与真实数据分布吻合的生成式模型，这就需要对问题领域的充分了解2、图半监督
转载
2023-08-17 16:24:39
97阅读
【翻译自： Semi-Supervised Learning With Label Propagation】 【说明：Jason Brownlee PhD大神的文章个人很喜欢，所以闲暇时间里会做一点翻译和学习实践的工作，这里是相应工作的实践记录，希望能帮到有需要的人！】  
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
利用基于对比学习的半监督聚类算法进行意图挖掘
《Semi-Supervised Clustering with Contrastive Learning for Discovering New Intents》
论文地址：https://arxiv.org/pdf/2201.07604.pdf一、简介1. 意图挖掘 任务导向的对话系统依赖于自然语言理解()，用于将对话分类到一个已知的意图，并利
本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。 监督，无监督，半监督学习介绍 在正式介绍实现半监督学习之前，我在这里首先介绍一
半监督： 半监督学习是指监督学习与无监督学习的结合，是在含有少量被标记数据的情况下,利用大量未标记图像进行无监督学习从而改善监督学习的性能。半监督GAN用于分类的步骤： 将GAN中判别器的输出层替换成softmax分类器，假设训练数据有C类，则softmax输出C+1类，多一个生成器生成的伪图像的概率。由于判断真伪图像的任务是无监督的，因此我们可以利用到大量的未标注样本来进行训练。 训练时将未标注
1、监督学习（supervised learning）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，即生成合适的函数将输入映射到输出。2、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
# 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
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
