1. 评价指标在对比不同模型时，我们需要在测试集上用评价指标去对比模型的泛化能力。当然不同的评价指标会有不同的结果，模型的“好”与“差”是相对的。可能在某个指标下，模型A的效果优于模型B；但在另一个指标下，模型B的效果却优于模型A。我们需要全面了解一个任务的评价指标体系，然后根据具体的业务目标/任务需求去选择相应的评价指标，继而选出符合业务目标/任务需求的好模型。2. 二分类任务评价指标之精度、错
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
转载
2024-08-08 11:51:45
218阅读
【新智元导读】ICLR 2019一篇论文指出：DNN解决ImageNet时的策略似乎比我们想象的要简单得多。这个发现使我们能够构建更具解释性和透明度的图像分类管道，同时也解释了现代CNN中观察到的一些现象。全文约3300字6图，读完可能需要10分钟CNN非常擅长对乱序图像进行分类，但人类并非如此。在这篇文章中，作者展示了为什么最先进的深度神经网络仍能很好地识别乱码图像，探究其中原因有助于
基于深度学习的声音分类前言今天花了一天时间来复现哭声识别，从网上找了很多资料发现整合起来还是比较困难的。这里我做一下笔记方便后面的学习，希望对大家也有一定的帮助。基础知识音频与我们生活有着十分联系。 我们的大脑不断处理和理解音频数据，并为您提供有关环境的信息。 一个简单的例子就是你每天与人交谈。 这个演讲被另一个人看出来进行讨论。 即使你认为自己处于一个安静的环境中，你也会听到更微妙的声音，比如树
# 基于CNN的二分类任务实现（PyTorch）
卷积神经网络（CNN）因其在图像处理中的优越性能而广泛应用。在许多实际场景中，二分类任务是最基础也是最重要的应用之一。本文将介绍如何使用PyTorch框架构建一个简单的CNN模型来处理二分类问题，并展示相关代码示例。
## 1. CNN的基本概念
CNN主要由卷积层、池化层和全连接层组成。以下是CNN的基本结构：
- **卷积层**：提取输
3 实现几何图形及颜色分类3.1 提出问题在前两节我们学习了如何按颜色分类和按形状分类几何图形，现在我们自然地想到如果把颜色和图形结合起来，卷积神经网络能不能正确分类呢？请看样本数据，如图18-26。图18-26 样本数据一共有3种形状及3种颜色，如表18-4所示。表18-4 样本数据分类和数量红色蓝色绿色圆形600:100600:100600:100矩形600:100600:100600:100
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.
转载
2024-08-29 07:36:48
174阅读
一.深空探测特点：观测对象：对外天体 注：本课题的方向：地球中ZZ目标精准定位，故不对月球、火星遥感内容进行讨论。探测空间环境的复杂性；光照、温度等，（具体指标见二.②但是否需要考虑需讨论）；探测目标特性的未知性和不确定性；先验少，定标难；（样本不标准二.①）体积、重量、功耗资源约束；（分布式计算）探测距离远、数传能力相对有限（码速率低），对数据压缩及其有效性要求高（暂不做讨论）二.已知深空探测需
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
转载
2023-11-03 05:55:58
147阅读
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
转载
2023-11-14 21:42:31
135阅读
前言最近在b站发现了一个非常好的 计算机视觉 + pytorch实战 的教程，相见恨晚，能让初学者少走很多弯路。 因此决定按着up给的教程路线：图像分类→目标检测→…一步步学习用 pytorch 实现深度学习在 cv 上的应用，并做笔记整理和总结。up主教程给出了pytorch和tensorflow两个版本的实现，我暂时只记录pytorch版本的笔记。pytorch官网入门demo——实现一个图像
转载
2023-08-25 19:01:04
252阅读
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
转载
2024-03-18 08:51:44
79阅读
文章目录一、相关概念1.logistic回归1.1前言1.2目的1.3流程1.4Sigmoid函数1.4.1公式1.4.2图像1.5优缺点2.最优化方法2.1梯度上升算法2.1.1梯度公式2.1.2例子2.1.3迭代公式2.1.4训练步骤2.2梯度下降算法2.2.1与梯度上升算法的区别2.2.2迭代公式2.2.3训练步骤2.3随机梯度上升算法2.3.1训练步骤3.分类3.1二分类3.2多分类3.
转载
2023-10-11 09:46:36
606阅读
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
转载
2023-10-05 12:18:02
25阅读
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
转载
2024-03-15 11:21:16
68阅读
二分类问题可能是应用最广泛的机器学习问题，它指的是所有数据的标签就只有两种，正面或者负面。在这个例子中，我们学习根据电影评论的文字内容将其划分为正面或者负面。数据集介绍：本节使用IMDB数据集，它包含来自互联网电影数据库（IMDB）的50000条严重两极分化 的评论。数据集被分为用于训练的25000条评论和用于测试的25000条评论，训练集和测试集都包含50%的正面评论和50%的负面评论。为什么要
转载
2023-08-17 17:05:41
0阅读
基于深度学习的文本分类-TextCNN综述数据TextCNN原理介绍完整代码(应用在该天池数据集上)TextCNN的超参数调参 综述和上篇文章一样，重在实践。结合天池比赛数据，附带完整代码。数据数据集天池比赛，可自行下载或者联系我: TextCNN原理介绍TextCNN 是利用卷积神经网络对文本进行分类的算法，由 Yoon Kim 在 “Convolutional Neural Netw
对机器学习中常用的分类算法进行总结目录1.逻辑回归（1）LR思想（2）损失函数（3）参数更新（4）如何应用于多分类2.naive byeis（1）NB原理（2）NB优缺点3.SVM（1）划分超平面（2）支持向量（3）拉格朗日求解（4）非线性支持向量机和核函数（5）软间隔最大化（6）与LR的区别（面试常考）4.KNN（1）KNN原理（2）三要素（3）KNN优缺点5.综合选择1.逻辑回归（1）LR思想
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
转载
2024-07-19 06:18:05
24阅读
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。
转载
2024-04-07 21:23:54
123阅读
