本文就R-CNN论文精读中 的预测框回归（Bounding box regression）问题进行详细讨论。R-CNN将候选框提取出来的特征向量，进行分类+偏移预测的并行处理。 偏移预测即预测框回归（Bounding box regression）问题，我们需要将生成的候选框进行位置、大小的微调。（图摘自b站up“同济子豪兄”的R-CNN论文解读） 我们需要思考这样一个问题：为什么加入这一个Reg
转载
2023-12-15 11:56:57
153阅读
注解：
fun_data()函数生成训练数据和标签，同时生成测试数据和测试标签
HIDDEN_SIZE = 128，使用128维的精度来定义LSTM的状态和输出精度,就是LSTM中的h,clstm_model()函数定义了一个可重入的模型，
分别由评估函数和训练函数调用，在训练前使用空模型预测并输出未训练数据并可视化
通过with tf.variable_scope("lstm_model",r
1、其中LRN就是局部响应归一化：这个技术主要是深度学习训练时的一种提高准确度的技术方法。其中caffe、tensorflow等里面是很常见的方法，其跟激活函数是有区别的，LRN一般是在激活、池化后进行的一中处理方法。 AlexNet将LeNet的思想发扬光大，把CNN的基本原理应用到了很深很宽的网络中。AlexN
转载
2024-04-28 20:20:44
52阅读
研一上对CNN学习过一段时间，现在要用到论文里面，所以对此进行复习。 附上链接：http://cs231n.github.io/convolutional-networks/#case普通神经网络的参数太多，所以要使用卷积神经网络，其次因为卷积神经网络输入是图片，是三维结构，每一过程都是三维结构。 使用Relu的作用：Relu是一个激活函数，使用它可以让模型实现非线性分类。使用Local Resp
转载
2024-04-01 08:23:21
71阅读
1.生成R_net数据集，并喂入R_net网络训练为了提高R_net数据的质量，我们的R_net数据集会通过P_net精炼一下。把回归框中对应的图片从原理图片中crop出来，resize生成24*24的大小。运行P_Net，得到每个回归框的分类得分和坐标的回归值。P_Net中推理出来的 bounding box 坐标可能超出元素图片的大小，这时候需要做图片处理，把坐标值限定在元素图片内，而空出来的
转载
2024-03-31 20:23:59
56阅读
0510 RNN的东西不会去忘记，直接一串子全部保留下来 Lstm 长短时记忆 可以控制这个参数也是需要去训练 逐渐优化 得到的门单元ft 遗忘门 it 保留门输入经过了一个遗忘门，经过了一个保留门选择性的遗忘和保留 是随时更新ct的状态的 从开始更新到结束 Classification and Location 分类与
转载
2024-03-17 10:41:27
146阅读
机器学习的应用示例分析生产线上的产品图像来对产品进行自动分类
图像分类问题，使用卷积神经网络CNN通过脑部扫描发现肿瘤
语义分割，图像中的每个像素都需要被分类，也是用CNN自动分类新闻、恶意评论标记、长文总结
自然语言处理（NLP），更具体的是文本分类，可以使用循环神经网络（RNN）、CNN或者Transformer基于很多性能指标预测来年收入
回归问题，需要回归模型进行处
转载
2024-05-08 17:08:44
67阅读
前言本文大致分成两大部分，第一部分尝试将本文涉及的分类器统一到神经元类模型中，第二部分阐述卷积神经网络（CNN）的发展简述和目前的相关工作。本文涉及的分类器（分类方法）有：线性回归逻辑回归（即神经元模型）神经网络（NN）支持向量机（SVM）卷积神经网络（CNN）从神经元的角度来看，上述分类器都可以看成神经元的一部分或者神经元组成的网络结构。各分类器简述逻辑回归说逻辑回归之前需要简述一下线性回归。图
转载
2023-12-12 15:31:14
429阅读
（1）消除li 前面的点 使用 ul {list-style:none; }并且ul之外会有一个容器，nav等 利用margin值保持和其他元素的等高度。 (2) <h1>
回归自然</h1>
<p></p>
<p></p>
<p></p>
<p><
基于MATLAB的深度学习工具箱（推荐2018b以上），实现CNN回归。网上的例子比较少，这里简单的说一下传统的多输入单输出怎么做。手把手的教（PS:MATLAB自带一个回归教程，竟然还是有学生不知道对照着写）1、首先加载数据与数据集划分clc;clear;close all
load data
n=700;
train_x=input(:,1:n);
train_y=output(:,1:n)
转载
2023-10-06 20:48:30
274阅读
之前的很多算法（SVM、朴素贝叶斯等）的学习心得都没有来的及写。由于学校一个横向项目需要（酒店需求预测）考虑使用GBDT来做回归，今天就先写GBDT的心得体会（不久前刚写了随机森林作为铺垫）。这个算法是目前我接触到的算法当中比较难的一个了，但据说效果超级好，毕竟Kaggle竞赛的必备算法哈。 同随机森林
转载
2023-10-17 23:18:50
85阅读
1.概述 GBDT基于GB算法。GB算法的主要思想是，每次建立模型是在之前建立模型损失函数的梯度下降方向。损失函数是评价模型性能(一般为拟合程度+正则项)，认为损失函数越小，性能越好。而让损失函数持续下降，就能使得模型不断调整提升性能，其最好的方法就是使损失函数沿着梯度方向下降。GBDT再此基础上，基于负梯度(当损失函数为均方误差的时候，可以看作是残差)做学习。 2.原理 类似于随机森林
转载
2023-07-17 12:18:52
132阅读
可以从一个基本的例子对其进行解释。比如，我们可以在卷积神经网络（CNN）的最终卷积（conv）特征图上添加一个回归头。回归头可以是具有四个输出（x，y，w，h）的浅层全连接神经网络（NN）。一般来说，回归头可以使用基于梯度的算法进行优化，达到获取待检测对象位置的目的。 但是使用回归头有一个极大的限制，就是当图像中只有一个对象时才管用。如果场景中有两个或多个对象，则可能会干扰边界框的回归，因为每个对
转载
2024-05-07 09:42:11
52阅读
一、原理篇1.1 温故知新回归树是GBDT的基础，之前的一篇文章曾经讲过回归树的原理和实现。链接如下：回归树的原理及Python实现1.2 预测年龄仍然以预测同事年龄来举例，从《回归树》那篇文章中我们可以知道，如果需要通过一个常量来预测同事的年龄，平均值是最佳选择之一。1.3 年龄的残差我们不妨假设同事的年龄分别为5岁、6岁、7岁，那么同事的平均年龄就是6岁。所以我们用6岁这个常量来预测同事的年龄
转载
2024-04-29 09:45:32
70阅读
第一部分：参数说明
（一）、简述
sklearn自带的ensemble模块中集成了GradientBoostingRegressor的类，参数包括：
class
sklearn.ensemble.
GradientBoostingRegressor
(
loss=’ls’
,
learning_rate=0.1
,
n_estimators
转载
2024-05-08 09:55:35
63阅读
LIBSVM做回归预测--终于弄通（原创） 看了网上很多帖子和博客，自己琢磨了很久到现在才弄明白怎么用libsvm来做预测。因为网上的帖子一般都是转来转去的，所以第一个人感觉这样写详细了， 之后的人不管懂不懂照搬不误，这就苦了我们笨的人啦。不过我研究了一天，终于有点眉目，写点体会，应该会比较详细吧，至少是过来人碰到的问题。 p.s.这里暂且不讨论分类问题，其实分类比预测简单，下载
原创
2023-07-04 20:51:19
82阅读
文章目录一、利用Excel的数据分析实现线性回归1.1、添加数据分析工具1.2、使用数据分析库完成线性回归练习1.3、选择添加趋势线1.4、对200组、2000组数据的分析二、Python编程实现线性回归三、Python借助skleran库四、总结五、参考资料 一、利用Excel的数据分析实现线性回归1.1、添加数据分析工具 选择分析工具库和分析工具库-VBA，点击转到后点击确定1.2、使用数据
转载
2023-07-28 15:42:31
89阅读
# Python做回归预测的好处
## 1. 引言
Python是一种简单易学的编程语言，拥有丰富的库和工具，被广泛应用于数据分析和机器学习领域。在回归预测领域，Python具有很多优势，本文将介绍使用Python进行回归预测的流程和具体步骤，并给出相应的代码示例。
## 2. 回归预测的流程
下面是回归预测的一般流程，我们可以用表格形式展示每个步骤：
| 步骤 | 描述 |
| ----
原创
2023-09-13 10:55:51
85阅读
一、线性回归首先，在介绍线性回归之前，先用一个简化的模型作为引入。假设某地的房价影响因素有地理位置、人流量以及面积大小，分别记为x1、x2、x3。而房屋的最终成交价 y = w1x1 + w2x2 + w3x3 + b。此即为线性模型，给定了n维输入 X = [x1, x2, ... , xn]T，以及模型的n维权重 w = [w1, w2, ..., wn]T和标量偏差b，模型的输出
转载
2023-10-08 08:08:41
267阅读
— 全文阅读3分钟 —在本文中，你将学习到以下内容：GBDT算法实现模型保存模型加载及预测前言GBDT属于Boosting算法，它是利用损失函数的负梯度方向在当前模型的值作为残差的近似值，进而拟合一棵CART回归树。GBDT的会累加所有树的结果，而这种累加是无法通过分类完成的，因此GBDT的树都是CART回归树，而不是分类树（尽管GBDT调整后也可以用于分类但不代表GBDT的树为分类树）。本文就是
