数据扩增Part 1 数据读取与数据扩增图像读取数据扩增基于图像处理的数据扩增几何变换灰度和彩色空间变换添加噪声和滤波图像混合（Mixing images）随机搽除（Random erasing）基于深度学习的数据扩增使用PyTorch进行数据增强使用Albumentations进行数据增强Part 2 评价与损失函数IOUDice coefficientDice LossBinary Cros
语音数据添加高斯噪声或白噪声，取决于所需要的应用场景。 如果需要模拟真实世界中的环境噪声，例如在语音识别或说话人识别任务中，通常会使用高斯噪声来模拟背景噪声。因为真实的环境噪声往往也是由许多不同频率和强度的声波
转载
2023-10-01 11:53:54
426阅读
数据降噪在机器学习中具有重要的意义，主要体现在以下几个方面：1. 提高模型性能： 噪声可能导致模型过拟合训练数据中的噪声而降低泛化性能。通过降噪可以去除或减小数据中的噪声，使得模型更专注于真实的模式和规律，从而提高模型在新数据上的性能。2. 增强模型的鲁棒性： 噪声可能导致模型对输入的微小变化敏感，从而降低模型的鲁棒性。通过降噪可以削弱噪声对模型的影响，使得模型对输入数据的变化更加稳健。3. 改善
pytorch之四参数初始化# -*- coding: utf-8 -*-
"""
Created on Fri Jul 27 20:57:51 2018
@author: dj
"""
import numpy as np
import torch
from torch import nn使用 NumPy 来初始化因为 PyTorch 是一个非常灵活的框架，理论上能够对所有的 Tensor 进
In continuation of my previous post ,we will keep on deep diving into basic fundamentals of PyTorch. In this post we will discuss about ways to transform data in PyTorch. 延续我以前的 发布后 ，我们将继续深入研究PyTorc
Python+Tensorflow+Opencv的人脸识别简单的人脸识别准备工作开始——先获取必要的人脸图像训练——分类吧识别大脸 简单的人脸识别一直想做机器学习的东东，最近由于工作的调整，终于有开始接触的机会了，哈哈。本文主要代码是来源于“就是这个七昂”的博文，传送门在此：。”就是这个七昂”大大在他的博文中已经将人脸识别的过程讲的很清楚了。说来忏愧，在算法上我没有改变（我自己还没搞清楚，打算好
后面的所有变换，均以此为原图：一、改变尺寸resizeimport math
import random
import torch
from PIL import Image, ImageDraw
import torchvision.transforms.functional as F
def resize(img, boxes, size, max_size=1000):
w, h
torchvision 是 torch 中计算机视觉库，提供了3种类型的接口，包括 datasets、transforms、model，其中 transforms 封装了各种图像数据增强的方法 裁剪transforms.CenterCrop(size)：从图像中心裁剪图片size：裁剪尺寸transforms. RandomCrop：从图像中随机裁剪出指定尺寸的图片size：裁减尺寸pa
转载
2023-06-13 18:56:34
247阅读
大家在训练深度学习模型的时候，经常会使用 GPU 来加速网络的训练。但是说起 torch.backends.cudnn.benchmark 这个 GPU 相关的 flag，可能有人会感到比较陌生。在一般场景下，只要简单地在 PyTorch 程序开头将其值设置为 True，就可以大大提升卷积神经网络的运行速度。既然如此神奇，为什么 PyTorch 不将其默认设置为&nb
linear Regression、rigde、lasso的python代码实现。包括了若干算法，如Adam下降求解线性回归、ridge，迭代ridge、坐标下降求解lasso等。代码github自取(点个star支持下 ？) https://github.com/vincen-github/Machine-Learning-Codegithub.com
# author:vi
数据增强数据增强又称为数据增广，数据扩增，它是对训练集进行变换，使训练集更丰富，从而让模型更具泛化能力。 数据增强 ---> 如我们高考之前做的五年高考，三年模拟一 、 transforms. --
# -*- coding: utf-8 -*-import PIL.Image as Imageimport osfro
原创
2023-05-18 17:10:01
99阅读
# PyTorch数据增强
在深度学习领域中，数据增强是一种常用的技术，通过对训练数据进行随机变换和扩充，可以增加数据集的多样性，减少过拟合，并提高模型的鲁棒性。PyTorch是一种常用的深度学习框架，提供了丰富的数据增强方法，本文将介绍PyTorch中常用的数据增强技术，并通过代码示例说明其用法。
## 数据增强方法
PyTorch中的数据增强方法包括图像变换、图像加噪、图像裁剪和翻转等。
原创
2023-09-07 20:14:07
237阅读
一、继承nn.Module类并自定义层我们要利用pytorch提供的很多便利的方法，则需要将很多自定义操作封装成nn.Module类。首先，简单实现一个Mylinear类： from torch import nn
# Mylinear继承Module
class Mylinear(nn.Module):
# 传入输入维度和输出维度
def __init__(self,in_d
音频时域波形具有以下特征：音调，响度，质量。我们在进行数据增强时，最好只做一些小改动，使得增强数据和源数据存在较小差异即可，切记不能改变原有数据的结构，不然将产生“脏数据”，通过对音频数据进行数据增强，能有助于我们的模型避免过度拟合并变得更加通用。 我发现对声波的以下改变是有用的：Noise addition(增加噪音)、增加混响、Time shifting(时移)、Pitch shiftin
转载
2023-09-01 08:58:55
660阅读
问题导入在机器学习领域中，常见的一类工作是使用带标签数据训练神经网络实现分类、回归或其他目的，这种训练模型学习规律的方法一般称之为监督学习。在监督学习中，训练数据所对应的标签质量对于学习效果至关重要。如果学习时使用的标签数据都是错误的，那么不可能训练出有效的预测模型。同时，深度学习使用的神经网络往往结构复杂，为了得到良好的学习效果，对于带标签的训练数据的数量也有较高要求，即常被提到的大数据或海量数
import numpy as np from PIL import ImageDraw, Imageimport matplotlib.pyplot as pltdef randomErasing(img, p=0.5, sl=0.02, sh=0.4, r1=0.3, r2=3): """ 随机擦除 """ if np.random.rand() > p: return img img = np.array(i
原创
2022-02-11 10:30:42
130阅读
import numpy as np from PIL import ImageDraw, Imageimport matplotlib.pyplot as pltdef randomErasing(img, p=0.5, sl=0.02, sh=0.4, r1=0.3, r2=3): """ 随机擦除 """ if np.random.rand() > p: return img img = np.array(i
原创
2021-06-18 14:09:30
394阅读
一、PhotometricDistortclass PhotometricDistort(object):
def __init__(self):
#定义6个操作
self.pd = [
RandomContrast(),
ConvertColor(transform='HSV'),
R
# Python 数据加白噪声
## 引言
在数据分析和信号处理领域，添加噪声是一种常见的技术手段。噪声是指在测量或传输过程中引入的随机干扰信号，它能够模拟现实世界中的不确定性和随机性。其中，白噪声是一种特殊类型的噪声，它具有平均功率密度在所有频率上相等的特性。在本文中，我们将介绍如何使用Python生成并添加白噪声到数据中。
## 白噪声的性质
白噪声是一种随机信号，具有以下特性：
1
原创
2023-08-30 04:55:08
271阅读
