这是一篇发表在2017CVPR上的论文，介绍了ResNet网络的升级版：ResNeXt。下面介绍我看这篇论文时候做的笔记，和大家一起分享该模型。作者提出 ResNeXt 的主要原因在于：传统的要提高模型的准确率，都是加深或加宽网络，但是随着超参数数量的增加（比如channels数，filter size等等），网络设计的难度和计算开销也会增加。因此本文提出的
ResNeXt 结构可以在不增加参数
转载
2024-07-19 15:27:38
82阅读
## 机器学习中的Residual学习
在机器学习领域，Residual学习是一种常见的技术，用于处理数据中的残差信息，以提高模型的性能和准确性。Residual学习的核心思想是学习残差函数，即原始数据和模型预测之间的差异。
### Residual学习原理
Residual学习最常见的应用是在深度学习中，特别是在残差神经网络（Residual Neural Networks，简称ResNe
原创
2024-03-24 04:55:33
123阅读
目录 机器学习基础什么是机器学习机器学习应用场景海量数据机器学习的重要性机器学习的基本术语监督学习和非监督学习监督学习：supervised learning非监督学习：unsupervised learning机器学习工具介绍Python非 PythonNumPy 函数库基础测试 Numpy 库测试 NumPy 库代码整合总结 机器学习基础什么是机器学习机器学习的基本术语监督学习和非监督学
转载
2023-08-23 11:22:32
8阅读
ResNet中的Residual是怎么来的flyfishResNet（Residual Neural Network）由微软研究院的Kaiming He、 Xiangyu Zhang、 Shaoqing Ren、 Jian Sun等四人提出的，并在ILSVRC2015比赛中取得冠军。 ILSVRC（ImageNet Large Scale Visual Recognition Competitio
转载
2024-03-25 16:04:35
92阅读
# VASP机器学习续算项目方案
在现代材料科学研究中，密度泛函理论（DFT）计算是一项基本的计算工具。然而，DFT计算通常耗时且计算资源消耗大。为了解决这一问题，我们可以结合机器学习（ML）技术，通过建立一个可用于续算的模型来加速计算过程。本文将探讨如何使用VASP和机器学习技术进行续算。
## 1. 项目背景
高效的第一性原理计算可以为材料设计提供重要的信息，但在实际应用中，重复的计算过
原创
2024-09-28 05:54:35
285阅读
微软亚洲研究院ResNet深度残差网络。 2016年CVPR最佳论文:Deep Residual Learning for Image Recognition。作者：何恺明、张祥雨、任少卿、孙剑。 通过残差模块解决深层网络的退化问题，大大提升神经网络深度，各类计算机视觉任务均从深度模型提取出的特征中获益。 ResNet获得2015年ImageNet图像分类、定位、目标检测竞赛冠军，MS COCO
转载
2023-10-31 22:18:18
80阅读
机器学习准确率是衡量模型性能的重要指标之一，它表示模型在测试集上的预测结果与实际标签的一致程度。在本文中，我们将以一个具体的分类问题为例，介绍如何计算机器学习准确率，并给出相应的代码示例。
### 问题描述
我们假设有一个鸢尾花分类问题，目标是根据花瓣和花萼的长度和宽度来预测鸢尾花的类别（Setosa、Versicolor、Virginica）。我们有一个已标注的数据集，其中包含了150朵鸢尾
原创
2024-01-14 04:12:55
204阅读
1、置信度学习 置信度学习CL流程（图1）是用于表征，发现和学习带有标签错误的一系列理论和算法，该算法使用预测的概率和嘈杂的标签对未归一化的置信关节中的样本进行计数，然后归一化以估计联合分配，修剪噪音数据，生成干净的数据作为输出。三个关键优势：（1）直接估计标签噪声的联合分布；（2）对非均匀随机标签噪声具有鲁棒性；（3）在实际的充分条件下，可进
机器学习梯度算是一个关注高效优化算法和模型训练的重要主题。梯度计算是训练模型时进行参数更新的关键环节，因此选择合适的环境和工具至关重要。在这篇博文中，我们将详细介绍解决“机器学习梯度算”问题的整个过程，包括环境预检、部署架构、安装过程、依赖管理、故障排查和版本管理。
### 环境预检
在开始之前，我们需要对目标环境进行全面的预检。这包括对系统的兼容性和性能进行评估。以下是我们的四象限图，以便直
3月19日，NVIDIA在硅谷召开GTC 2019主题演讲，NVIDIA CEO黄仁勋在演讲中，正式发布NVIDIA旗下机器人开发者工具箱Jetson Nano，它将能为机器人设计引入AI算力。黄仁勋称，英伟达正在为其Jetson产品系列推出一款新的嵌入式计算机，用于开发部署人工智能，这是迄今为止最小的计算机。CUDA-X计算机被命名为Jetson Nano，可提供472 GFLOP的计算机电源，
转载
2024-09-19 15:16:02
72阅读
# Residual深度学习实现流程
## 1. 简介
Residual深度学习（Residual Learning）是一种用于解决深度神经网络退化问题的方法。在传统深度网络中，随着网络层数的增加，模型的性能会出现饱和或者退化的情况。Residual深度学习通过引入残差连接（residual connection）来解决这个问题，使得网络可以更好地学习到输入数据的细节信息。
本文将详细介绍R
原创
2023-09-10 06:11:32
212阅读
什么是机器的大小端。 《深入理解计算机系统》给出的解释是:某些机器选择在存储器中按照最低有效字节到最高有效字节的顺序存储对象，而另一些机器则按照从最高有效字节到最低有效字节存储的顺序存储对象。前一种规则——最低有效字节在最前面的方式，称为小端法(little endian)。大多数Intel兼容机都采用这种小端模式的规则。后一种规则——最高有效字节在最前面的方式，称为大端法(big endian
转载
2024-09-28 21:23:16
37阅读
# 机器学习算力估算
在现代深度学习和机器学习的发展中，算力的需求与日俱增。合理的算力估算不仅能够帮助科研人员更好地规划训练任务，还能有效优化成本。本文将介绍如何进行机器学习算力的估算，结合具体代码示例和可视化工具。
## 什么是机器学习算力？
机器学习算力是指处理和训练模型所需的计算能力，通常涉及CPU、GPU等硬件资源。在进行深度学习任务时，尤其是使用大规模数据集和复杂网络架构时，对算力
原文：3 Machine Learning Algorithms You Need to Know 作者：Eleni Markou 翻译：Vincent译者注：决策树 & 聚类算法 & 线性回归：应该使用哪种机器学习算法？使用它的原因是什么?作者在本文中详细介绍了这些内容。以下为译文。假设有一些跟数据相关的难题需要你去解决。之前你已经听过机器学习算法的厉害之处了，因此你自己也想
机器学习算法一览图 一般说来，机器学习有三种算法：1. 监督式学习监督式学习算法包括一个目标变量（因变量）和用来预测目标变量的预测变量（自变量）。通过这些变量我们可以搭建一个模型，从而对于一个已知的预测变量值，我们可以得到对应的目标变量值。重复训练这个模型，直到它能在训练数据集上达到预定的准确度。属于监督式学习的算法有：回归模型，决策树，随机森林，K邻近算法，逻辑回归等。2. 无监督式学
转载
2024-05-21 11:41:34
21阅读
一些基本概念神经网路(懂得请跳过)先看一个基本的神经网络架构 万变不离其宗，无论神经网络如何构建，如何使用不同的trick，其本质就是空间映射：通过学习一个映射函数F将样本空间X=[x1,….,xN]映射到结果空间Y，也就是Y = F(X)。而其适用度广的原因就在于神经网络本身是一个Universal Approximator(万能逼近器)。换句话说，只要有足够的数据，神经网络总能逼近
算力：企业所有可调用计算资源的总和，涵盖软硬件，本地及远程资源。硬件包括PC，工作站和服务器等物理计算设备，智能仪器（比如示波器），以及其配套附件。软件包括操作系统（Windows系列，Linux等），开发环境（IDE，编译器等），行业软件（如Matlab，CAD等），办公等其他辅助类工具。以上可以算作本地资源，远程资源是指虽然不由企业自己运营，但可以获取的计算服务，比如高速渲染，快速数据库检索，
转载
2023-10-20 10:59:14
472阅读
# 显卡机器学习算力的基础知识
随着机器学习和深度学习的迅速发展，显卡（GPU）的重要性愈发凸显。显卡尤其适用于并行计算，能够显著提升机器学习模型训练的效率。本文将探讨显卡在机器学习中的角色，并提供一个简单的代码示例展示如何利用显卡进行计算。
## 显卡的优势
显卡相比于传统的中央处理器（CPU）有几个显著的优势：
1. **并行处理能力**：显卡拥有成百上千的计算核心，能够同时处理大量数
原创
2024-10-14 04:59:31
170阅读
# VASP机器学习力场算例实现指南
在计算材料科学中，VASP（Vienna Ab-initio Simulation Package）是一款广泛应用的第一性原理计算软件。而机器学习力场（MLFF）是通过使用机器学习算法来近似描述材料系统的力场。本文将为小白开发者提供一个关于如何实现“VASP机器学习力场算例”的详细步骤。
## 一、整体流程
在进行VASP机器学习力场算例时，通常需要遵循
文章目录@[toc]一.熵概述二.常用熵介绍2.1 信息熵2.2 交叉熵(cross entropy):2.3 相对熵(relative entropy):2.4 JS散度（Jensen-Shannon divergence）2.5 联合熵(combination entropy)2.6 条件熵(the conditional entropy)2.7 互信息(Mutual Information)
转载
2023-12-16 16:41:14
80阅读
