1- 准备工作：需要预先安装的环境：
numpy
matplotlib
h5py
PIL 和scipy dnn_app_utils是自定义的函数列表，该函数在上一次的作业中（Building your Deep Neural Network: Step by Step）有使用到。np.random.seed(1) 是为了确保所有的随机函数在调用的时候具有一致性。环境测试：import tim
前言 医学领域的数据集具有标注样本少、图像非自然的特点，transformer已经证明了在自然图像领域下的成功，而能否应用于医学领域等少量标注样本的非自然图像领域呢？本文研究比较了CNN和ViTs在三种不同初始化策略下在医学图像任务中的表现，研究了自监督预训练对医学图像领域的影响，并得出了三个结论。代码：https://github.com/ChrisMats/medical
Git属于分散型版本管理系统
版本管理就是管理更新的历史记录，他能回退到特定阶段，恢复误删除的文件等。
集中型与分散型
集中型：
如图2.1以 svn 为代表的集中型，集中型将所有数据集中存放在服务器之中，所以只存在一个仓库。这样是有便于管理的优点。但是一旦开发者所处的环境不能连接服务器，就无法获取最新的源代码，开发也就几乎无法进行。
记录学习图像分类神经网络的学习笔记第一步：导入所需要的库import os
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip instal
昨天学习了简单的文本处理，之后在课后的练习中实现了包括了对tf-idf的处理和基于朴素贝叶斯简单的文本分类基于tf-idf的数据集在出现多个关键词的时候一般能够相对准确对文本进行分类，但是对于相对具有深层含义的内容，例如情感的积极，情感的消息这方面的分类来说，就显得有些乏力的。根据昨天构建的文本分类模型，在训练完消极和积极的评论各1w个之后，对于在淘宝某个商品新获取的评论随机取几个好评和差评进行分
论文地址：Focal Loss for Dense Object Detection 这是凯明大神所在的facebook AI工作组18年提出来的一篇目标检测的论文文中提到说，目前目标检测有两种类型框架，一种是two-stage，例如RCNN、fastRCNN、fasterRCNN、maskRCNN等这一系列的，two-stage分为两个阶段，第一个阶段使用CNN提取到特征图之后，使用r
本文假设你已经拥有一个github账户1，下载github for windows客户端 https://windows.github.com/ 2，安装好后，启动图形界面。3，如果你已经在github创建了一个仓库，请从9开始看。4，填写在github上注册的邮箱和用户名，登陆。5，登陆后会展示如下所示的窗口：根据途中标注的one，two，three，four进行操作创建一个本地仓库。6，创建
转载
2024-10-12 19:32:22
49阅读
GitHub是一个开源代码库以及版本控制系统，Github目前拥有140多万开发者用户。随着越来越多的应用程序转移到了云上，Github已经成为了管理软件开发以及发现已有代码的首选方法。那么在今天小熊个人博客说到是就是github,谈谈目前github使用频率最高的是哪些库。首先排名前三的编程语言库来进行分析，这三门语言分别是Java、Ruby、JavaScript。分别分析了它们当中最流行的10
转载
2023-07-12 15:03:17
88阅读
在本教程中，我们将介绍一个有点简单但是有效的方法，仅需非常少的训练样本 —— 只要你想要识别的那些类中几百或几千张图片，你就可以用它来构建一个强大的图像分类器。我们将经历下面过程：从无到有训练一个小型网络(作为基线)使用预先训练的网络的瓶颈特征微调预先训练的网络的顶层这将让我们涵盖以下的Keras特征：用于使用Python数据生成器训练Keras模型的fit_generator用于实时数据增强的I
学习网络的时候有这样几个疑惑:为什么需要抽象出五层模型出来？难道不是直接在网线(光纤传输)中传输数据就好了么？大不了到了端点用的是WIFI传输(无线信号)。在回答问题之前我先带你领略下使用最为广泛的五层模型，分别是哪五层？各层解决了什么问题？一、五层模型是哪五层？左边是OSI的七层模型，这模型很牛逼。但是现在基本是存在教科书的啦，学习网络的同学都是知道有这个模型，实际情况使用很少的。右边是TCP/
转载
2024-09-12 06:39:43
58阅读
在做文档记录及查资料时发现大家把源码都放在GitHub链接，感觉非常方便，之前都没有用过GitHub，所以就查资料试着用下GitHub代码管理工具。 1、首先，注册一个GitHub账户并登陆（就按提示步骤操作即可，一般没什么问题）2、然后，根据提示下载GitHub客户端（官网下载地址：http://git-scm.com/download/ ）3、安装客户端（注意：选择安装路径，千万别选带中文的路
1.PANNet网路结构图从上图中可知，PANNet主要结构由四部分组成：BackBone+FPEM+FFM+OutPut组成。 BackBone是使用的轻量级模型resnet18，由四个输入图像strides分别为4、8、16、32的conv1、conv2、conv3、conv4组成的主干网络，并使用1
近日，《A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem》的作者开源了该论文的项目代码。这篇文章关于如何利用深度强化学习进行投资组合管理，提出的 DRL 框架性能大大优于其他算法。机器之心对论文摘要进行了简要翻译，附 GitHub 实现。论文链接：https://arxiv.
转载
2024-07-31 14:40:23
45阅读
说起分类算法，相信学过机器学习的同学都能侃上一二。
可是，你能够如数家珍地说出所有常用的分类算法，以及他们的特征、优缺点吗？比如说，你可以快速地回答下面的问题么:
KNN算法的优缺点是什么？Naive Bayes算法的基本假设是什么？entropy loss是如何定义的？最后，分类算法调参常用的图像又有哪些？
答不上来？别怕！一起来通过这篇
转载
2024-09-02 16:32:18
28阅读
第三章、分类1.分类（相当于构建一个分类器）1.1 分类的基本介绍： 给定一个预定义的类标签集合，分类的任务是使用分类器的训练模型，为输入数据集的每个数据对象分配一个标签。通常，输入可能是离散值，也可能是连续值，但输出是离散二进制值或者名义数值等。分类算法通常描述为学习模型或函数。 &nb
转载
2023-07-16 16:31:16
108阅读
基础知识> R是一种解释型语言，而不是编译语言，也就意味着输入的命令能够直接被执行，而不需要像一些语言要首先构成一个完整的程序形式(如C，Fortan, Pascal)
> 所有的函数后都接有圆括号以区别于对象(object)
> 当R运行时，所有变量，数据，函数及结果都以对象(objects)的形式存在计算机的活动内存中，并冠有相应的名字代号
> 在R中进行的所有操作
转载
2023-06-21 16:43:56
93阅读
一、图像分类图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层视觉任务的基础。图像分类在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。得益于深度学习的推动，图像分类的准确率大幅度提升。在经典的数据集
转载
2024-05-13 09:30:51
430阅读
编译型语言：把写好的程序预先翻译成机器能够执行二进制指令代码，然后直接运行 存在编译文件
解释型语言：写好的程序没有预先编译成指令，而是执行时编译一条执行一条 不存在编译文件
区别：
编译型语言：执行速度快，效率高；依赖与编译器，跨平台性差。如 C++ DelPhi Pascal
解释型语言：执行速度慢，效率低; 依赖与解释器，跨平台性好 如 Java Basic
（中间需要解释器解释之后才能运行，解释需要时间效率低）
原创
2013-08-27 21:16:46
546阅读
一、SQL语言分类：1.SQL（StructuredQueryLanguage即结构化查询语言）;SQL语言主要用于存取数据、查询数据、更新数据和管理关系数据库系统，SQL语言由IBM开发。分类DDL语句数据库定义语言：数据库、表、视图、索引、存储过程，例如CREATEDROPALTER；//DDL（datadefinitionlanguage）：2.DML语句数据库操纵语言：插入数据INSERT
原创
2020-08-25 21:09:27
617阅读
编程语言的分类可以从三个角度出发： 角度一：编译型和解释型 编译型：即把源程序的每一条语句都编译成机器语言，并保存为二进制文件，这样运行时计算机可以直接以机器语言来运行此程序，优点：执行速度很快。缺点：开发效率低，不能跨平台（例如C、C++等） 解释型：只在运行时才一条一条的解释成机器语言给计算机执
原创
2021-07-20 09:31:59
171阅读
