在阅读模块源码里, 常常看到 globals() locals() 的使用, 这两个函数虽然可以从命名中从外观上知道不同, 但仍然不明白具体使用方式和实际的意义. 带着好奇和疑问, 先看看文档和搜索相关的博客, 额外还了解到vars() 函数的信息, 在此带着样例代码介绍. 首先参考官方文档对这三个函数的介绍: 2. Built-in Functions – Python3.5glob
一、指标分类1- Accuracy（准确率）2- Precision（精确率）3- Recall（召回率）4- F1-Score5- Fn-Score定义：对于一个二分类问题，我们可以将实际值与预测值做一个组合，得到以下这四种结果： TP：那些实际上为正向的标签，你预测它为正向；（预测正确）TN：那些实际上为负向的标签，你预测它为负向；（预测正确）FP：那些实际上为正向的标签，你把它预测为负向；（
# PyTorch 中 MSELoss 和 L1Loss 的对比
在深度学习中，损失函数用于衡量模型预测值与真实值之间的差异。最常见的损失函数包括均方误差损失（Mean Squared Error Loss, MSELoss）和平均绝对误差损失（L1 Loss）。本文将带领你探索如何在 PyTorch 中比较这两种损失函数。
## 流程概述
在进行对比之前，我们需要规划一下流程。以下是实现对
原创
2024-09-17 07:16:22
235阅读
torch.sparse是一个专门处理稀疏张量的模块。通常，张量会按一定的顺序连续地进行存取。但是，对于一个存在很多空值的稀疏张量来说，顺序存储的效率显得较为低下。因此，pytorch推出了稀疏张量的处理模块。在这里，有意义的值被称为specified elements，而无意义的值（空值，通常为0，但是也可以是其他值）则被称为fill value。只有足够稀疏的张量使用这种方式进行存储才能获
转载
2023-09-06 16:31:19
86阅读
文章目录损失函数的定义神经网络的学习为何要设定损失函数？常见的损失函数1. 0-1损失函数(zero-one loss)2. 对数损失函数3. 平方损失函数MSE(均值平方差）4. Hinge 损失函数5. 交叉熵损失函数 (Cross-entropy loss function) 损失函数的定义损失函数，又叫目标函数，是编译一个神经网络模型必须的两个要素之一。另一个必不可少的要素是优化器。损失
转载
2024-02-27 19:50:05
239阅读
衡量预测值与真实值的偏差程度的最常见的loss： 误差的L1范数和L2范数 因为L1范数在误差接近0的时候不平滑，所以比较少用到这个范数 L2范数的缺点是当存在离群点（outliers)的时候，这些点会占loss的主要组成部分。比如说真实值为1，预测10次，有一次预测值为1000，其余次的预测值为1
转载
2018-08-23 21:39:00
307阅读
2评论
1. 基础介绍简单版SSD网络中的SmoothL1LossLayer层借鉴于Fast R-CNN，用于计算smooth L1损失，其中的光滑L1函数如下：其导函数为：之所以称为光滑L1函数，是因为此函数处处可导，而原L1函数在x=0处是不可导的。smooth L1损失为：其中：
y
原创
2022-02-07 16:25:59
2953阅读
简单版SSD网络中的SmoothL1LossLayer层借鉴于Fast R-CNN，用于计算smooth L1损失，其中的光滑L1函数如下：其导函数为：之所以称为光滑L1函数，是因为此函数处处可导，而原L1函数在x=0处是不可导的。smooth L1损失为：其中：yi=[yi1,yi2,....,yik]Ty_i = [y_{i1},y_{i2},....,y_{ik}]^Tyi=[yi1,yi2,....,yik]T为标签向量;y^i\hat{y}_iy^i为预测向量。带si
原创
2021-06-18 14:10:50
2956阅读
Focal Loss for Dense Object Detection论文链接：https://arxiv.org/abs/1708.02002 代码链接：集成到Detectron中，github上有大量三方实现 这周补了一下经典的focal loss，也就是RetinaNet，很多人应该也比较熟悉这篇文章了。Focal Loss是何恺明团队在2017年推出的作品，属于single stage
转载
2024-06-27 09:07:07
83阅读
刚开始入门，很多东西不明白。把这些可能很傻瓜式的不明白写下来。问题1：在写pattern时为什么字符串前面要加个r，其实也就是这个问题，那不加r是不是也可以。就是不知道加r有什么作用。在python有一个拥有全部功能的正则表达式对象，函数为re.compile(pattern, flags)，我寻求方便，就直接用一个简体版。所用的代码我只用了一个函数re.match(pattern, string
损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子：其中，前面的均值函数表示的是经验风险函数，L代表的是损失函数，后面的$\Phi$是
转载
2023-12-21 21:57:56
654阅读
文章目录基础RNN_pytorch实现LSTM(Long Short Term Memory networks)LSTM_pytorch实现GRU(Gated Recurrent Unit)RNN的应用用RNN做图像分类mnistpytorch实现RNN做时间序列（回归）pytorch实现自然语言处理词嵌入pytorch实现Skip-Gram模型N-Gram模型pytorch实现LSTM做词性预
RPN的目标函数是分类和回归损
转载
2022-08-30 10:28:00
79阅读
L1Lossnn.L1Loss 也称为平均绝对误差（Mean Absolute Error，MAE）。它计算预测值与真实值之间的差异（即误差），然后取绝对值并求和，最后除以样本数量得到平均误差。具体来说，对于一批大小为 的样本，nn.L1Loss 的计算公式如下：其中， 为模型的预测输出，nn.L1Loss 通常用于回归问题中，例如预测房价、预测人的年龄等。它的优点是可以对异常值不敏感，即单个异
转载
2024-03-02 08:59:31
230阅读
详解Smooth L1 Loss函数的计算方式在深度学习中，Smooth L1 Loss函数是一种用于回归任务的损失函数。它在一定程度上克服了均方误差（MSE）损失函数的局限性，特别适用于处理离群值。简介Smooth L1 Loss函数是Huber Loss的一种近似形式。它通过引入平滑因子，使损失函数在离群值附近呈现鲁棒性。相比于MSE损失函数，它在离群值附近不敏感。计算方式Smooth L1
原创
精选
2024-01-28 20:26:00
890阅读
之前讲了python基本数据类型和组合数据类型 is操作符可以判断类型的不太之处 对象有很多标识，当作内存地址，就是唯一标识符id看l4第0个元素 number1也是同一个元素 虽然是两个不同的变量，但是可以引用一个元素 **is判断是否同一元素 下面的比较是l1和l3是否同一个对象，并不是比较值是否相同 **但是l1[0]和l3[0]是同一个对象不是同一个对象，但是可以引用内部的同一个对象，因为
转载
2023-11-23 10:30:59
66阅读
# Python实现L1趋势滤波
在时间序列分析中，趋势滤波是一种非常重要的方法，用于从数据中提取长期变化的趋势，进而去除短期波动。L1趋势滤波是一种常用的方法，它以最小化L1范数的形式来进行模型拟合。本文将探讨如何在Python中实现L1趋势滤波，并给出具体的代码示例。
## L1趋势滤波的基本原理
L1趋势滤波的基本思想是通过找到一个平滑的趋势曲线来拟合原始数据，并通过最小化数据与趋势曲
原创
2024-10-23 04:13:10
252阅读
前言机器学习基本知识——卷积网络基础补充 参考内容来自b站up主：https://space.bilibili.com/18161609一、误差计算以三层神经网络为例 经过Softmax输出，所有输出节点概率之和为1交叉熵损失（Cross Entropy Loss）针对多分类问题（Softmax输出，所有输出和概率为1）针对二分类问题（Sigmoid输出，每个输出节点互不相干） 其中,为真实标签值
转载
2024-01-08 15:43:50
91阅读
# Python实现Contrastive Loss的教程
在本篇文章中，我们将逐步了解如何在Python中实现对比损失（Contrastive Loss）。这个过程在许多计算机视觉和深度学习任务中非常有用，尤其是在处理相似度学习时。以下是实现的主要流程：
| 步骤 | 描述 |
|------|-----------------------|
| 1
目录前言布尔值比较控制符If语句while循环语句break语句continue语句for循环和range()函数总结前言 在上一章我们学习了交互式环境及一些基础函数的运用，在本章我们将要学习控制流语句，也就是我们所熟悉的IF语句等等。在学习之前，我们需要学习到几个比较重要的基础。布尔值 &nb
