#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2021/7/28 20:57
# @Author : @linlianqin
# @Site :
# @File : 二叉平衡树专题（创建、插入、查找）.py
# @Software: PyCharm
# @description:
'''
二叉平衡树的特点：
转载
2024-04-02 07:15:57
26阅读
这篇博文主要介绍 PyTorch 的 MaxPooling 和 MAxUnPooling 函数中涉及到的 indices 参数。indices 是“索引”的意思，对于一些结构对称的网络模型，上采样和下采样的结构往往是对称的，我们可以在下采样做 MaxPooling 的时候记录下来最大值所在的位置，当做上采样的时候把最大值还原到其对应的位置，然后其余的位置补 0 。indices 参数的作用就是保存
转载
2024-09-03 12:50:52
68阅读
预处理：主成分分析与白化Preprocessing：PCA and Whitening 一主成分分析 PCA1.1 基本术语 主成分分析 Principal Components Analysis 白化 whitening 亮度 intensity 平均值 mean 方差 variance 协方差矩阵 covariance matrix 基 basis 幅值 magnitude 平稳性 stat
转载
2024-10-08 22:17:19
30阅读
## PyTorch 等概率随机取样教程
随机取样是机器学习中的一个重要概念，特别是在训练模型时。今天我们将学习如何使用 PyTorch 实现等概率随机取样的过程。以下是整个流程的简单概述：
### 流程步骤
| 步骤 | 描述 |
|--------------|--------------------------
原创
2024-09-06 05:27:53
39阅读
在使用PyTorch进行深度学习模型训练时，获取样本的标签（labels）是一个基本的步骤。标签不仅用于监督学习中的训练过程，也是模型评估和测试中的重要组成部分。然而，初学者在使用PyTorch时常常会遇到如何正确提取和使用样本标签的问题。本文将逐步分析这一问题，旨在帮助用户解决在PyTorch中获取样本标签的疑惑。
### 问题背景
在构建深度学习模型时，样本的标签是指示模型学习目标的输出。
1.标准交叉熵损失标准的交叉熵（Cross Entropy，CE）函数，其形式如下所示。 公式中，p代表样本在该类别的预测概率，y代表样本标签。可以看出，当标签为1时，p越接近1，则损失越小；标签为0时p越接近0，则损失越小，符合优化的方向。标准的交叉熵中所有样本的权重都是相同的，因此如果正、负样本不均衡，大量简单的负样本会占据主导地位，少量的难样本与正样 本会起不到作用，导致精度变差。为了方便表
文章目录1. 上采样与下采样1.1 上采样1.2 下采样2. 卷积函数——Conv2d2.1 卷积函数说明2.2 卷积操作可视化与举例（1）举例一：padding=0,stride=1,kernel_size=3（2）举例二：padding=2,stride=1,kernel_size=43. 反卷积(转置卷积)——convTranspose2d3.1 反卷积原理3.2 反卷积函数说明3.3 反
转载
2023-11-08 21:08:13
120阅读
下面通过三个实例来看看如何使用已经掌握的知识，搭建出一个基于PyTorch架构的简易神经网络模型。一、简易神经网络1.导入包import torch
batch_n = 100
hidden_layer = 100
input_data = 1000
output_data = 10我们先通过import torch 导入必要的包，然后定义4个整型变量，其中：batch_n是在一个批次中输入数
转载
2024-02-08 06:38:55
44阅读
1.使用随机种子、deterministic使得实验结果可复现 随机数种子seed确定时，模型的训练结果将始终保持一致。 随机数种子seed确定时使用相同的网络结构，跑出来的效果完全不同，用的学习率，迭代次数，batch size 都是一样。 如果配合上设置 Torch 的随机种子为固定值的话，应该可以保证每次运行网络的
转载
2023-09-04 15:06:38
91阅读
# 如何处理 PyTorch 中的数据不平衡问题
在机器学习中，数据不平衡是一个常见的问题，尤其是在分类任务时。数据不平衡会导致模型对主要类别的偏向，从而降低对较少类别的识别能力。在这篇文章中，我们将详细讲解如何在 PyTorch 中处理数据不平衡问题，帮助你更好地理解整个流程。
## 工作流程
处理数据不平衡通常可以分为几个主要步骤。以下表格总结了处理流程：
| 步骤
# 不平衡图像分类的PyTorch实现
在深度学习领域，图像分类是一个重要的任务。然而，当数据集中的类别数量不平衡时，模型的表现可能会受到严重影响。本文将指导你如何使用PyTorch实现不平衡图像分类，分为几步详细讲解。
## 流程概述
下表列出了实现不平衡图像分类的基本步骤：
| 步骤 | 描述 |
|------
原创
2024-09-25 08:06:23
74阅读
对于深度学习而言，数据集非常重要，但在实际项目中，或多或少会碰见数据不平衡问题。什么是数据不平衡呢？举例来说，现在有一个任务是判断西瓜是否成熟，这是一个二分类问题——西瓜是生的还是熟的，该任务的数据集由两部分数据组成，成熟西瓜与生西瓜，假设生西瓜的样本数量远远大于成熟西瓜样本的数量，针对这样的数据集训练出来的算法“偏向”于识别新样本为生西瓜，存心让你买不到甜的西瓜以解夏天之苦，这就是一
pytorch-Dataset-Dataloader目录pytorch-Dataset-Dataloaderdata.Datasetdata.DataLoader总结参考资料pyTorch为我们提供的两个Dataset和DataLoader类分别负责可被Pytorh使用的数据集的创建以及向训练传递数据的任务。data.Datasettorch.utils.data.Dataset 是一个表示数据集
目标检测（Object detection）目标定位（Object localization）特征点检测（Landmark detection）目标检测（Object detection）滑动窗口目标检测滑动窗口的卷积实现（Convolutional implementation of sliding windows）掌握了卷积知识，我们再看看如何通过卷积实现滑动窗口对象检测算法。讲义中的内容借鉴
转载
2024-05-19 06:56:22
92阅读
eval失败。解决：script.py文件中16，17行改为 ‘GT_SAMPLE_NAME_2_ID’: ‘gt_img_([0-9]+).txt’, ‘DET_SAMPLE_NAME_2_ID’: ‘res_img_([0-9]+).txt’其他python版本编译pse.so出错。我修改makefile文件编译成功了。详情见：训练过程中writer保存了很多图片，但是我感觉用不到
转载
2024-05-31 23:30:04
50阅读
1 定义在前景-背景类别不平衡中，背景占有很大比例，而前景的比例过小，这类问题是不可避免的，因为大多数边界框都是由边界标记为背景（即否定）类框匹配和标签模块如图 4(a) 所示。一般来说，前景背景不均衡现象 出现在训练期间，它不依赖于数据集中每个类的样本的个数，因为但对于样本来说，它不包含前景和背景的任何相关信息。2 解决方案我们可以将前景背景类不平衡的解决方案分为四类：（i）硬采样方法，（ii）
# Mysql取样查询实现方法
## 前言
在数据库开发中，有时需要对大量数据进行取样查询以便更好地了解数据的分布情况。Mysql提供了一种方便快捷的方式来实现取样查询，本文将详细介绍整个流程，并给出每一步所需的代码示例。
## 流程概览
在实现Mysql取样查询的过程中，我们可以分为以下几个步骤：
1. 创建数据库和数据表
2. 插入测试数据
3. 使用取样查询获取数据样本
4. 分析
原创
2023-10-25 11:02:50
84阅读
Redis是基于内存存储数据，当内存中存储的数据较多时，为了避免内存被耗尽，Redis就需要有一套机制来保证能够自动清除那些被规定为可以被清除的数据，这种规定就可以定义为内存淘汰策略。Redis中的8种内存淘汰策略不淘汰，满了直接抛出异常（MAXMEMORY_NO_EVICTION）从所有KEY中，随机删除（MAXMEMORY_ALLKEYS_RANDOM）从所有KEY中，采用LRU方式删除（MA
1. 什么是Bootstrap?Bootstrap 是 Twitter开发的一个开源框架,它提供的用户界面组件可用于创建整洁且具有吸引力的网页,而且这些网页还能兼容所有现代 Web 浏览器。是基于HTML、CSS、Javascript开发的简洁、直观、强悍的前端开发框架，使得Web开发更加敏捷。内容包含基本结构：Bootstrap提供了一个带有网络系统、链接样式、背景的基本结构。CSS：Boots
# MySQL 取样函数的实现指南
在日常的数据处理和分析中，我们常常需要从一大堆数据中随机抽取样本以进行测试和评估。MySQL 提供了一些简单的工具来实现这一需求。本文将引导你如何实现 MySQL 的取样函数，帮助你从数据库中随机抽取数据。
## 流程概述
在开始之前，我们可以把整个实现过程分为几个步骤，以下是每个步骤的详细阐述：
| 步骤 | 描述
原创
2024-09-07 05:00:30
28阅读
