Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则：DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到
转载
2023-08-14 10:23:35
275阅读
一、机器学习算法分类:监督学习：提供数据和数据分类标签。——分类、回归非监督学习：只提供数据，不提供标签。半监督学习强化学习：尝试各种手段，自己去适应环境和规则。总结经验利用反馈，不断提高算法质量遗传算法：淘汰弱者，留下强者，进行繁衍和变异穿产生更好的算法。二、选择机器学习算法和数据集sklearn中有很多真实的数据集可以引入，也可以根据自己的需求自动生成多种数据集。对于数据集可以对其进行归一化处
转载
2024-08-29 15:54:29
25阅读
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法。一、LabelPropagation和LabelSpreading（1）标记传播算法：优点：概念清晰缺点：存储开销大，难以直接处理大规模数据；而且对于新的样本加入，需要对原图重构并进行标记传播（2）迭代式标记传播算法：输入：有标记样本集Dl，未标记样本集Du，构图参数δ，
转载
2023-09-05 13:37:20
118阅读
一、机器学习算法分类:监督学习：提供数据和数据分类标签。——分类、回归非监督学习：只提供数据，不提供标签。半监督学习强化学习：尝试各种手段，自己去适应环境和规则。总结经验利用反馈，不断提高算法质量遗传算法：淘汰弱者，留下强者，进行繁衍和变异穿产生更好的算法。二、选择机器学习算法和数据集 sklearn中有很多真实的数据集可以引入，也可以根据自己的需求自动生成多种数据集。对于数据集可以对其进行归一
转载
2023-10-17 23:26:51
130阅读
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法1、生成式半监督学习 优点：方法简单，容易实现。通常在有标记数据极少时，生成式半监督学习方法比其他方法性能更好 缺点：假设的生成式模型必须与真实数据分布吻合。如果不吻合则可能效果很差。而如何给出与真实数据分布吻合的生成式模型，这就需要对问题领域的充分了解2、图半监督
转载
2023-08-17 16:24:39
110阅读
【翻译自： Semi-Supervised Learning With Label Propagation】 【说明：Jason Brownlee PhD大神的文章个人很喜欢，所以闲暇时间里会做一点翻译和学习实践的工作，这里是相应工作的实践记录，希望能帮到有需要的人！】  
转载
2024-04-10 13:45:57
75阅读
半监督： 半监督学习是指监督学习与无监督学习的结合，是在含有少量被标记数据的情况下,利用大量未标记图像进行无监督学习从而改善监督学习的性能。半监督GAN用于分类的步骤： 将GAN中判别器的输出层替换成softmax分类器，假设训练数据有C类，则softmax输出C+1类，多一个生成器生成的伪图像的概率。由于判断真伪图像的任务是无监督的，因此我们可以利用到大量的未标注样本来进行训练。 训练时将未标注
转载
2024-04-26 09:12:15
34阅读
本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。 监督，无监督，半监督学习介绍 在正式介绍实现半监督学习之前，我在这里首先介绍一
转载
2024-08-12 10:32:27
72阅读
1、监督学习（supervised learning）训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签，即生成合适的函数将输入映射到输出。2、无监督学习（unsupervised learning）训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数
转载
2024-06-15 19:06:38
121阅读
半监督文本分类的优势：可以减少数据的标注，节省人力成本。项目流程：1.数据预处理:1).生成字的字典：加载所有训练数据，统计词频，统计每个字在各个文本中出现的文本数量n，取n大于1的字，再根据词频大小排序，取前6000个字，并保存。2）.生成训练数据：训练数据分为语言模型的训练数据和分类模型的训练数据。 语言模型训练数据的封装：遍历有标签和无标
转载
2024-10-24 13:57:17
10阅读
翻译 | 王柯凝出品 | Python大本营（ID：pythonnews）【导读】对于人工智能和机器学习来说，目前有很多种可以实
转载
2023-12-20 16:47:56
39阅读
Paper：PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK关键词：PageRank ，PPNP ，APPNP，图卷积神经网络1. Motivation最近在图上进行半监督分类的神经信息传递算法取得了巨大的成功。但是，为了对节点进行分类，这些方法仅考虑距离传播步骤不远的节点，并且所利用的邻
转载
2023-11-23 14:30:28
144阅读
半监督节点分类：标签传播和消息传递半监督节点分类问题的常见解决方法：特征工程图嵌入表示学习标签传播图神经网络基于“物以类聚，人以群分”的Homophily假设，讲解了Label Propagation、Relational Classification（标签传播）、Iterative Classification、Correct & Smooth（C & S）、Loopy Beli
转载
2024-04-25 21:41:15
37阅读
最近一直在看半监督在高光谱图像分类上的应用，打算写一个系列，把一些经典的效果好的论文总结梳理一下，当作一个督促。一. 半监督大体分成五种方法① Generative model 缺点：生成模型是基于严格的假设构建的，例如，训练样本应遵循高斯分布或其他分布②Self-trainingSelf-Training的做法如下：用已标注数据集A训练一个分类模型M用该模型对未标记数据集B进行预测将预
转载
2023-11-20 05:57:32
92阅读
1.监督，无监督，半监督学习介绍在正式介绍实现半监督学习之前，我在这里首先介绍一下监督学习（supervised learning），半监督学习（semi-supervised learning）和无监督学习（unsupervised learning）的区别。监督学习是指在训练集中包含训练数据的标签（label），比如类别标签，位置标签等等。最普遍使用标签学习的是分类任务，对于分类任务，输入给网
# 半监督分类pytorch实现
## 介绍
在机器学习领域，半监督学习是指使用有标签和无标签数据进行训练的一种学习方式。在半监督分类任务中，我们通常有一小部分有标签的数据和大量的无标签数据，我们的目标是通过利用无标签数据来提高分类的准确性。
本文将介绍如何使用PyTorch实现半监督分类任务。我们将使用一个简单的示例数据集来说明步骤和代码。
## 整体流程
下表展示了半监督分类任务的整个流
原创
2023-08-25 15:59:49
275阅读
本文详细介绍了类别不平衡的概念、导致分类困难的原因、解决方案、类别不平衡时评价指标以及方案选择建议。
本文详细介绍了类别不平衡问题，目录：1 什么是类别不平衡问题？2 类别不平衡导致分类困难的原因？3 类别不平衡的解决方法？4 如何选择类别不平衡中学习的评价指标？5 关于解决方法选择的一些建议？6 小结1 什么是类别不平衡问题？类别不平衡（class-i
转载
2023-07-24 23:54:26
26阅读
用Pytorch进行图像分类（对一张猫和一张鱼的图片进行区分）传统挑战1、首先需要数据要想有效地使用深度学习技术，需要较大量的数据来训练神经网络，让神经网络学习并记忆他们的特征。所以我们需要很多鱼和猫的图片 **监督学习和无监督学习的区别有监督学习必须要有训练集和测试样本。在训练集中找规律，而对测试样本使用这种规律。非监督学习没有训练集，只有一组数据，在该数据集中寻找规律有监督学习的方法就是识别事
转载
2023-09-05 11:14:05
184阅读
文稿整理 | William嘉宾介绍 Introduction to Semi-Supervised Learning传统机器学习中的主流学习方法分为监督学习，无监督学习和半监督学习。这里存在一个是问题是为什么需要做半监督学习？首先是希望减少标注成本，因为目前可以在很多现实场景中去获得大量的图片，那么需要标注的量和成本会几何增加。第二个是目前对所有大规模的数据进行标注进而训练模型是
转载
2024-04-27 09:02:00
18阅读
这篇博客介绍的是一篇用于半监督回归问题的方法：Semisupervised Regression withCotraining-Style Algorithms。 这是周志华老师在2007年较早的一篇文章，其特点在于，大多数半监督的算法都是用于分类问题的，而Coreg则以相对较简单的方式实现了半监督的回归。关于半监督学习基于分歧的半监督学习方法基于图的半监督学习方法这些博客都提供了算法的讲解和py
转载
2024-01-05 19:16:52
140阅读
