目录：人脸识别介绍损失函数发展Softmax lossCenter lossTriplet lossL-softmax lossSphereFace(A-Softmax loss)CosFace(AM-Softmax loss)ArcFace loss人脸识别流程相似度生成训练图片数据采样网络模型训练使用摄像头实时检测 人脸识别介绍MTCNN 实现人脸检测，回答了“是不是人脸”和“人脸在哪”的问
转载
2024-07-08 20:59:18
79阅读
前言8.1 mnist_soft,TensorFlow构建回归模型中对主要对计算图的概念与公式与计算图的转化进行了介绍,8.2则主要介绍一下TensorFlow中自带的几个算子,与优化函数,损失函数的定义,并以KNN的例子进行整体的串联.加载数据,依旧使用mnist手写数字的数据# 导入数据
from tensorflow.contrib.learn.python.learn.datasets i
转载
2023-07-21 17:24:45
145阅读
我们已经了解了几种其他的一些生成模型，并且解释了GAN与这些模型的工作方式是不同的，那么GAN是如何工作的？3.1 GAN 框架GAN的基本思想是两个玩家共同参与的二人零和博弈。 其中一个叫生成器。 生成器试图生成与训练样本相同分布的样本。 另一个玩家是判别器。 判别器用来判别样本的真伪。 判别器使用传统的监督学习的方法，将输入分类为真和假两个类。 生成器被优化来试图欺骗判别器。 举个例子来说，
DQN网络DQN（Deep Q Networks）网络属于深度强化学习中的一种网络，它是深度学习与Q学习的结合，在传统的Q学习中，我们需要维护一张Q(s,a)表，在实际运用中，Q表往往是巨大的，并且当状态和行为的组合无穷时，则无法通过查表的方式获取最优的行为，因此我们需要一个深度学习模型来拟合Q(s,a)表，即能够帮助Q算法在对应的状态下找出最优的行为，即DQN网络，其网络结构如下图所示：其中，D
学习目标：1、了解kNN算法及其原理2、使用python手动实现kNN算法，并在sklearn中调用kNN算法3、了解监督学习和非监督学习的概念知识整理：【1】kNN算法简介： kNN(k-NearestNeighbor)，也就是k最近邻算法。所谓K最近邻，就是k个最近的邻居的意思。也就是在数据集中，认为每个样本可以用离他距离最近的k个邻居来代表 [ 比如样本集中有
转载
2023-12-20 09:35:33
82阅读
今天开始回头复习基础算法，emmmmm……从kNN开始~~1.kNN简介 k近邻（k-Nearest Neighbor,简称kNN）是一种监督学习算法，其工作机制是：给定测试样本，基于某种距离度量找出训练集中与其靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。 敲黑板： <1> k近邻是监督学习算法； <2> k近
k近邻近邻算法： 多数表决规则等价于经验风险最小化： 损失函数最小化：一训练数据为基础，通过此类分类规则计算得到 一块区域，有k个训练数据，1,2,3个类别。1>2>3 当此区域判为1，损失函数等于2,3个数和 当此区域判为2，损失函数等于1,3个数和 当此区域判为3，损失函数为1,2个数和 选取损失函数最小的，即个数最多的类别。作为此区域类别。所以此区域判别为1. Kd树： 第一步：
转载
2024-04-30 16:56:26
51阅读
上一篇文章《语音降噪模型归纳汇总》，很意外地收到了点赞收藏和关注，如此的反馈给了我极大的鼓舞，这里就再梳理了一下loss函数相关的知识，以求方便能作为一份工具性质的文章展现出来。能力一般，水平有限，欢迎大家指正。目录前言什么是损失（Loss）？ 预测值（估计值）与实际值（预期值、参考值、ground truth）之间会存在差异, “损失”意味着模型因未能产生预期结果而受到的惩罚。损失函数的作用？
转载
2023-10-07 19:19:32
78阅读
1、原理 2、参数 3、score_card
1、原理https://zhuanlan.zhihu.com/p/1013341832、重要参数2.1 正则化参数penalty、c penalty：可以输入"l1"或"l2"来指定使用哪一种正则化方式，不填写默认"l2"。L1正则化会将参数压缩为0，L2正则化只会让参数尽量小，不会取到0。C: 正则化强度的倒数。大于0的浮点数
转载
2023-11-07 09:27:59
129阅读
损失函数（Loss Function）： 损失函数（loss function）就是用来度量模型的预测值f(x)与真实值Y的差异程度的运算函数，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。损失函数的作用：损失函数使用主要是在模型的训练阶段，每个批次的训练数据送入模型后，通过前向传播输出预测值，然后损失函数会计算出预测值和真实值之间的差异值，也就是损失
转载
2023-11-22 14:37:19
536阅读
1.word2vec两个模型的损失函数是什么？知识点：统计语言模型（贝叶斯概率） -> n-gram(n-1阶马尔科夫假设) -> 词频统计（大数定律） -> 神经概率语言模型 答：word2vec两个模型为CBOW和Skip-gram，cbow和Skip-gram又分为层序soft
转载
2023-11-20 08:49:00
123阅读
KNN依然是一种监督学习算法KNN(K Nearest Neighbors,K近邻)算法是机器学习所有算法中理论最简单，最好理解的。KNN是一种基于实例的学习，通过计算新数据与训练数据特征值之间的距离，然后选取K(K>=1)个距离最近的邻居进行分类判断(投票法)或者回归。如果K=1，那么新数据被简单分配给其近邻的类。KNN算法算是监督学习还是无监督学习呢？首先来看一下监督学习和无监督学习的定
转载
2023-11-05 12:29:39
55阅读
KNN一、算法简述二、运行原理2.1、算法核心思想2.2、距离计算2.3、K值选择三、算法实现3.1、Sklearn KNN参数概述3.2、 KNN代码实例四、算法特点五、算法优缺点六、KNN 和 K-means比较 一、算法简述KNN 可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一。注意：KNN 算法是有监督学习中的分类算法，它看起来和另一个机器学习算法 K-means 有点像
转载
2023-08-14 16:55:46
78阅读
在构建机器学习模型时，损失函数是优化过程中至关重要的部分。损失函数衡量模型预测值与真实值之间的差距，因此合适的损失函数选择对于改善模型的准确性极为重要。在Python中实现损失函数时，可能会遇到各种问题，本文将详细记录解决"python损失函数"问题的过程。
### 问题背景
在我们的项目中，模型采用深度学习算法进行图像分类。模型的性能直接影响到业务的成功，良好的分类精度将带来更高的客户满意度
损失函数损失函数（Loss function）是用来估量你模型的预测值与真实值 的不一致程度，它是一个非负实值函数，通常用 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，也是结构风险函数的重要组成部分。模型的风险结构包括了风险项和正则项，通常如下所示：其中，前面的均值函数表示的是经验风险函数，代表的是损失函数，后面的 是正则化项（regularizer）或者叫惩罚
转载
2023-12-25 21:47:24
40阅读
tensorflow 层、网络模型、损失函数和优化器之间的关系 层、网络模型、损失函数和优化器之间的关系 多个层链接在一起组成了网络模型，将输入数据映射为预测值。然后损失函数将这些预测值与目标进行比较，得到损失值，用于衡量网络预测值与预期结果的匹配程度。优化器使用这个损失值来更新网络的权重。层：深度学习的基础组件神经网络的基本数据结构是层。 层是一个数据处理模块， 将一个或
转载
2023-10-18 22:00:52
124阅读
损失函数是用来评价神经网络性能好坏的一个指标，我们对神经网络的优化实则就是对损失函数的处理，我们通过不断调参来寻找最优化参数来使我们的损失函数降到最低，那么我们的神经网络可以说是优化好了。这里我们介绍三种损失函数均方误差完整代码如下 import numpy as np
t = [0, 0, 1, 0, 0, 1, 0, 0, 0, 0]
y1 = [0.1, 0.05, 0.6, 0.
转载
2023-10-11 23:10:54
147阅读
直接上结果：图片截选自本文末尾正文：无论在机器学习还是深度学习领域中,损失函数都是一个非常重要的知识点。损失函数有许多不同的类型，根据具体模型和应用场景需要选择不同的损失函数，如何选择模型的损失函数，是作为算法工程师实践应用中最基础也是最关键的能力之一。最近在学习pytorch的时候，参考了很多说明文档和优秀贴文，总结了如何针对应用场景选择合适损失函数、对比不同损失函数的优缺点及相关pytorch
转载
2024-08-01 13:28:53
29阅读
损失函数通俗来说，损失函数就是用来表现预测与实际数据的差距程度，衡量模型预测的好坏。 损失函数越小，模型的鲁棒性就越好。1、均方误差MSE（mean squareerror） MSE表示预测值与目标值之间差值的平方和然后求平均： 优点：各点都连续光滑，方便求导，具有较为稳定的解 缺点：不是特别的稳健。当函数的输入值距离中心值较远的时候，使用梯度下降法求解的时候梯度很大，可能导致梯度爆炸（当权值过大
转载
2023-10-08 12:06:14
672阅读
常见损失函数总结-图像分类篇【上】 一、前言 在深度学习中，损失函数扮演着至关重要的角色。通过最小化损失函数，使模型达到收敛状态，减少模型预测值的误差。因此，不同的损失函数，对模型的影响是十分重大的。 接下来，重点总结一下在实习工作实践中经常用到的损失函数：
图像分类：softmax，weighted softmax loss，focal loss，soft softmax lo
转载
2023-12-18 23:00:06
105阅读
