任务通过输入的sin曲线与预测出对应的cos曲线#初始加载包 和定义参数
import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt
torch.manual_seed(1) #为了可复现
#超参数设定
TIME_SETP=10
INPUT_SIZE=1
LR=0.02
DOWNLo
转载
2023-08-12 12:40:47
70阅读
文章目录1.5机器学习算法分类1 监督学习1.1 回归问题1.2分类问题2 无监督学习3 半监督学习4 强化学习拓展阅读独立同分布lD（independent and identically distributed）5 小结 1.5机器学习算法分类学习目标了解机器学习常用算法的分类根据数据集组成不同，可以把机器学习算法分为：监督学习其无监督学习半监督学习强化学习1 监督学习定义：
输入数据
转载
2024-03-28 21:26:00
99阅读
一，深度学习基础1. 了解常见的四个机器学习方法监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法：监督学习：通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。无监督学习：它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接
转载
2023-10-02 19:36:11
223阅读
机器学习之监督学习-回归一、机器学习算法分类有监督学习：分类回归半监督学习：分类回归无监督学习：聚类降维强化学习：马尔可夫决策过程动态规划参考网址：http://qing0991.blog.51cto.com/1640542/1851981二、线性回归一个案例：对连续型数据做出的预测属于回归问题。例如人们买房的时候，在知道房屋面积 和卧室的数量 的情况下，怎么推测得知房屋的价格 呢。通过一组
转载
2024-03-31 08:38:51
59阅读
分类模型如下： 回归问题：学习的结果是连续的，比如房价等等分类问题：学习的结果是非连续的，分成某几个类梯度下降例子： ：条件：对于输入X有n个特征值。X = {x1,x2,x3,x4,.......,xn}一共有m组输入。X1,X2,......,Xm结果：根据给出的数据得到函数hθ(x)，关于θ的一个函数假设：J(θ)主要用来描述该方程在样本点的逼近程度特点： 都具有局部最小值最后的结果并不一定
转载
2024-05-23 20:50:20
14阅读
机器学习基础监督学习给定学习目标（标签），让预测值与目标更加接近。主要是 传统的二分类，多分类，多标签分类，还有新的目标检测，目标识别，图形分割等无监督学习没有标签的数据，通过推断输入数据中的结构来建模，模型包括关联学习，降维，聚类等半监督学习这个就是前两者的结合，使用大量的没标记的数据，同时由部分使用标记数据进行模式识别。自编码器就是一种半监督学习，生成的目标就是未经修改的输入，语言处理中根据给
转载
2023-10-24 14:37:32
141阅读
摘要：本文提出了一种针对文字识别的多模态半监督方法，具体来说，作者首先使用teacher-student网络进行半监督学习，然后在视觉、语义以及视觉和语义的融合特征上，都进行了一致性约束。
作者： Hint 。摘要直到最近，公开的真实场景文本图像的数量仍然不足以训练场景文本识别器。因此，当前大多数的训练方法都依赖于合成数据并以全监督的方式运行。然而，最近公开的真实场景文本图像的数量显着增加
转载
2024-09-28 15:32:59
42阅读
最近在学习半监督学习方面的内容，一开始便遇到了这么几个概念：主动学习(active learning)、半监督学习(semi-supervised learning)和直推学习(transductive learning)。想必刚开始大家都觉得有点迷糊，下面就让我来详细把它们之间的联系与区别讲述一下，相信读完大家一定会思路清晰，至少在概念上不会再搞错了。 什么是主动学习？ 主动学习指的是这样
转载
2024-05-08 16:40:39
68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
# pytorch 半监督学习
在机器学习领域中，监督学习是最常见的学习方式之一，其需要大量带有标签的数据来训练模型。然而，获取标签数据的过程通常是昂贵和耗时的。因此，半监督学习应运而生，它利用少量的标记数据和大量的未标记数据来训练模型。本文将介绍pytorch中的半监督学习方法，并提供代码示例。
## 半监督学习简介
半监督学习是一种介于监督学习和无监督学习之间的学习方法。在半监督学习中，
原创
2023-08-03 08:19:35
961阅读
# 半监督学习与 PyTorch
近年来，随着深度学习的快速发展，半监督学习作为一个重要的研究方向，受到了广泛关注。半监督学习结合了有标签数据和无标签数据，以提高模型的性能。本文将介绍半监督学习的基本概念、方法及在 PyTorch 中的实现，并通过具体代码示例来帮助大家理解这个主题。
## 半监督学习的基本概念
半监督学习的主要思想是使用少量的有标签样本和大量无标签样本进行模型训练。在许多实
# PyTorch 半监督学习入门指南
## 引言
近年来，深度学习的快速发展使得我们在各个领域取得了显著的进展。但是，要训练一个高效的深度学习模型通常需要大量标记数据，而获取标记数据的成本十分昂贵。因此，半监督学习（Semi-Supervised Learning, SSL）作为一种结合少量标记数据和大量未标记数据的学习策略，受到了广泛关注。本文将介绍PyTorch中的半监督学习方法，并提供
深度学习与pytorch人工智能（artificial intelligence,AI） 机器学习（machine learning) 深度学习（deep learning)一、机器学习在人工智能领域，机器学习 是实现人工智能的一个分支，也是人工智能领域发展最快的一个分支。简单地说，机器学习是计算机程序如何随着经验的积累而自动提高性能，使系统自我完善的过程。机器学习在近30多年已发展成为一门多领域
转载
2023-12-06 23:37:00
71阅读
半监督语义分割方法的总结：主要思想： Consistency regularization ：希望不同扰动之下网络的输出结果一致，扰动的加入的位置：（1）在输入图片上加扰动（2）在某一层的输出特征上添加扰动创新点：鼓励两个初始化不同（不同扰动）的网络的一致性利用半监督的方式相当于扩充了数据集网络结构两个网络的结构相同，但使用不同的初始化（作为不同的扰动），具体而言，2个网络backbone部分使用
转载
2023-10-25 15:59:46
195阅读
前言 如果您曾经听说过或研究过深度学习，那么您可能就知道MNIST, SVHN, ImageNet, PascalVoc或者其他数据集。这些数据集都有一个共同点： 它们由成千上万个有标签的数据组成。 换句话说，这些集合由(x，y)对组成，其中(x)是原始数据，例如是一个图像矩阵；而(y)则表示该数据点(x)表示的标签。以MNIST数据集为例， MNIST数据集包含60,000个图像数据
转载
2023-08-22 12:42:27
174阅读
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
Semi-Supervised Learning半监督学习（三） 方法介绍 Mixture Models & EM 无标签数据告诉我们所有类的实例混和在一起是如何分布的，如果我
转载
2024-07-29 22:14:17
40阅读
文章目录1. 生成式方法2. 半监督SVM(Semi-Supervised Support Vector Machine, S3VM)3. 图半监督学习3.1 针对于二分类问题的标记传播3.2 针对于多分类问题的标记传播4. 基于分歧的方法5. 半监督聚类(Semi-supervised clustering)5.1 约束K均值算法(Constrainted k-means)5.2 约束种子k均
转载
2024-08-23 06:42:39
106阅读
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
2.2 深度学习基础及数学原理深度学习并没有想象的那么难，甚至比有些传统的机器学习更简单。所用到的数学知识也不需要特别的高深，本章将会一边讲解深度学习中的基本理论，一边通过动手使用PyTorch实现一些简单的理论，本章内容很多，所以只做一个简短的介绍2.2.1 监督学习和无监督学习 监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法：监督学习：通过已有的训练样本（即
转载
2023-10-20 18:13:46
97阅读
