noteGlove模型目标：词的向量化表示，使得向量之间尽可能多蕴含语义和语法信息。首先基于语料库构建词的共现矩阵，然后基于共现矩阵和GloVe模型学习词向量。对词向量计算相似度可以用cos相似度、spearman相关系数、pearson相关系数；预训练词向量可以直接用于下游任务，也可作为模型参数在下游任务的训练过程中进行精调（fine-tuning）；很多使用如情感分析、词性标注任务中，我们的N
转载
2023-12-07 15:08:36
100阅读
1. plt.legend()函数的作用是给图像加图例。 图例是集中于地图一角或一侧的地图上各种符号和颜色所代表内容与指标的说明，有助于更好的认识地图。 基础绘制eg：
X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
C,S = np.cos(X), np.sin(X)
X 是一个 numpy 数组，包含了从 −π 到 +π
转载
2023-09-30 10:53:06
165阅读
# 使用 PyTorch 实现 t-SNE 降维算法
t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种用于降维的方法，通常用于可视化高维数据。它能够将高维数据映射到低维空间，使得相似的数据点在低维空间中尽量保持接近，而不相似的数据点则被尽量远离。这种特性使得 t-SNE 在数据探索和可视化中非常有用。
在本文中，我们将讨论如何使用 Py
# 实现pytorch tsne图
## 概述
在本文中，我将向你介绍如何使用PyTorch库来实现t-SNE图。t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种非线性降维算法，可以将高维数据可视化为二维或三维空间。这对于理解数据的结构和模式非常有帮助。让我们按照以下步骤来实现它。
## 整体流程
下表展示了实现pytorch tsn
原创
2024-02-01 04:53:39
534阅读
绪论 本次作业主要针对机器学习概念的扫盲以及PyTorch的基础应用。全文共分为四个部分，分别是：第一部分对图像的基本操作，第二部分PyTorch的常用操作，第三部分和第四部分是PyTorch的实际应用。由于之前没接触过深度学习和图像处理方面的知识，故本次作业保留题目的原代码，并附上自己的注解和总结，以供后续查看。注：以下是代码练习
第一部分 图
转载
2023-09-11 17:04:32
152阅读
EfficientDet 难复现，复现即趟坑。在此 Github 项目中，开发者 zylo117 开源了 PyTorch 版本的 EfficientDet，速度比原版高 20 余倍。如今，该项目已经登上 Github Trending 热榜。去年 11 月份，谷歌大脑提出兼顾准确率和模型效率的新型目标检测器 EfficientDet，实现了新的 SOTA 结果。前不久，该团队开源了 Efficie
转载
2024-05-27 11:17:40
2阅读
文章目录前言效果搭建环境安装编译环境安装anaconda，python3.8.8环境安装vs2019vs2019安装完毕后开始安装cuda安装cudnn安装pytorch 前言体验了一下new bing，很不错，但是最近觉得这种模型还是搭建在自己电脑上最好，看了下github上的chatGLM项目，这个项目在致力于将一个大语言模型搭建在个人机上，我对此惊叹不已，就按照其流程下载下来搭建在自己电脑
转载
2024-05-15 14:00:35
31阅读
概述tSNE是一个很流行的降维可视化方法，能在二维平面上把原高维空间数据的自然聚集表现的很好。这里学习下原始论文，然后给出pytoch实现。整理成博客方便以后看SNEtSNE是对SNE的一个改进，SNE来自Hinton大佬的早期工作。tSNE也有Hinton的参与。先解释下SNE。 SNE 全称叫Stochastic Neighbor Embedding。思想是这样的，分别在降维前和降维后的数据集
转载
2023-07-23 20:48:53
131阅读
莫烦PyTorch教程笔记整理 文章目录一、PyTorch神经网络基础1.Torch和Numpy2.变量2.激励函数二、搭建简单的神经网络1.回归2.分类3.搭建网络的两种方法4.模型的保存和提取5.批训练 一、PyTorch神经网络基础1.Torch和NumpyTorch中的tensor与Numpy中的数组非常类似，二者的基本操作类似，可以相互转换： 将Numpy数组转换为Torch的tenso
转载
2023-10-08 16:38:36
191阅读
# 使用PyTorch进行t-SNE降维的探索
## 引言
本篇文章旨在介绍如何使用PyTorch实现t-SNE（t-分布随机邻域嵌入）降维技术。t-SNE是一种常用的降维算法，尤其在数据可视化和探索性数据分析中表现出色。通过将高维数据映射到低维空间，t-SNE能够揭示数据的内在结构，帮助我们更好地理解数据。
## 什么是t-SNE？
t-SNE是一种非线性降维技术，特别适合于处理高维数据
原创
2024-08-15 04:40:36
123阅读
NLP FROM SCRATCH：GENERATING NAMES WITH A CHARACTER-LEVEL RNN这是“NLP From Scratch”系列的第二个教程。第一个教程“NLP From Scratch: Classifying Names with a Character-Level RNN”是把names进行分类到对应的language category，本教程将会反过来，
一、题目图着色问题的优化算法设计和启发式算法设计，以及对结果进行必要的分析，用Python绘图，并对结果进行文字说明。二、问题描述图着色问题（Graph Coloring Problem, GCP）又称着色问题，是最著名的NP-完全问题之一。 数学定义：给定一个无向图G=（V, E），其中V为顶点集合，E为边集合，图着色问题即为将V分为K个颜色组，每个组形成一个独立集，即其中没有相邻的顶点。其优化
# 实现pytorch最后一层t-SNE
## 概述
在深度学习中，我们经常需要将高维数据映射到低维空间进行可视化或聚类分析。t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种常用的降维技术。在PyTorch中，我们可以通过一些简单的步骤实现对最后一层特征的t-SNE降维。
## 流程概览
下面是实现pytorch最后一层t-SNE的步骤
原创
2024-06-29 06:13:32
394阅读
数据降维与可视化——t-SNE t-SNE是目前来说效果最好的数据降维与可视化方法，但是它的缺点也很明显，比如：占内存大，运行时间长。但是，当我们想要对高维数据进行分类，又不清楚这个数据集有没有很好的可分性（即同类之间间隔小，异类之间间隔大），可以通过t-SNE投影到2维或者3维的空间中观察一下。如果在低维空间中具有可分性，则数据是可分的；如果在高维空间中不具有可分性，可能是数据不可分，也可能仅
转载
2024-01-30 06:07:10
2430阅读
t-SNE实践——sklearn教程t-SNE是一种集降维与可视化于一体的技术，它是基于SNE可视化的改进，解决了SNE在可视化后样本分布拥挤、边界不明显的特点，是目前最好的降维可视化手段。关于t-SNE的历史和原理详见从SNE到t-SNE再到LargeVis。代码见下面例一TSNE的参数函数参数表：parameters描述n_components嵌入空间的维度perpexity混乱度，表示t-S
转载
2023-11-05 19:45:20
0阅读
目录一：二叉树的基本概念二：二叉树的性质（特性）（一）：二叉树性质介绍（二）：完全二叉树与满二叉树介绍三：二叉树结点及树创建Python语言实现一：二叉树的基本概念二叉树是每个节点最多有两个子树的树结构。通常子树被称作“左子树”（left subtree）和“右子树”（right subtree）二：二叉树的性质（特性）（一）：二叉树性质介绍性质1: 在二叉树的第i层上至多有2^(i-1
转载
2024-10-08 14:04:23
13阅读
基于pytorch的网络结构可视化前言 之前实现了一些常见的网络架构，但是有些网络架构并没有细说，并且网络传输过程中shape的变化也很少谈及过。 除此之外，前面的实现很少涉及到可视化的内容，比如损失值的可视化、网络结构的可视化。 所以本期博客就是补充一下这几点。目录结构 文章目录基于pytorch的网络结构可视化1. 安装：2. summary使用方法：3. tensorboardX使用方法：4
转载
2024-08-27 15:10:32
75阅读
# Python中的t-SNE算法及其应用
## 概述
t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种非线性降维技术，用于将高维数据映射到低维空间，以便于可视化和聚类分析。它通过考虑数据点之间的相似性来构建一个低维表示，使得在高维空间中相似的数据点在低维空间中保持相对的距离。t-SNE最初由Laurens van der Maaten
原创
2023-09-16 14:12:46
172阅读
在数据科学和机器学习的世界中，t-SNE（t-distributed Stochastic Neighbor Embedding）是一种常用的降维技术，它能够有效地将高维数据嵌入到低维空间中，从而帮助我们可视化数据。然而，使用 t-SNE 进行数据分析时，参数的选择极为重要，不同的参数组合对最终的结果有显著影响。
### 背景定位
在实际应用中，数据可视化是我们理解和分析复杂数据的重要工具。我
如何使用python进行t-SNE降维分析
# 引言
t-SNE（t-distributed stochastic neighbor embedding）是一种非线性降维技术，广泛应用于可视化高维数据。在本文中，我将教你如何使用python实现t-SNE算法。我们将按照以下步骤进行：
1. 准备数据
2. 数据预处理
3. 构建t-SNE模型
4. 可视化结果
接下来，我将详细解释每个步骤需
原创
2024-01-23 04:39:37
127阅读
