目录一，目标检测中的Precision & Recall二，为什么要这两个指标？三,代码解析 一，目标检测中的Precision & RecallPrecision,准确率/查准率 Recall,召回率/查全率 准确率比较好理解，就是检测出的所有正样本中多少是真正的正样本 Recall召回率其实最主要的是理解FN，其实FN（False Negative）就是被判断负样本但其实是正
转载
2024-06-18 06:53:27
36阅读
1 利用地方差的方法减少特征数也及（PCA）去除那些方差不满足基本设定的门限值得特征，特别是方差值为零的，因为方差值为零，那么数据集在该方向上比较密集，这数据无法通过学习来分类，因此该维度上的向量对特征的分类没有太多用处，因此可以去除该维度的特征，以减少计算复杂度。例如，假设我们有一个具有布尔功能的数据集，我们想要删除在超过80%的样本中要么是一个或零(on或off)的所有特性。布尔特征是伯努利随
转载
2024-07-25 20:46:25
63阅读
近日，CMU 的研究人员在 arXiv 上放出了一份技术报告，介绍他们如何通过蒸馏（distillation）训练一个强大的小模型。所提出方法使用相同模型结构和输入图片大小的前提下，在 ImageNet 上的性能远超之前 state-of-the-art 的 FixRes 2.5% 以上，甚至超过了魔改结构的 ResNeSt 的结果。这也是第一个能在不改变 ResNet-50 网络结
转载
2024-03-31 22:22:43
75阅读
这篇论文刚开头就说到现如今人们对于计算机视觉架构具有非常高的关注，但其实每一次新的SOTA的模型架构，其实都经常同时改变训练方法学和缩放策略相结合。所以说，这篇论文就重新审视思考了resnet这一经典的模型架构。然后，作者对比了现在非常火的高性能的用nas搜出来的网络结构effcientnet，与res
目录一、 什么是Servlet二、Servlet API三、第一个Servlet四、Servlet工作原理五、Servlet的生命周期六、请求常用方法补充1:客户端如何发送数据给服务器补充2：处理请求乱码的问题补充3:get和post的区别七、响应八、重定向和转发的对比九、会话十、获取初始化参数十一、注解方式实现servlet 一、 什么是Servlet
前端页面
转载
2024-06-12 23:15:04
22阅读
说明： 本文为学习深度学习相关知识时所做笔记，不保证完全正确，错误和描述不当的地方欢迎也感谢提出。学习参考链接 文章目录1 FAST R-CNN1.1 one-stage和two-stage1.2 回归方法和分类方法1.3 YOLO统一网络1.4 Region Proposal(候选区域)1.5 RPN（region proposal network）卷积网络1.6 VGG16网络1.7 soft
转载
2024-08-20 18:13:36
57阅读
作者丨Happy 导读本文是DeepLab系列作者“Liang-Chieh Chen”大神在全景分割领域的又一力作。它在Wide-ResNet的基础上引入SE与"Switchable Atrous Convolution,SAC"两种改进，嵌入到Panoptic-DeepLab框架中并在全景分割领域取得了SOTA性能(在更快、更大模型配置方面均取得了SOTA指标)。paper: https://a
综述 在计算广告中，CTR是非常重要的一环。对于特征组合来说，业界通用的做法主要有两大类：FM系列和Tree系列。这里我们来介绍一下FM系列。 在传统的线性模型中，每个特征都是独立的，如果需要考虑特征与特征之间的相互作用，可能需要人工对特征进行交叉组合。非线性SVM可以对特征进行核变换，但是在特征高度稀疏的情况下，并不能很好的进行学习。现在有很多分解模型可以学习到特征之间的交互隐藏关系，
在lifelong比赛上下载了图片数据集，目标是将不同光照下不同视角物体的分类，每张图片只含有一种类别，一共有51个类别（有刀、订书机、杯子、勺子等），所以想到了用ResNet50做图片分类，顺便学习ResNet的背后原理。论文阅读：Residual learning 部分图片展示
在ResNet之前理论上，加深神经网络层数之后，网络应该可以对更为复杂的特征进行提取，但是实验
转载
2024-06-12 12:54:02
367阅读
当我们进行这样处理是会产生非常多的参数，我我们可以通过以下详细过程进行分析，如何利用最少的参数等到相同的结果这只是一个分类情况，就用了16个参数，之后看最后的结果使用了16*9个参数才能计算完成，而且这只是一层，我们发现最后的结果一般只与四个参数有关，我们可不可将这四个参数提取出来最后通过一个卷积层将数据进行转换在上图中，输入和卷积核都是张量，卷积运算就是卷积分别乘以输入张量中的每个元
转载
2024-01-14 19:32:13
71阅读
多分类问题Softmax二分类问题给定一系列特征，输出为0或1，表示是否满足某个条件。具体做法是输出一个概率，表示给定特征满足这个条件的概率，或者不满足这个条件的概率。多分类问题给定一系列特征，预测是多个类别中的哪一类，比如手写数组识别、物体识别等。如果在多分类问题中仍采用二分类问题的解决方法，即输出可能属于每个类别的概率，会出现的问题有输出的概率可能为负数所有类别概率之和不为1，即不是一个分布提
转载
2023-08-17 16:37:44
212阅读
概念篇-多分类多标签
最近在处理一个多分类的归类问题。多分类问题是个很常见的问题。但由于大家问题描述的角度不同，纠结点不一样，用词不同，导致有时候理解上出现了what?的尴尬情况。但透过现象看本质，抓住机器学习本质就是找公式，解方程，解不出来就尽量优化这个核心思想，就不会lost。什么是归类。在图像归类中，手写数字识别，预测目标是0，1，2...9中的某
分类从结果的数量上可以简单的划分为：二分类（Binary Classification）多分类（Multinomial Classification）。其中二分类是最常见且使用最多的分类场景，解决二分类的算法有很多，比如：基本的KNN、贝叶斯、SVMOnline Ranking中用来做二分类的包括FM、FFM、GBDT、LR、XGBoost等多分类中比如：改进版的KNN、改进版的贝叶斯
转载
2024-04-11 19:47:27
123阅读
主要涉及的知识点：混淆矩阵、Precision(精准率)、Recall(召回率)、Accuracy(准确率)、F1-score （包括二分类和多分类问题）ROC、AUC 【一】众所周知，机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score，而回归模型最常用指标有MAE和RMSE。但是我们真正了解这些评价指标的意义
转载
2024-05-06 12:43:45
308阅读
今天给大家介绍两个多分类任务中的经典网络模型LeNet5和AlexNet。内容源来自“有三AI”，感兴趣的读者可以关注公众号“有三AI”。首先要给大家普及以下网络深度和网络宽度的概念，强调一点，池化层是不算入网络深度的。网络的深度：最长路径的卷积层+全连接层的数量，这是深度学习最重要的属性。如图，以简单的LeNet5网络为例，网络中包含3个卷积层，2个全连接层，所以网络深度等于5。C1+C3+C5
转载
2023-09-27 18:47:43
254阅读
文章目录1、一对一（One vs. One，简称OvO）2、一对其余（One vs. Rest，简称OVR）3、多对多（Many vs. Many，简称MvM） 现实中常遇到多分类学习任务，有些二分类学习方法可直接推广到多分类，但在更多情况下，我们是基于一些基本策略，利用二分类学习器来解决多分类问题。不失一般性，考虑N个类别C1，C2，C3，…，CN，多分类学习的基本思路是“拆解法”，即将多
文章目录0 写在前面1 softmax函数2 数据预处理2.1 scatter（）函数的cmap属性3 激活函数4 模型搭建5 完整代码6 输出分析6.1 目标6.2 运行过程7 总结 0 写在前面二分类问题是多分类问题的一种特殊情况，区别在于多分类用softmax代替sigmoid函数。softmax函数将所有分类的分数值转化为概率，且各概率的和为1。1 softmax函数softmax函数首
转载
2023-10-04 07:59:38
145阅读
根据《统计学习方法》第四章朴素贝叶斯算法流程写成，引入贝叶斯估计（平滑处理)。本例旨在疏通算法流程，理解算法思想，故简化复杂度，只考虑离散型数据集。如果要处理连续型数据，可以考虑将利用“桶”把连续型数据转换成离散型，或者假设连续型数据服从某分布，计算其概率密度来代替贝叶斯估计。《机器学习实战》的朴素贝叶斯算法，是针对文本处理（垃圾邮件过滤）的算法，是二元分类（y=0或y=1），且特征的取值也是二元
转载
2024-07-08 10:17:21
68阅读
Unet的一些概念Unet 的初衷：是为了解决生物医学图像方面的问题，最初也是在细胞数据集上使用的，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，比如卫星图像分割，工业瑕疵检测等。Unet 的优势：1，可以在小数据集上达到较好的效果。以往的网络模型依赖于大量的数据集进行训练，但是在医学图像的分割中，往往能够训练的数据相对较小而检测目标又会比较大，在unet网络中使用了数据增强；2，可以对
转载
2024-04-24 16:11:29
66阅读
文章目录推荐阅读前言混淆矩阵简介二分类混淆矩阵一级指标二级指标准确率（Accuracy）精确率（Precision）召回率（Recall）特异度（Specificity）三级指标（F-score）F1-score多分类混淆矩阵准确率（Accuracy）精确率（Precision）召回率（Recall）特异度（Specificity）F1-score示例与代码实现step1：统计混淆矩阵step2
转载
2024-01-25 19:44:18
180阅读
