TensorFlow2简介 简介TensorFlow是谷歌开源的一款深度学习框架，首次发布于2015年，TensorFlow2发布于2019年，TensorFlow2.0.0正式稳定版发布于2019年10月1日，而今，TensorFlow已被很多企业与创业公司广泛用于自动化工作任务和开发新系统，其在分布式训练支持、可扩展的生产和部署选项、多设备支持（如安卓）方面备受好评。TensorFlow使用数
转载
2024-05-25 22:46:27
51阅读
模型创建加载数据这里是对tensorflow的学习，所以没有什么特别有意义的数据，我是使用sklearn生成的二分类数据sklearn.datasets.make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per
转载
2024-04-16 16:59:26
19阅读
引言经过一番折腾，我们终于配置好了Tensorflow2.0的环境，接下来通过Tensorflow来一起揭开深度学习的神秘面纱吧。实战Tensorflow分类器首先我们打开我们昨天的Hello TF工程，进入编辑界面之后，依次点击Kernel -> Restart & Clear Output，这样就可以把上一次的编译结果清除了。为了避免产生一些不必要的错误，我们尽量在每次重新打开一
转载
2024-07-26 12:58:37
54阅读
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
from icecream import ic
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
#1 加载数据
fashion_mnist = ker
转载
2024-04-12 06:18:14
32阅读
数据集我们将使用狗与猫数据集（有免费许可证），你可以在以下链接中找到：https://www.kaggle.com/datasets/biaiscience/dogs-vs-cats。这些数据集可以免费使用。我将向你展示如何创建一个模型来解决这个二分类任务，以及使用它对新图像进行推理。下载此数据集的第一件事是使用凭据访问Kaggle，然后下载Kaggle。你可以通过单击“创建新API token”
转载
2024-08-16 22:30:11
51阅读
文章目录引言ROC的引入混淆矩阵ROC曲线的解释EERAUC 引言 本文旨在介绍ROC曲线及其前置概念如混淆矩阵、FPR、TPR等，还有其引申概念EER、AUC等等。ROC的引入 ROC曲线是一张用于评价二分类模型的曲线图，典型如下图所示： 理论上来说，该曲线越靠近坐标系的左上角说明该二分类器的表现越好，一个理想的二分类的ROC曲线应如下图所示：混淆矩阵 为了了解ROC曲线横纵轴所代表的意义及曲
转载
2024-04-22 22:24:52
91阅读
数据的下载： （共有三个版本：python,matlab,binary version 适用于C语言） http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz http://www.cs.toronto.edu/~kriz/cifar-10-ma
转载
2019-01-07 10:30:00
166阅读
2评论
AUC是指:从一堆样本中随机抽一个，抽到正样本的概率比抽到负样本的概率大的可能性! AUC是一个模型评价指标，只能用于二分类模型的评价，对于二分类模型，还有很多其他评价指标，比如logloss，accuracy，precision。如果你经常关注数据挖掘比赛，比如kaggle，那你会发现AUC和logloss基本是最常见的模型评价指标。为什么AUC和logloss比accuracy更常用呢？
# Python 二分类器实现流程
## 1. 简介
在机器学习中，二分类器是一种常见的模型，用于将输入数据分为两个不同的类别。Python提供了丰富的机器学习库，如scikit-learn，可用于实现二分类器。在本教程中，我将向你介绍一种基于scikit-learn库的Python二分类器的实现方法。
## 2. 实现步骤
下表展示了实现Python二分类器的步骤及其对应的代码：
| 步
原创
2023-08-03 04:50:46
162阅读
1、逻辑回归原理分析核心思想：将线性模型的输出映射到0-1之间，通过阈值判断，进行二分类模型：
转载
2023-12-27 10:00:29
805阅读
文章目录一、相关概念1.logistic回归1.1前言1.2目的1.3流程1.4Sigmoid函数1.4.1公式1.4.2图像1.5优缺点2.最优化方法2.1梯度上升算法2.1.1梯度公式2.1.2例子2.1.3迭代公式2.1.4训练步骤2.2梯度下降算法2.2.1与梯度上升算法的区别2.2.2迭代公式2.2.3训练步骤2.3随机梯度上升算法2.3.1训练步骤3.分类3.1二分类3.2多分类3.
转载
2023-10-11 09:46:36
606阅读
要求：自己生成一个样本总数为20的两类数据集，每类分别为10个样本。实现线性分类器。基础知识参考了这份博客，它是我找到的最详细的一篇讲解。神经网络系列之五 -- 线性二分类的方法与原理另外附上GitHub地址：https://github.com/microsoft/ai-edu这份作业快到截止时间了，我还没学会神经网络，又没有找到相关代码，于是自己用笨办法写了一下代码来实现线性分类器。impor
转载
2023-10-12 20:39:11
84阅读
基础监督学习经典模型监督学习任务的基本架构和流程： 1.准备训练数据； 2.抽取所需特征，形成用于训练特征向量(Feature Vectors)； 3.训练预测模型(Predictive Model)； 4.抽取测试数据特征，得到用于测试的特征向量； 5.使用预测模型对待测试特征向量进行预测并得到结果(Label/Target)。分类学习 1.二分类（Binary Classifica
转载
2023-11-03 05:55:58
147阅读
本篇记录一下如何使用bert进行二分类。这里用到的库是pyotrch-pretrained-bert，原生的bert使用的是TensorFlow，这个则是pytorch版本。本篇文章主要参考了基于BERT fine-tuning的中文标题分类实战的代码以及如何用 Python 和 BERT 做中文文本二元分类？的数据。本文的github代码地址：https://github.com/sky9452
转载
2023-11-14 21:42:31
135阅读
前言最近在b站发现了一个非常好的 计算机视觉 + pytorch实战 的教程，相见恨晚，能让初学者少走很多弯路。 因此决定按着up给的教程路线：图像分类→目标检测→…一步步学习用 pytorch 实现深度学习在 cv 上的应用，并做笔记整理和总结。up主教程给出了pytorch和tensorflow两个版本的实现，我暂时只记录pytorch版本的笔记。pytorch官网入门demo——实现一个图像
转载
2023-08-25 19:01:04
252阅读
朴素贝叶斯 概述贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本章首先介绍贝叶斯分类算法的基础——贝叶斯定理。最后，我们通过实例来讨论贝叶斯分类的中最简单的一种: 朴素贝叶斯分类。贝叶斯理论 & 条件概率贝叶斯理论我们现在有一个数据集，它由两类数据组成，数据分布如下图所示：我们现在用 p1(x,y) 表示数据点 (x,y) 属于类别 1（图中用圆点表示的
目录题目输入输出样例题解思路题解源码（c/c++）题目 ：线性分类器
【题目描述】考虑一个简单的二分类问题——将二维平面上的点分为 A 和 B 两类。训练数据包含 n 个点，其中第 i 个点（1≤i≤n）可以表示为一个三元组 (xi,yi,typei)， 即该点的横坐标、纵坐标和类别。在二维平面上，任意一条直线可以表示为 θ0 + θ1x+ θ2y = 0 的形式，即由 θ0、θ1 和 θ2 三个
本文主要是使用【监督学习】实现一个图像分类器，目的是识别图片是猫还是狗。从【数据预处理】到 【图片预测】实现一个完整的流程， 当然这个分类在 Kaggle 上已经有人用【迁移学习】（VGG，Resnet）做过了，迁移学习我就不说了，我自己用 Keras + Tensorflow 完整的实现了一遍。准备工作：数据集： Dogs vs. Cats 注册激活困难，自己想想办法，Ps：实在注册
转载
2024-05-24 22:11:02
72阅读
tensorflow2.0 和tensorflow1.0 到底有什么区别，之前被问过，自己也没想过。 看了一些文章，主要有以下一些点。 tensorflow2.0 和tensorflow1.0的区别一、tensorflow2.0 与tensorflow1.0的性能区别二、TensorFlow 1.x的历史背景三、模型结构 一、tensorflow2.0 与tensorflow1.0的性能区别因为t
转载
2024-04-30 14:01:04
28阅读
电影二分类问题通常需要对原始数据进行大量预处理，以便将其转换为张量输入到神经网络中。单词序 列可以编码为二进制向量，但也有其他编码方式。带有 relu 激活的 Dense 层堆叠，可以解决很多种问题（包括情感分类），你可能会经 常用到这种模型。对于二分类问题（两个输出类别），网络的最后一层应该是只有一个单元并使用 sigmoid 激活的 Dense 层，网络输出应该是 0~1 范围内的标量，表示概
转载
2024-04-18 07:07:20
49阅读
