注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. PyTorch 模型训练实用教程

  2. 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数， 并且对 PyTorch 提供的数据增强方法（22 个）、权值初始化方法（10 个）、损失函数（17 个）、优化器（6 个）及 tensorboardX 的方法（13 个） 进行了详细介绍，本教程分为四章， 结构与机器学习三大部分一致。 第一章， 介绍数据的划分，预处理，数据增强； 第二章， 介绍模型的定义，权值初始化，模型 Finetune； 第三章， 介绍各种损失函数及优化器； 第四章， 介绍可视化工具，用于监控数

  3. 所属分类：机器学习

    • 发布日期：2019-03-03
    • 文件大小：4mb
    • 提供者：qq_29893385

  1. keras自定义损失函数并且模型加载的写法介绍

  2. keras自定义函数时候，正常在模型里自己写好自定义的函数，然后在模型编译的那行代码里写上接口即可。如下所示，focal_loss和fbeta_score是我们自己定义的两个函数，在model.compile加入它们，metrics里‘accuracy’是keras自带的度量函数。 def focal_loss(): ... return xx def fbeta_score(): ... return yy model.compile(optimizer=Adam(lr=0.0001

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：48kb
    • 提供者：weixin_38668776

  1. 逻辑回归（LR）公式推导及代码实现

  2. 文章目录构造hypothesis构造损失函数通过“梯度下降法”求参数 θ\thetaθ 的更新式代码实现References 逻辑回归是用来解决分类问题用的，与线性回归不同的是，逻辑回归输出的不是具体的值，而是一个概率。除去了sigmoid函数的逻辑归回和线性回归几乎是一样的。 构造hypothesis 逻辑回归的HHH可以看做是一个线性回归方程的结果经过一个sigmoid函数得到的结果（为正样本的概率），逻辑回归的假设函数如下： hθ(x)=g(θTx)=11+e−θTx h _ { \the

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：224kb
    • 提供者：weixin_38631329

  1. LR损失函数推导

  2. LR的推导 LR逻辑回归是一种监督学习分类算法，其实现了给定数据集到0,1的一种映射。 给定数据集D={(x1,y1),(x2,y2),…,(xm,ym)}，其中(xi,yi)表示第i个样本，其中，xi=(xi1,xi2,…,xin)，即每个数据有n个特征，类别y={0,1}，要求训练数据，将数据分成两类0或1。 假定xi的n个特征为线性关系，即：                                                    这里为了表示简洁，在数据样本xi添加一个特征x

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：396kb
    • 提供者：weixin_38726441

  1. python中线性回归LR函数参数

  2. LR工具： from sklearn.linear_model.logistic import LogisticRegression 参数： penalty，惩罚项，正则化参数，防止过拟合，l1或l2，默认为l2 C，正则化系数λ的倒数，float类型，默认为1.0 solver，损失函数优化方法，liblinear（默认），lbfgs， newton-cg，sag random_state，随机数种子 max_iter，算法收敛的最大迭代次数，默认为100 tol=0.0001 :

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：35kb
    • 提供者：weixin_38701156

  1. 2021-GAIIC-Track1-idea:全球人工智能技术创新大赛【赛道一】-源码

  2. 2021-GAIIC-Track1-idea 非常荣幸能够拿到本周周星星，目前线上分数是5折nezha-base模型融合得到，采用pretrian + finetuning，具体细节如下： 预训练 由于数据是脱敏，所以直接从头开始训练bert模型，没有加载已有的预训练模型权重，模型采用的是nezha-base，代码参考； mask方法：采用ngram mask方法，以及动态mask方法，具体可以参考： 预训练代码使用的是tansformers模块自带的，具体可以参考； 预训练参数：lr =

  3. 所属分类：其它

  1. lineargo：LinearGo（用于LIBLINEAR的Go包装器）：大型线性分类的库-源码

  2. LinearGo：LIBLINEAR for Go 这是 （ ）的Golang包装器。 请注意，由于Go约定，此程序包的接口可能与liblinear C接口略有不同。 但是，我将尝试将函数名称和功能与liblinear C库对齐。 GoDoc ：。 LIBLINEAR简介 LIBLINEAR是用于具有数百万个实例和功能的数据的线性分类器。 它支持 L2正规分类器 L2损失线性SVM，L1损失线性SVM和逻辑回归（LR） L1正规分类器（1.4版之后） L2损失线性SVM和逻辑回归（LR

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：15kb
    • 提供者：weixin_42139302

  1. obj_det_loss：实现对象检测丢失-源码

  2. 目标检测损失函数和非最大抑制量调查 此回购协议将总结和实现电流损耗功能，并提出用于对象检测的非最大抑制方法。 所有方法都将在VOC2012上进行评估 深度学习的模板代码结构 数据 数据集注释 数据集预处理/分析 楷模 utils-必要的功能也许将评估指标移到这里？ 网络 失利 骨干网 网络配置 数据处理用于培训和测试的数据加载器 实用程序 记录器 评估/指标 非最大压抑 可视化-Jupyter Notebook 培训师-API 保存/装载重量 LR调度程序 优化器（有时需要传递网络来处理

  3. 所属分类：其它

  1. 艰难梭菌-源码

  2. 使用PyTorch在基准数据集上培训SOTA体系结构 参数列表包括： 数据集（请参见下文） ptr表示火车的尺寸。 建筑（见下文） 优化器（ sgd ， adam ） lr和lr调度程序（ cosineannealing ， none ） 损失函数（多类crossentropy ，一类hinge ） 用alpha技巧在特征或懒惰机制中进行训练（ featlazy变为1并改变alpha ） ... 例： python main.py --epochs 200 --save_

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：525kb
    • 提供者：weixin_42099087

  1. scikit-learn-examples：使用Scikit-learn探索Logistic回归，MLP和SVM-源码

  2. Scikit学习示例 使用Scikit-learn探索Logistic回归，MLP和SVM 档案 main.py：主程序 config.py：配置，参数 util.py：与数据预处理有关 model.py：模型 img /：用于保存损失函数图的目录（用于线性回归） 数据集 乳腺癌 糖尿病 数字 虹膜 葡萄酒 运行代码 线性回归 python main.py -model=lr # to show the plot on the fly python main.py -model=lr -show

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：292kb
    • 提供者：weixin_42133899

  1. 使用Pytorch来拟合函数方式

  2. 其实各大深度学习框架背后的原理都可以理解为拟合一个参数数量特别庞大的函数，所以各框架都能用来拟合任意函数，Pytorch也能。 在这篇博客中，就以拟合y = ax + b为例（a和b为需要拟合的参数），说明在Pytorch中如何拟合一个函数。 一、定义拟合网络 1、观察普通的神经网络的优化流程 # 定义网络 net = ... # 定义优化器 optimizer = torch.optim.Adam(net.parameters(), lr=0.001, weight_decay=0.000

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：67kb
    • 提供者：weixin_38693528