deephub

摘要： 在本文中，我将尝试解释 SVD 背后的数学及其几何意义，还有它在数据科学中的最常见的用法，图像压缩。 奇异值分解是一种常见的线性代数技术，可以将任意形状的矩阵分解成三个部分的乘积：U、S、V。原矩阵A可以表示为： 具体来说，A矩阵中的奇异值就是\Sigma矩阵中的对角线元素，它们是矩阵A的特征值的平 阅读全文

摘要： ChatGPT的插件使数据科学成为一种简单、愉快的体验 我们做数据分析时一般都是使用这样的流程来进行：运行jupyter notebook、安装库、解决依赖关系和版本控制，数据分析，生成图表。ChatGPT的“Code Interpreter”插件可以帮助我们进行数据分析。 完整文章： https: 阅读全文

摘要： POCS：Projections onto Convex Sets。在数学中，凸集是指其中任意两点间的线段均在该集合内的集合。而投影则是将某个点映射到另一个空间中的某个子空间上的操作。给定一个凸集合和一个点，可以通过找到该点在该凸集合上的投影来进行操作。该投影是离该点最近的凸集内的点，可以通过最小化 阅读全文

摘要： Unit Scaling 是一种新的低精度机器学习方法，能够在没有损失缩放的情况下训练 FP16 和 FP8 中的语言模型。 使用FP16和BFLOAT16替代FP32可以将内存、带宽和计算需求的大幅减少，这也是目前越来越大的模型所需要的。 背景介绍 随着支持fp8的硬件的发展，在不影响效率的前提下 阅读全文

摘要： 使用Pandas和Python从时间序列数据中提取有意义的特征，包括移动平均，自相关和傅里叶变换。 前言 时间序列分析是理解和预测各个行业(如金融、经济、医疗保健等)趋势的强大工具。特征提取是这一过程中的关键步骤，它涉及将原始数据转换为有意义的特征，可用于训练模型进行预测和分析。在本文中，我们将探索 阅读全文

摘要： Prompt（提示）是扩散模型生成图像的内容来源，构建好的提示是每一个Stable Diffusion用户需要解决的第一步。本文总结所有关于提示的内容，这样可以让你生成更准确，更好的图像 一个好的提示 首先我们看看什么是好的提示，好的提示必须是详细和具体的。最好的办法是查看关键字类别和列表，关键字类 阅读全文

摘要： SimCLR（Simple Framework for Contrastive Learning of Representations）是一种学习图像表示的自监督技术。 与传统的监督学习方法不同，SimCLR 不依赖标记数据来学习有用的表示。 它利用对比学习框架来学习一组有用的特征，这些特征可以从未 阅读全文

摘要： 高斯混合模型（后面本文中将使用他的缩写 GMM）听起来很复杂，其实他的工作原理和 KMeans 非常相似，你甚至可以认为它是 KMeans 的概率版本。 这种概率特征使 GMM 可以应用于 KMeans 无法解决的许多复杂问题。 因为KMeans的限制很多，比如： 它假设簇是球形的并且大小相同，这在 阅读全文

摘要： 一般情况下，我们都是使用散点图进行聚类可视化，但是某些的聚类算法可视化时散点图并不理想，所以在这篇文章中，我们介绍如何使用树状图（Dendrograms）对我们的聚类结果进行可视化。 树状图 树状图是显示对象、组或变量之间的层次关系的图表。树状图由在节点或簇处连接的分支组成，它们代表具有相似特征的观 阅读全文

摘要： Half-UNet简化了编码器和解码器，还使用了Ghost模块(GhostNet)。并重新设计的体系结构，把通道数进行统一。 论文动机 编码器的不同类型的架构图，编码器(A-C)的结构分别来源于U-Net的编码器、解码器和全的Unet结构。 下面是上图的一些结果指标 将U-Net 的编码器和解码器都 阅读全文