随笔分类 - 机器学习
摘要：什么是图神经网络？ 在过去的几年中，神经网络的兴起与应用成功推动了模式识别和数据挖掘的研究。许多曾经严重依赖于手工提取特征的机器学习任务（如目标检测、机器翻译和语音识别），如今都已被各种端到端的深度学习范式（例如卷积神经网络（CNN）、长短期记忆（LSTM）和自动编码器）彻底改变了。有人将此次人工智
阅读全文
摘要：图嵌入的概述 图分析任务的分类 节点分类：基于其他标记的节点和网络拓扑来确定节点的标签(也称为顶点) 链接预测：预测缺失链路或未来可能出现的链路的任务 聚类：用于发现相似节点的子集，并将它们分组在一起 可视化：有助于深入了解网络结构 图嵌入算法：作为降维技术的一部分。他们首先根据实际问题构造一个D维
阅读全文
摘要：主要总结一下，项目可视化过程中的坑，以及解决方法 图片清晰的的设置 %config InlineBackend.figure_format = 'retina'#设置图片的高清度 %matplotlib inline #不需要指令plt.show() 读取txt文件 并进行处理 #names设置列名
阅读全文
摘要：丢弃法 动机：一个好的模型需要对输入进行扰动 使用有噪音得数据等价于Tikhonov正则 丢弃法：在层之间加入噪音 无偏差地加入噪音(加入噪音之后，期望不变) 正则项只在训练中使用：他们影响的是模型参数的更新，在预测/推理过程中，丢弃法直接返回输出 总结 丢弃法将一些输出项随机置0来控制模型的复杂度
阅读全文
摘要：DataLoader报错问题 感觉跟操作系统有一定关系，windows需要改为0，无法并行 将num_workers改为0 batch_size改得更小一点 更改虚拟机内存，直接搜索 OSError: [WinError 1455] 页面文件太小,无法完成操作 对d2l包的理解 之前写代码都没用这个
阅读全文
摘要：感知机(总结) 感知机是一个二分类模型，是最早的AI模型之一 它的求解算法等价于使用批量大小为1的梯度下降 它不能拟合XOR函数，导致第一次AI寒冬 多层感知机(总结) 超参数 隐藏层数 每层隐藏层的大小 神经网络设计的一些经验 逐步地对数据进行压缩，避免丧失过多信息 后面我们可以适当地扩张某一层的
阅读全文
摘要：AI地图 模型的可解释性 总的来说，我们的研究对于机器学习来说是有一些解释的，但是深度学习这一块还是没有太大研究 有效性和可解释性 有效性：我们能不能解释 可解释性：解释出来你能不能听懂(比如：模型在哪里会出现偏差) 线性回归 对loss.sum().backward()的理解： .backward
阅读全文
摘要：引言 pytorch的文档看过很多种，也看过许多autograd的文章，但总是有一种似懂非懂的感觉。但它又是pytorch较为核心的一个点，所以希望用一篇文章解决所有疑问！ 基础 在深度学习中，我们经常需要对函数求梯度(gradient)。PyTorch提供的autograd包能够根据输入和前向传播
阅读全文
