03 2025 档案
摘要：参数优化 优化
摘要：无监督领域自适应（UDA） 任务描述： 现有两个数据集 源域
摘要：过拟合问题 欠拟合：根本原因是特征维度过少，模型过于简单，导致拟合的函数无法满足训练集，误差较大； 解决方法：增加特征维度，增加训练数据； 过拟合：根本原因是特征维度过多，模型假设过于复杂，参数过多，训练数据过少，噪声过多，导致拟合的函数完美的预测训练集，但对新数据的测试集预测结果差。 过度的拟合了
阅读全文
摘要：简单来看：Causal learning = To learn causal models/features from data Causal research 里包括两种重要问题，一种是Causal learning，另一种是Causal reasoning（不同的文献有不同的分法和叫法，这里用J
阅读全文
摘要：生成对抗网络 背景 一般而言，深度学习模型可以分为判别式模型与生成式模型。由于反向传播、dropout等算法的发明，判别式模型得到了迅速发展。然而，由于生成式模型建模较为困难，因此发展缓慢，直到近年来最成功的生成模型--生成式对抗网络的发明，这一领域才换发新的生机。 简介 GAN是一种深度学习模型，
阅读全文
摘要：相关系数和特征选择 相关系数和特征选择，一个是属性，一个是特征。一般，把数据集中的各列成为属性，而对算法模型表现有益的属性成为特征。例如，在预测泰坦尼克乘客的存活情况时，乘客姓名这个属性对我们的预测可能没有帮助，甚至会干扰模型表现；而乘客年龄、性别或许与存活情况有很强的关系，这时，可以称他们为特征。
阅读全文
摘要：Pytorch-Lightning 可以在Pytorch的库Pytorch-lightning中找到我们在这里讨论的每一个优化。Lightning是在Pytorch之上的一个封装，它可以自动训练，同时让研究人员完全控制关键的模型组件。Lightning使用最新的最佳实践，并将你可能出错的地方最小化。
阅读全文
摘要：数据切片 数据切片，又被称为数据分片，是一种在处理大规模数据集时，将数据划分为多个较小部分的方法。这种方法可以让我们更有效地处理和分析数据，尤其是在处理大规模数据集时，数据切片技术可以显著提高处理速度和效率。 数据切片技术的主要目的是提高数据处理的速度和效率，同时保证数据的完整性和一致性。数据切片可
阅读全文
摘要：with torch.no_grad() 在深度学习的世界里，模型训练与评估是两个相互独立却又紧密相连的过程。训练时我们需要梯度来更新模型参数，但在评估阶段，梯度计算则称为了不必要的负担。with torch.no_grad()正是为此而生 它允许我们在不记录梯度的情况下执行前向传播，从而节省内存并
阅读全文
