2023年1月30日

摘要: 教程 同济子豪兄 https://space.bilibili.com/1900783 代码运行云GPU平台:https://featurize.cn/?s=d7ce99f842414bfcaea5662a97581bd1 模型部署入门教程(一):模型部署简介 https://zhuanlan.zh 阅读全文
posted @ 2023-01-30 23:01 琢磨亿下 阅读(70) 评论(0) 推荐(0) 编辑

2023年1月28日

摘要: 教程 同济子豪兄 https://space.bilibili.com/1900783 代码运行云GPU平台:https://featurize.cn/?s=d7ce99f842414bfcaea5662a97581bd1 DFF https://jacobgil.github.io/pytorch 阅读全文
posted @ 2023-01-28 23:35 琢磨亿下 阅读(1086) 评论(0) 推荐(0) 编辑
摘要: 教程 同济子豪兄 https://space.bilibili.com/1900783 https://www.bilibili.com/video/BV1qe4y1D7zD 环境配置 数据处理:numpy pandas 机器学习库:scikit-learn 画图的:matplotlib seabo 阅读全文
posted @ 2023-01-28 01:46 琢磨亿下 阅读(96) 评论(0) 推荐(0) 编辑

2023年1月27日

摘要: 教程 同济子豪兄 https://space.bilibili.com/1900783 https://www.bilibili.com/video/BV1qe4y1D7zD Github:Train_Custom_Dataset/图像分类/4 配置环境 数据处理:numpy pandas 可视化: 阅读全文
posted @ 2023-01-27 00:02 琢磨亿下 阅读(137) 评论(0) 推荐(0) 编辑

2023年1月24日

摘要: 教程 同济子豪兄:https://space.bilibili.com/1900783 斯坦福CS231N【迁移学习】中文精讲:https://www.bilibili.com/video/BV1K7411W7So 斯坦福CS231N【迁移学习】官方笔记:https://cs231n.github. 阅读全文
posted @ 2023-01-24 23:41 琢磨亿下 阅读(205) 评论(0) 推荐(1) 编辑

2023年1月20日

摘要: 主要内容 今天的任务是学习预训练模型的使用,模型是Resnet18,使用的torchvision包由流行的数据集、模型体系结构和通用的计算机视觉图像转换组成。简单地说就是常用数据集+常见模型+常见图像增强方法。步骤包括:载入预训练模型,图像预处理(缩放裁剪、转 Tensor、归一化),执行前向预测, 阅读全文
posted @ 2023-01-20 00:04 琢磨亿下 阅读(190) 评论(0) 推荐(0) 编辑

2023年1月18日

摘要: 前言 【教程地址】 同济子豪兄教学视频:https://space.bilibili.com/1900783/channel/collectiondetail?sid=606800 #导入工具包 import numpy as np import os import math import time 阅读全文
posted @ 2023-01-18 00:49 琢磨亿下 阅读(366) 评论(0) 推荐(0) 编辑

2022年1月4日

摘要: 可视化 数据集 Iris数据集。 导入python库和实验数据集 import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sk 阅读全文
posted @ 2022-01-04 21:59 琢磨亿下 阅读(1699) 评论(0) 推荐(0) 编辑

2022年1月2日

摘要: 集成学习 一、理论部分 1. 集成学习 bagging 通过降低方差的方式减少预测误差 boosting 最终的预测效果是通过不断减少偏差的形式 Adaptive Boosting Gradient Boosting 变体 Xgboost LightGBM Catboost 2.Boosting思想 阅读全文
posted @ 2022-01-02 21:52 琢磨亿下 阅读(607) 评论(0) 推荐(0) 编辑
摘要: 主成分分析 一、理论部分 主成分分析 无监督学习 背景:当变量数量多的时候,很难通过可视化看到4维及以上的变量的关系 保留原始数据中尽可能多的信息,保留最小数据空间——解决方法:主成分分析(数据降维) 主成分分析:一种将原始数据投影到低维线性空间上的降维技术;将一组相关变量转换到一组新的不相关变量中 阅读全文
posted @ 2022-01-02 18:24 琢磨亿下 阅读(413) 评论(0) 推荐(0) 编辑

导航