深度学习复盘与论文复现E

已于 2024-07-21 22:06:00 修改
阅读量1.5k 收藏 15
点赞数 26
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 深度学习 人工智能
于 2024-07-21 22:02:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/QuantumYou/article/details/140542166

文章目录


在这里插入图片描述

本期复现论文：Two-stage Temporal Modelling Framework for Video-based Depression Recognition using Graph Representation

https://ieeexplore.ieee.org/document/10572478

在这里插入图片描述

一、项目复现的问题及其解决方案

1、 Cannot find DGL C++ graphbolt library

FileNotFoundError: Cannot find DGL C++ graphbolt library
在这里插入图片描述

  • 解决方法：在命令行终端执行 pip install dgl 没有效果后 在设置package 中进行安装

2、 “is“ with a literal. Did you mean “==“?”

“SyntaxWarning: “is“ with a literal. Did you mean “==“?”
在这里插入图片描述

原因：
从 python 3.8 开始，使用 is 和 is not 运算符时，会抛出 SyntaxWarning 语句警告信息

  • 解决方法：将对应语句中is/is not用== 和 != 代替

MTB_DFE运行结果
在这里插入图片描述

3、运行SEG、SPG查看GATNet的网络结构

序列图表示(SEG)和频谱图表示(SPG)
在这里插入图片描述

在这里插入图片描述

  • 连接服务器运行一下

在这里插入图片描述
在这里插入图片描述

4、关于LI-FPN项目找不到数据粒度不匹配问题

在这里插入图片描述

在这里插入图片描述

  • 解决方法：发现这里的测试数据和训练数据居然是字符串，进行重新按格式导入数据集即可

5、关于LI-FPN项目num_samples为空

在这里插入图片描述

  • 解决方法：还是数据集没有处理好，重新按格式导入数据集即可

6、解决路径问题

  • 输出结果如下贴图，发现243_1/243_1 明显是截取目录出错了

最低0.47元/天 解锁文章

200万优质内容无限畅学
论文结果难复现？本文教你完美实现深度强化学习算法DQN
深度学习世界
11-24 2479
选自arXiv 作者：Melrose Roderick等 机器之心编译 论文的复现一直是很多研究者和开发者关注的重点，近日有研究者详细论述了他们在复现深度 Q 网络所踩过的坑与训练技巧。本论文不仅重点标注了实现过程中的终止条件和优化算法等关键点，同时还讨论了实现的性能改进方案。机器之心简要介绍了该论文，更详细的实现细节请查看原论文。 过去几年
深度学习 复现资料
todingdong的博客
03-06 471
网址收藏栏 啊啊啊啊 不是我说，上课的老师基本都是讲理论的多，编程不教自己去学 本学渣鸭梨山大 论文解读：pointer-gen for summarization https://zhuanlan.zhihu.com/p/109122901 论文 | Neural Network Models for Paraphrase Identification, Semantic Textual Sim...
深度学习论文代码复现——CycleGAN和pix2pix
不想学习的打工人的博客
10-24 1万+
从GitCode（服务器在国内，访问比较快）中将开源代码copy下来。
深度学习论文复现：MTCNN算法分析笔记
胖虎的博客
09-02 2197
MTCNN算法分析笔记1. 项目来源（1）论文题目（2）实现目标（3）相关资源2. 代码运行i）图像标注ii）生成PNet训练数据iii）训练PNetiv）生成RNet训练数据v）训练RNetvi）生成ONet训练数据vii）训练ONet3. 算法与代码分析 1. 项目来源 （1）论文题目 本次复现的论文：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks ，原作者是使用Matlab进行算法实
深度学习 图像分割 PSPNet 论文复现（训练 测试 可视化）
LPY coder的博客
10-03 8566
PSPNet(Pyramid Scene Parsing Network)来自于CVPR2017的一篇文章，中文翻译为金字塔场景解析网络，主要用于图像分割。此架构引入了金字塔池化（Pyramid Pooling）模块，以捕捉不同尺度下的上下文信息。Pyramid Pooling可以在不同尺度上提取全局和局部上下文信息，有助于更好地理解图像中的语义内容，从而提高分割性能。
深度学习复盘与论文复现A
QuantumYou的博客
05-26 1615
在Python中，有一些特殊的方法（通常被称为“魔法方法”或“双下划线方法”）是由Python解释器预定义的，它们允许对象进行某些特殊的操作或重载常见的运算符。这些魔法方法通常以双下划线（__）开始和结束。初始化方法在创建对象时自动调用，用于初始化对象的状态。字符串表示方法和用于定义对象的字符串表示。__str__用于在print函数中，而__repr__用于在repr函数中。)"比较方法：如等用于定义对象之间的比较操作。算术运算符方法：如等用于定义对象之间的算术运算。容器方法：如等。
深度学习复盘与论文复现C
QuantumYou的博客
06-09 1208
RNN（Recurrent Neural Network，循环神经网络）是一种具有“记忆”功能的神经网络，它特别适合处理序列数据，如文本、语音、时间序列等。RNN通过在其内部结构中引入循环，使得网络能够捕捉序列中的时间依赖性和动态性。RNN 的公式表示在 RNN 中，隐藏状态 和输出 的计算通常使用以下公式：其中：RNN 的问题尽管 RNN 在处理序列数据方面非常有效，但它也面临一些问题：RNN 的变体为了解决这些问题，研究人员提出了 RNN 的多种变体，其中最著名的是 LSTM（Long Short-
深度学习复盘与论文复现D
QuantumYou的博客
07-14 1690
此外还需要实现__len，该方法用于计算样本数据，__len__返回总的样本的个数。一.
深度学习复盘与论文复现B
QuantumYou的博客
06-02 1063
GoogLeNet在一个块中将几种卷积核（1×1、3×3、5×5、…）都使用，然后将其结果罗列到一起，将来通过训练自动找到一种最优的组合。（Feature Extraction），最后的 Fully Connected 称为分类（Classification）。Average Pooling 均值池化：保证输入输出宽高一致（可借助padding和stride）总结：一般LSTM 比RNN性能好，但运算性能时间复杂度比较高，所以引出折中的GRU介绍。卷积核通道数=输入通道数，卷积核个数=输出通道数。
一些适合初学者复现的深度学习项目推荐（CNN,GCN,Transformers，U-Net）
qq_43449643的博客
10-24 8841
可复现的AI项目
目标检测-20种常用深度学习算法论文、复现代码汇总.zip
03-29
目标检测-20种常用深度学习算法论文、复现代码汇总
自己的第一个深度学习论文复现
衣带渐宽人憔悴
07-15 3110
第二个版本代码结果： 学习率太大的结果？ ckpt-17 ckpt-25 ckpt-27
深度学习模型复现难？看看这篇句子对模型的复现论文
数据派THU
06-23 1767
来源：PaperWeekly作者：张琨本文共1500字，建议阅读7分钟。本文是COLING 2018的 Best Reproduction Paper，文章对senten...
深度学习_目标检测（二）——SSD（二）复现-为了更好的理解
DONG_LIN_2019的博客
10-28 1967
目录 复现ssd网络 Step 1/x网络构建部分——命名空间scope【block】输入x+计算*（卷积） Step 2/x 网络构建部分——命名空间scope【loc和cls】输出 Step 3/x 先验框部分——先验框生成 第一步：anchor_size和Sk的计算过程： 第二步：ar计算-自己设定 Step 4/x先验框部分——解码网络得 box[x0, y0, x1, ...
深度学习小白如何复现项目代码？
m0_57307642的博客
12-17 2886
复现GAN网络
深度学习顶会论文 复现 tensorflow代码转pytorch 吐血入门经验
热门推荐
ncf的博客
12-17 2万+
1. 前言 我想把一个TensorFlow代码转为pytorch代码，深度学习的代码。经过一个月的调试。。。。。自己好垃圾啊。。。 2.目标 将这个阴影去除的tensorflow代码转pytorch。 3.过程 阅读需要复现的原文 很快啊，就一天可能就把TensorFlow的网络结构照猫画虎的写成了pytorch 然后就进入了无限调bug阶段。。。持续两周左右 最后想要放弃的时候，打算搭建TensorFlow的环境跑作者提供的代码，这时灵光一现，发现了自己哪里写错了。。。 4.建议的过程 网络结构或许很
论文解读与复现：Alexnet-ImageNet Classification with Deep Convolutional Neural Networks
weixin_46524818的博客
01-17 1921
由于我设置的学习率太大，导致随机梯度下降时已经越过最优点，loss开始上升，模型变得不可控后续如果更精准的数据的话可以减少学习率重复进行训练，可以达到一个不错的值，下面是测试集的loss，可以发现在第6个epoch的loss已经最小了，由于越过最优点，就导致loss后面不断上升。其中求和是在相同空间位置上的n个“相邻”卷积核图上进行的，N是该层中的总卷积核数。到论文的后面，就卖一下最终的结果，Alexnet的提出，是具有跨时代意义的，是使用CNN与其他机器学习的方法进行比较，并且CNN均领先近80个点。
【实例分割深度学习网络复现总结】
TravleGun的博客
05-25 1301
今天在电脑上成功编译安装了Spconv1.x，所以记录一下。电脑配置：RTX 2080tiCUDA10.0cudnn7.6.5pytorch1.0python3.7gcc5.4.0Ubuntu20.0Spconv1.x的版本不如2.x的好用，现在的最新Spconv版本可以直接使用命令行进行安装，比之前版本方便很多。看网上说的Spconv1.x版本对CUDA、cudnn、gcc、g++等版本要求比较高，如果不兼容的话很难编译上。
机器学习考研复试面试
最新发布
03-27
<think>好的，我现在需要帮用户解答关于机器学习方向考研复试和面试的常见问题及准备方法。首先，用户的需求很明确，但作为新手，我需要仔细分析他的问题，确保覆盖所有可能的方面。 首先，用户提到的是考研复试和面试，所以需要明确这两个环节的不同。复试通常包括笔试和面试，而面试可能涉及专业问题、项目经验、个人规划等。用户特别关注机器学习方向，所以重点应该放在机器学习相关的知识点上。 接下来，我需要回忆常见的机器学习复试问题。根据引用[2]，监督学习和无监督学习的区别是一个基础问题，必须包括在内。其他可能的问题包括过拟合与欠拟合、模型评估指标、算法原理（如SVM、决策树、神经网络）等。此外，项目经验也是面试中常被问到的，用户需要准备如何描述自己的项目，包括解决的问题、方法、结果等。 然后，准备技巧方面，用户可能需要了解如何系统复习，比如整理知识框架、刷题、模拟面试等。引用[1]中提到的测试分类虽然不直接相关，但说明结构化的回答方式很重要，可能需要分点列出技巧，如基础概念、算法推导、代码能力、项目复盘等。 还要考虑用户可能的深层需求，比如如何应对压力面试，或者没有项目经验怎么办。这时候需要建议用户即使没有实际项目，也可以通过复现经典论文、参加竞赛来积累经验。 另外，代码能力在机器学习面试中也很重要，特别是手写算法或伪代码。比如K近邻、线性回归的代码实现，这些可能需要用户提前练习。 最后，综合问题部分，可能会涉及机器学习的发展趋势或伦理问题，用户需要有一定的了解，并能表达自己的见解。比如当前的热点如深度学习、强化学习，或者AI伦理中的隐私问题。 总结下来，回答的结构应该是先分常见问题，再讲准备技巧，每个部分都要详细但清晰。需要确保覆盖基础概念、算法、项目、代码和综合问题，同时引用相关的资料来支持答案，比如引用[2]中关于机器学习的定义和应用场景。还要注意使用正确的LaTeX格式，比如行内公式用$...$，独立公式用$$...$$，并检查语法是否正确。最后生成的相关问题要围绕机器学习复试展开，帮助用户进一步深入准备。</think>### 机器学习考研复试/面试常见问题及准备技巧 #### 一、基础概念类问题 1. **机器学习的定义与核心思想** 回答需包含：从数据中学习模式（而非显式编程）、通过优化模型参数提升性能。例如： > 机器学习是以数据为基础，通过构建模型从经验中学习规律，并用于预测或决策[^2]。 2. **监督学习与无监督学习的区别** - 监督学习：输入数据有标签，目标是学习输入到输出的映射（如分类、回归） - 无监督学习：输入数据无标签，目标是发现隐藏结构（如聚类、降维）[^2] 3. **过拟合与欠拟合的解决方法** - 过拟合：正则化（如$L_1/L_2$范数）、交叉验证、数据增强 - 欠拟合：增加模型复杂度、特征工程 #### 二、算法推导类问题 1. **线性回归的损失函数及求解** 损失函数： $$ J(\theta) = \frac{1}{2m}\sum_{i=1}^m (h_\theta(x^{(i)}) - y^{(i)})^2 $$ 求解方法：最小二乘法（闭式解$\theta = (X^TX)^{-1}X^Ty$）或梯度下降。 2. **SVM的优化目标与核函数作用** - 目标：最大化分类间隔，转化为凸二次规划问题 - 核函数：将低维线性不可分数据映射到高维空间（如RBF核$K(x,z)=e^{-\gamma\|x-z\|^2}$） #### 三、代码能力类问题 1. **手写K近邻伪代码** ```python def KNN(X_train, y_train, x_test, k): distances = [sqrt(sum((x - x_test)**2)) for x in X_train] k_indices = argsort(distances)[:k] k_labels = [y_train[i] for i in k_indices] return mode(k_labels) ``` 2. **逻辑回归的梯度下降实现** ```python def sigmoid(z): return 1 / (1 + np.exp(-z)) def logistic_regression(X, y, lr=0.01, epochs=1000): theta = np.zeros(X.shape[1]) for _ in range(epochs): z = X.dot(theta) h = sigmoid(z) gradient = X.T.dot(h - y) / len(y) theta -= lr * gradient return theta ``` #### 四、项目经验类问题 1. **如何描述项目？** 使用STAR模型： - **S**ituation：项目背景（如“基于LSTM的股票预测”） - **T**ask：你的角色（数据清洗/模型调参） - **A**ction：具体技术细节（特征选择方法、模型评估指标） - **R**esult：量化成果（如准确率提升至85%） 2. **没有项目经验怎么办？** - 复现经典论文（如ResNet、Transformer） - 参加Kaggle竞赛（如Titanic、House Prices） #### 五、综合开放类问题 1. **机器学习的未来趋势** - 预训练大模型（如GPT-4） - 自动化机器学习（AutoML） 2. **AI伦理问题** - 数据隐私保护（联邦学习） - 算法公平性（消除性别/种族偏见） --- ### 准备技巧 1. **知识框架梳理** 按“基础概念→经典算法（如决策树、SVM、神经网络）→前沿技术（如深度学习）”整理思维导图。 2. **模拟面试训练** 针对高频问题录制回答视频，观察语言流畅度与逻辑性。 3. **论文精读方法** 选择1-2篇顶会论文（如NeurIPS、ICML），重点理解： - 问题定义（Problem Formulation） - 创新点（Contribution） - 实验设计（Baseline对比） ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值