dylan_young的博客

CNN 主要用于处理图像、自然语言等二维/三维、对平面感知要求较高的数据，具有局部感知能力（卷积功能，即矩阵的点乘）和空间不变性（滤镜（filter）的权重不变），而 DNN 则更加通用，可用于各种类型的数据处理任务，特别是高维度、非线性、复杂性强的数据。在实际应用中，选择恰当的网络结构和参数设置非常重要。CNN主要由四个层结构构成：输入层（Input Layer）、卷积层（Convolution Layer）、池化层（Pooling Layer）、全连接层（Fully Connected Layer）

文章目录前言一、CPU训练模型的随机种子设定二、GPU训练模型的随机种子设定1.引入库2.读入数据总结前言在利用pytorch架构构建神经网络时，常常需要随机初始化权重（weight）和偏置（bias）等参数，为了保证训练模型的可复制化，我们需要在训练模型之前进行随机种子的设定。具体可以分为在CPU训练模型和在GPU训练模型设定随机种子。提示：以下是本篇文章正文内容，下面案例可供参考一、CPU训练模型的随机种子设定比如每次运行代码，我都希望通过CPU生成一致的随机数，代码如下import t

文章目录前言一、机器学习是什么?二、表示学习三、深度学习总结前言本文主要阐述机器学习, 表示学习和深度学习的原理和区别.一、机器学习是什么?机器学习(machine learning), 是从有限的数据集中学习到一定的规律, 再把学到的规律应用到一些相似的样本集中做预测. 机器学习的历史可以追溯到20世纪40年代 McCulloch提出的人工神经元网络, 目前学界大致把机器学习分为传统机器学习和机器学习两个类别.其中传统机器学习更多地关注于特征提取(提取数据集中有效地特征)和特性转化(对提取的特.

文章目录前言第一个问题第二个问题第三个问题总结前言其实，深度神经网络的反向传播我们只需知道这个算法的理念，即这个算法的目标方程是谁，对目标方程做什么运算，为什么这样做或者这样做的好处是什么？解决了以上三个问题，你也就相当于掌握了反向传播的精髓。第一个问题目标方程是损失函数（loss function），根据问题本身会有差异；比如分类问题，我们常用交叉熵（cross entropy）作为损失函数，这样能很好的预测分类结果的分布；如果是回归问题，我们常用mse（误差平方的平均值）作为损失函数，这样.

文章目录前言一、accuracy二、precision三、recall四、f1-score总结前言我们知道机器学习分为回归问题和分类问题；同时，评价指标在模型训练和评价中占据着举足轻重的地位；本文主要介绍分类问题常见的四个评价指标，accuracy，precision， recall 和f1-score。在明确以上四个评价指标的定义和用途之前，我们需要知道四个概念；在二分类问题中，TP 是测试集上的样本为positive（正），我们的模型代入该测试集样本预测仍为正；TN 是测试集上的样本为negat.

语音文本格式转化及在librosa库的语音文本输入要求闲话少说，直接上料！python的librosa库是语音模型进行语音特征提取的常见的库；但使用时请注意，librosa库仅支持wav格式的语音文件！！！如果你上传的文件格式为m4a，则可通过ffmpeg对语音文件的格式进行转换，前提是安装ffmpeg！！！对于常见的苹果手机/电脑录音，音频格式为m4a；如果我们把它转化为wav格式，进行如下操作ffmpeg -i 需要转化的文件名.m4a 目标文件名.wav其中，目标文件名自己定义，转化后的

文章目录前言一、目标文本是什么？二、模型调用步骤1.引入库2.导入模型，本文使用 t5-base3.使用分词器对目标文本进行分词4.对刚刚生成的分词结果进行目标语言的生成工作5.对生成的目标语言进行解码工作，就可得到目标语言的文本，并打印前言Google的T5模型从2019年发布到今天雄风依旧；在翻译，文本分类，智能问答，文章摘要等方面都取得SOTA地位；本文使用T5的翻译功能完成 文本从一种语言翻译到另一种语言的翻译功能，我们可以使用把模型最后输出的目标语音文本代回到google翻译器中进行进一步.

文章目录一、机器学习中，回归问题的六大评价指标是什么？二、六大评价指标都代表什么含义？如何进行模型评价？总结引用文章链接：一、机器学习中，回归问题的六大评价指标是什么？ 回归问题五大评价指标分别为 皮尔逊相关系数， 解释方差分数（explained_varience_score）， 平均绝对误差（mean_absolute_error）， 均方差(mean_square_error)， r2分数（r2_score） 和 调整r2分数（r2_score_adjust）二、六大评价.