li_kin的博客

首先主题：使用pytorch的预训练集来进行训练测试；安装配置环境：直接在GPU上跟着先跑通一遍，能当成一个调包侠。主要是安装一些库，其中最基础的库：mmcv来做底层的运算。下载1000多个类别分类数据集。B1是核心：导入基础包；找计算设备；导入预训练图像分类模型—选一个reset18模型（可换层数更多的模型）。步骤：1.图像预处理：RSTN。R—resize；载入图像，pilow包；执行图像分类预测，看每个类别的概率-置信度，图像分类结果写在图像上。视频处理预测：逐帧处理，两种可视化方案。摄像头训练

Use pytorch to do image classfication.

Pytorch各组件和实战学习

T6--基于深度学习的文本分类3基于深度学习的文本分类续【待续】：这几天在去和同学在外地游玩了，没有好好来得及看

T5-基于深度学习的文本分类25 基于深度学习的文本分类--文本表示方法5.1 词向量5.1.1 Skip-grams在上个章节中，学习通过FastText快速实现了基于深度学习的文本分类模型，但是这个模型不是最优的。在本章继续学习下一个模型。【学习目标】学习Word2Vec的使用和基础原理学习使用TextCNN,TextRNN进行文本表示学习使用HAN的网络结构完成文本分类5 基于深度学习的文本分类–文本表示方法继续学习基于深度学习的文本分类【文本表示方法】5.1 词向量通过wor

NLP入门--T4基于深度学习的文本分类-14 基于深度学习的文本分类4.1 文本表示方法4.1.1 上章节文本表示4.1.2 深度学习文本表示4.2 FastText在之前学习使用传统机器学习模型来解决文本分类问题，从本章开始学习使用深度学习方法。【学习目标：】学习FastText的使用和基础原理学会使用验证集进行调参4 基于深度学习的文本分类与传统机器学习不同，深度学习既能提供也正提取功能，也可以完成分类的功能。4.1 文本表示方法4.1.1 上章节文本表示在之前学习几种文本表示方

NLP--T3基于机器学习的文本分类3 基于机器学习的文本分类3.1 机器学习模型3.2 文本表示方法 Part13.2.1 One-hot3.2.2 Bag of words3.2.3 N-gram在上章节中，对赛题的数据进行读取，并在末尾留出两个小作业–基本掌握pandas读取操作。在本章我们将使用传统机器学习算法来完成新闻分类的过程，将会接触到赛题的核心知识点。【学习目标】学会TF-IDF的原理和使用使用sklearn的机器学习模型完成文本分类3 基于机器学习的文本分类在本章开始使用机

NLP入门赛事-T2数据读取与数据分析2 数据读取与数据分析2.1 数据读取2.2 数据分析2.2.1 句子长度分析上一章节学习了竞赛的内容和几种解决方案。从本章开始学者从使用指南1到指南4来完成本次赛题。在讲解工具使用的同时，会学习一些算法的原理和相关知识点，并会确定一定的参考文献供大家深入学习。【学习目标：】学习使用Pandas读取赛题数据分析赛题数据的分布规律2 数据读取与数据分析该章节主要内容为：数据读取和数据分析，具体使用Pandas库完成数据读取操作，即可进行赛题数据进行分析构成

NLP赛题理解1 基本概念1.1 赛题数据1.2 数据标签1.3 数据读取1.4 常规解题思路对新闻文本分类进行赛题理解，对赛题数据进行说明，并给出解题思路；赛题名称：零基础入门NLP之新闻文本分类赛题目标：通过这道简单入门级赛题走入NLP比赛，接触NLP的预备，模型构建和模型训练等。赛题任务：赛题以自然语言处理为背景，要求选手对新闻文本进行分类，是一个典型的字符识别问题。1 基本概念1.1 赛题数据赛题以匿名处理后的新闻数据为赛题数据，数据集报名后可见垂直下载。赛题数据为新闻文本，并按照字

TASK01-数组之和C++代码哈希表法C++代码```cpp#include <vector>class Solution {public: vector<int> twoSum(vector<int>& nums, int target) { int i=0; int j=0; ...

编程感悟编程语言的发展趋势编程语言的语言会越来越向着人的方向看，而不是机器方向看去除分号开始去除和逻辑无关的语法自动垃圾回收机制DSL(Domain Specific Language ):理解what和how整体而言，越来越多的DSL的出现，也是编程语言发展的一大趋势编程语言的发展趋势随着计算机行业的发展和技术积累沉淀，越来越多的算法被封装和直接使用；今天的我们不是站在巨人的肩膀上，而是站在...

函数与分段函数绘制函数曲线直接使用M文件使用函数 function分段函数定义和使用法1：分段函数的输入参数是单个的X值法2：定义分段函数的输入参数是向量X绘制函数曲线直接使用M文件绘制曲线: y = xe(1-x) x为[0:0.05:2]clc;clear;close all;x = 0:0.05:2;y = x.*exp(1-x);plot(x,y)xlabel(‘...

程序流程控制语句语法知识点循环结构1. for end代码实现：2. while end代码实现条件转移结构 if else end语法：代码实现开关结构表达式语法： switch case end代码实现试探结构：try catch end **这个语法不常用，只是了解一下**语法代码实现循环结构控制语句 break 和...

MATLAB学习系列绪论：基本知识点使用帮助文档初学者建议绪论：如何才能学好MATLAB：只需要基本的程序设计语言就行，例如C,C++;MATLAB特点各种各样的函数和工具箱；就是像搭积木那样，树立首先工具意识树立投资观念：投资金钱买资料和投资学习软件工具的时间；基本知识点修改当前工作文件目录：文件管理功能；命令行窗口，进行即时编译不加 ；就会直接显示；加 ；就不会显示在work...

@[TOC]（机器相关及相关技术）机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。主要特征为：输出是单词序列而不是单个单词。输出序列的长度可能与源序列的长度不同。BPE（byte pair encoding ）:词表压缩NMT 系统为了能够控制计算的复杂度，有 着一个固定大小的词汇表，通常会将词汇表限制在 30k 到 80k...

过拟合和欠拟合及其解决方案模型选择，过拟合和欠拟合训练误差和泛化误差模型选择 概念验证数据集K折交叉验证过拟合和欠拟合模型复杂度训练数据集大小梯度消失和梯度爆炸随机初始化模型参数Pytorch的默认随机初始化Xavier随机初始化模型选择，过拟合和欠拟合训练误差和泛化误差在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization erro...

@[TOC]（学习线性回归模型）：线性回归的基本要素(概念)模型假设房屋价格只取决于面积和房龄两个因素：即面积/平方米和房龄/年所谓线性回归模型：即满足线性模型：price=warea⋅area+wage⋅age+b数据集为了得出模型，首先要有充分的数据集做基础；收集一系列的真实数据，例如多栋房屋的真实售出价格和它们对应的面积和房龄。我们希望在这个数据上面寻找模型参数来使模型的预测价格...

计算机历史简介操作系统介绍Unix介绍Linux介绍Windows小结编程语言主流编程语言C语言C++JAVAJAVAScriptC#PHPrubyperlshellVBGoNgixPython小结操作系统介绍Unix介绍被称为计算机/互联网行业的基石；特别稳定，常常用在银行的后台管理上；但不是开源免费的；在写Unix操作系统的过程中，诞生发明了C语言，然后利用C语言重新写了Unix；因而...