LOLUN9的博客

农业害虫3.6T，包含26个目，313个科，共1600余种（覆盖所有一类农作物）。6.申请农业病虫害训练平台账号，申请数据集，进行模型与数据隔离训练。想用训练平台或者数据集进行训练的小伙伴可以给我留言或者发邮件。3.将标注后的数据转化为VOC,COCO或者YOLO格式。基于上一版本，近期团队又对农业病虫害图像数据集做个补充。农业病害1.5T，包含160种作物，共1500余种。4.针对某一种作物，或者某几种害虫建立数据子集。杂草1.0T，共500余种。5.增加病虫害语料数据集。

深度学习——病虫害检测图像数据库

制作自己的VOC数据集

Ubuntu中，在docker中安装pytorch(gpu)+cuda-详细

目录交叉熵损失函数均方误差自定义损失函数上篇文章咱们聊到了激活函数，在最后的时候又说到了输出层的一些东西。关于神经网络还有一点也是十分重要而又容易忽略的，那就是损失函数(lossfunction)。通俗的说，在神经网络中的损失函数是指寻找最优权重的依据指标。根据实际解决的问题不同，损失函数的形式往往也不相同。在神经网络中最常使用的损失函数有均方误差(meansquarederror)和交叉熵误差(crossentropyerror)。...

激活函数原理详解向女朋友介绍系列之激活函数。通过激活一词的解释，循循引入神经网络为什么要激活函数。分析了几种常见的激活函数并且激活函数的特点。激活函数是什么目录激活函数原理详解激活函数是什么感知机中的激活函数神经网络中的激活函数下面咱们来具体看几个激活函数sigmod激活函数Tanh(双曲正切函数)激活函数ReLU激活函数(最近最常使用的激活函数)Leaky ReLU激活函数输出层的激活函数激活函数的特点大管今天准备和大家来聊一聊激活函数，为...

今天大管准备和大家来聊一聊神经网络。这样吧，为了把事情说清楚我们还是从源头说起——感知机。 感知机是在1957年提出，是神经网络(深度学习)的起源算法。因此了解感知机的构造也就是了解神经网络不可或缺的一步。感知机到底是什么? 通俗的说，感知机接收多个信号，输出一个信号。注意这里的“信号”只有1或者0两种取值，也可以理解为0对应着信号中断，1对应着信号传递(信号的0/1两种状态与计算机硬件的电气特性有关)。上图是大管画的一个接受两个输入信号的感知机。上图中的x1,x2我们称...

由于文章长度有限，上次大管和大家简单聊了下岭回归，今天咱们来看一下如何用岭回归做分类——岭回归分类器。RidgeClassifier 岭回归器有一个分类器变体:RidgeClassifier，这个分类器有时被称为带有线性核的最小二乘支持向量机。该分类器首先将二进制目标转换为{- 1,1}，然后将该问题视为回归任务，优化与上面相同的目标。预测类对应于回归预测的符号，对于多类分类，将问题视为多输出回归，预测类对应的输出值最大。该分类器使用(惩罚)最小二乘损失来适应分类模型，而不是使用更传统的逻...

最近有小伙伴问我说，有没有sklearn的代码详解，前面博客讲的有点偏理论了。接受了小伙伴的意见，以后大管就理论和代码穿插着聊吧。今天咱就来聊一聊sklearn中线性回归和岭回归(L2正则)的代码详解吧。sklearn.linear_model.LinearRegression 使用的方法是最小线性二乘回归，线性回归拟合系数w = (w1，…，wp)的线性模型，以最小化数据集中观...

在机器学习实际的开发中，对原始数据的处理可能会占到主要的工作量，数据处理的好坏也往往直接关系到模型最后结果的好坏。在我们对原始数据进行特征提取时，有时会得到高维的特征向量，其中包含很多冗余和噪声。此时我们希望在高维的特征中找到影响整体的最主要的特征，来提升特征的表达能力、降低训练的复杂度。今天大管就和大家来聊一聊主成分分析(Principal Components Analysis)...

K均值聚类又叫做(k-means算法)是属于无监督学习里的一种最基础最常用聚类算法。所谓聚类即人以类聚、物以群分，将样本按照各自的特点分为不同的类别，所谓无监督即事先不知道任何样本属于哪个类别。如下图所示一些样本被分为了绿色，红色，蓝色的三类。聚类的应用非常广泛包括客户群体的划分，推荐系统，文本聚类中，国家电网用户画像，基于用户位置信息的商业选址等。下面就让我们一起快乐的学习吧！...

今天大管和大家聊一聊极大似然估计是到底怎么一回事。有的同鞋看了很多机器学习算法，也用了很多极大似然估计，可能对它具体是什么还有点懵。既然要把极大似然估计搞明白，就绕不开一个话题，什么是估计。这里我们聊点估计和函数估计。点估计点估计的目的是为一些我们感兴趣的量提供一个最优的预测。比如说前几篇中提到的线性回归的权重。我们把θ的点估计表示为θ^。令数据是独立同分布的，则点估...