- 博客(21)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 pip安装包时不想安装其他相关的依赖
python3 pip install pytorch_lightning –no-dependencies
2023-12-07 14:09:54
2429
原创 scene as occupancy复现与总结
如上图所示为该论文的流程，这是上海AI Lab他们的最新工作，将Occupancy作为中间态去做det和seg任务，文章中还提到他们实现了端到端输出轨迹。
2023-11-08 20:13:50
527
1
原创 Docker 从构建到使用
docker run -it --gpus all (DOCKERNAME):(IMAGEid) 注意这里的--gpus all是为了Nvidia-smi可用。
2023-11-05 14:16:40
142
原创 经典神经网络分类器之BP算法和自组织竞争网络
经典神经网络分类器感知器感知器学习算法是误分类驱动的在线学习算法，任意选取一个具有参数的分离超平面，采用随机梯度下降法不断极小化损失函数，多次迭代训练得到感知器参数w b。定义损失函数（训练样本被错分的程度）：随机梯度下降法:BP网络由于感知器学习算法是一种单层网络的学习算法，在多层网络中，它只能改变最后层的权值。BP算法即误差反向传播算法，解决了多层神经网络隐含层神经元连接权值学习的问题，它用 Sigmoid 激活函数替代了阶跃函数sigmoid函数导数满足以下性质：对于一个神经网络
2021-06-29 19:45:18
2976
原创 非监督分类器——聚类
非监督分类器聚类原理相似性测度欧氏距离：明氏距离：马氏距离:Σ为样本集的协方差矩阵，当协方差矩阵为单位矩阵时，马氏距离简化为欧氏距离；当协方差矩阵为对角阵时，各特征完全相互独立角度相关系数：表征两个向量的夹角余弦。两个向量越相似，该值越接近1，越不相似，该值越接近-1概率相关系数：聚类准则函数误差平方和准则：一个好的聚类方法应能使每个子集中的所有向量与这个均值向量的“误差向量”长度平方之和最小。离散度准则：离散度矩阵不仅反映同类样本的聚合程度，而且也反映不同类之间
2021-06-29 19:39:47
862
原创 朴素贝叶斯分类器（带数学推导）
贝叶斯分类器最小错误率决策基于先验知识求解后验分类器 两类问题：ω1和ω2 先验概率：P(ω1) 和P(ω2) 类概率密度函数：p(x|ω1) 和p(x|ω2) 发生了一个随机事件，其观察值为：特征向量x 求最小错误率分类器决策规则：比较后验概率，取最大值进行类别判断，决策规则一：比较分子 p(x|ω1)P(ω1) 和 p(x|ω2)P(ω2) ，取最大值决策规则二：似然比决策规则二：负对数似然比最小错误率贝叶斯决策的特点 已知条件多——各类概率分布 最小错误率—
2021-06-29 19:32:45
1243
原创 非线性分类器（二）之决策树和集成分类器
非线性分类器（二）决策树决策树方法利用一定的训练样本，从数据中“学习”出决策规则，自动构造决策树，并利用树结构进行决策，每一个非叶子节点是一个判断条件，每一个叶子节点是结论。决策树构建方法：属性选择的准则：使用某属性对数据集划分之后，各数据子集的纯度要比划分前的数据集的纯度高，也就是不确定性（熵）要比划分前数据集的不确定性低。随机变量熵的定义，假定当前样本集合中第类样本所占的比例为pk ：信息增益的定义：ID3算法：在决策树各个节点上利用信息增益准则选择属性，递归地构建决策树，从根节
2021-06-29 19:28:36
983
原创 非线性分类器（一）之KNN以及SVM的数学推导
非线性分类器（一）最小距离分类器最小距离分类器特点 解决两类多峰或多类问题的分段线性分类器 可以解决几乎所有分类问题，但要已知各类子类 概念直观简单，未经优化 分类器设计简单容易 无重叠区或空白区KNN法分类器（1）最近邻法分类器的特点 可以解决几乎所有分类问题 概念直观简单未经优化，但错误率并不高 分类器设计容易 运算量大，需要设计快速算法 当数据分布复杂或噪声严重时，存在出错风险（2）最近邻快速算法剪辑法1、进行预分类2、剪辑掉错分样本3、剪辑法
2021-06-29 19:20:37
953
原创 线性分类器之垂直平分分类器以及Fisher数学推导
线性分类器垂直平分分类器简单的线性求解：判别函数与决策面方程：决策规则：垂直平分分类器的特点： 解决二分类问题的线性分类器 原则上对样本集无特殊要求 未采用准则函数求极值解（非最佳决策） 算法最简单，分类器设计最容易LDA线性判别准则（Fisher投影准则）解决高维问题思路：推导过程：Flsher投影的特点 解决两类问题的线性投影 原则上对样本集无特殊要求（Sw矩阵可逆） 采用Fisher投影准则函数求极值解（最佳决策） 分类器设计较容易感
2021-06-29 19:11:06
1231
原创 卷积神经网络分类器
卷积神经网络分类器一个卷积神经网络： 可以看到输入层的宽度和高度对应于输入图像的宽度和高度，而它的深度为1。接着，第一个卷积层对这幅图像进行了卷积操作，得到了三个Feature Map。这里的"3"意思就是这个卷积层包含三个Filter，也就是三套参数，每个Filter都可以把原始输入图像卷积得到一个Feature Map，三个Filter就可以得到三个Feature Map。至于一个卷积层可以有多少个Filter，那是可以自由设定的。也就是说，卷积层的Filter个数也是一个超参数。我们可以把Fe
2021-06-28 17:56:29
3200
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人