深度学习222

最新推荐文章于 2025-12-31 17:26:19 发布

原创最新推荐文章于 2025-12-31 17:26:19 发布 · 216 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#支持向量机

额分分ege

二哥哥

个人然后纷纷为Segway

个人隔热隔热隔热三国使馆文化是高危岗位奥菲斯收到VS上的广告岗位

割让给

import torch
a = torch.tensor([])

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

碧绿的麦穗雀

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Keras深度学习实战（2）——使用Keras构建神经网络

盼小辉丶的博客

04-20

9万+

Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。.........

Keras深度学习实战（10）——迁移学习详解

热门推荐

盼小辉丶的博客

06-19

1万+

迁移学习 (Transfer Learning) 是机器学习中的一个重要研究方向，指将一个预训练的模型重新用于另一个任务中，和从零开始训练卷积神经网络相比，利用迁移学习，只需要少量样本即可训练得到性能较好的模型。本文我们将使用预训练的 VGG16 模型利用迁移学习进行性别分类任务实战。......

参与评论您还未登录，请先登录后发表或查看评论

深度学习之贝叶斯分类器

weixin_43775295的博客

09-30

1586

通过若干次试验，观察其结果，利用试验结果得到某个参数值能够使样本出现的概率为最大，则称为极大似然估计。于是，朴素贝叶斯（Naive Bayesian，简称NB）采用了“属性条件独立性假设”：对已知类别，假设所有属性相互独立。一般的根据经验想法，会猜测这只黑球最像是从2号箱取出，此时描述的“最像”就有“最大似然”的意思，这种想法常称为“最大似然原理”。总结起来，最大似然估计的目的就是：利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值。是标签属性，那么我们可以通过计数的方法估计。

深度学习21-30

zsysingapore的博客

06-25

1123

1.池化层作用（筛选、过滤、压缩）h和w变为原来的1/2，64是特征图个数保持不变。每个位置把最大的数字取出来用滑动窗口把最大的数值拿出来，把44变成222.卷积神经网络（1）conv：卷积进行特征提取，带参数（2）relu：激活函数，非线性变换，不带参数卷积层和relu搭配组合两次卷积一次池化，池化是进行压缩，不带参数FC全连接层【323210=10240特征，5分类】，有权重参数矩阵。

深度学习代码错误随记

miodi的博客

07-31

1199

这个错误是因为在创建MNIST数据集时，传入了一个不支持的关键字参数'transforms'。要解决这个问题，你需要将'transforms'参数替换为正确的参数名。在PyTorch中，MNIST数据集的正确参数名是'transform'。解决办法：这个错误是因为你试图将一个在GPU上的tensor转换为numpy数组，但是这是不可能的。你需要先将tensor转移到CPU上，然后再转换为numpy数组。解决方法：这个错误是因为在计算损失时，输入和目标的大小不匹配。转换为 numpy 数组，然后再进行计算。

深度学习必备书籍——《Python深度学习基于Pytorch》

weixin_63866037的博客

04-07

4273

作为一名机器学习|深度学习的博主，想和大家分享几本**深度学习**的书籍，让大家更快的入手深度学习，成为AI达人！今天给大家介绍的是：《Python深度学习基于Pytorch》

动手学深度学习之kaggle竞赛

Trony的博客

08-25

1880

实战Kaggle比赛：图像分类(CIFAR-10) import collections import math import os import shutil import pandas as pd import torch import torchvision from torch import nn from d2l import torch as d2l 我们提供包含前1000个训练图像和5个随机测试图像的数据集的小规模样本 d2l.DATA_HUB['cifar10_tiny'] = (d2l.

深度学习基础

wooyang2018的博客

01-21

1158

文章目录第三章 深度学习基础3.1 基本概念3.1.1 神经网络组成？3.1.2 神经网络有哪些常用模型结构？3.1.3 如何选择深度学习开发平台？3.1.4 为什么使用深层表示?3.1.5 为什么深层神经网络难以训练？3.1.6 深度学习和机器学习有什么不同？3.2 网络操作与计算3.2.1 前向传播与反向传播？3.2.2 如何计算神经网络的输出？3.2.3 如何计算卷积神经网络输出值？3.2.4 如何计算 Pooling 层输出值输出值？3.2.5 实例理解反向传播3.2.6 神经网络更“深”有什么意义

Keras深度学习实战（12）——面部特征点检测

盼小辉丶的博客

06-27

1万+

面部关键点的定位通常是许多面部分析方法和算法中的关键步骤。在本节中，我们介绍了如何通过训练卷积神经网络来检测面部的关键点，首先通过预训练模型提取特征，然后利用微调模型预测图像中人物的面部关键点。............

视频深度学习测试数据集222

06-25

视频深度学习测试数据集222

精选资源

matlab实现的深度学习算法.zip

04-15

深度学习是一种模仿人脑神经网络结构的机器学习方法，它在图像识别、语音识别、自然语言处理等领域展现出强大的性能。MATLAB作为一种高级编程环境，以其易用性和丰富的数学计算库，成为了实现深度学习的一种便捷工具...

基于深度学习的垃圾分类.zip

03-29

《基于深度学习的垃圾分类》是针对人工智能领域，特别是深度学习技术在环保问题中应用的一份毕业设计或课程设计。这份压缩包可能包含了实现这一项目的所有关键文件，虽然具体子文件列表仅显示为“222”，但我们可以...

机器学习——支持向量机（SVM）

2401_83998832的博客

12-30

984

classSVCC=1.0degree=3coef0=0.0tol=0.001[source]1.C惩罚因子【浮点数，默认为1.】【软间隔】(1)C越大，对误分类的惩罚增大，希望松弛变量接近0，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱；(2)C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。->>建议通过交叉验证来选择2.kernel核函数【默认rbf(径向基核函数|高斯核函数)】

《机器学习SVM从零到精通：图解最优超平面与软间隔实战》

zxy916740139的博客

12-28

1055

。

机器学习基础（支持向量机SVM）

lyx2870657588的博客

12-31

968

摘要：支持向量机(SVM)是一种基于统计学习理论的监督学习算法，通过核函数将低维数据映射到高维空间实现线性可分。核心优势包括：利用核技巧降低计算复杂度、小样本表现优异、可解释性强；但存在对大规模数据效率低、参数选择敏感等局限。常用核函数有多项式核和高斯核，其中高斯核的γ参数影响模型复杂度。实际应用中需通过交叉验证选择惩罚因子C和γ等关键参数。SVM适合中小规模数据集，但超过10万样本时不推荐使用。

支持向量机实现垃圾邮件分类及参数调优原理

sunxuehai1的博客

12-28

797

通过今天的学习，我不仅理清了SVM的核心理论，更在实操中掌握了参数调优的逻辑和问题解决技巧，核心收获如下：理论层面：明确软间隔、正则化因子C、核函数的核心逻辑，纠正了“软链接”“gamma越大分类效果越好”等认知偏差；参数调优：SVM调优需结合数据特性，文本类高维数据优先选线性核，非线性数据优先尝试RBF核，Poly核需谨慎使用；C和gamma需组合验证，避免单一参数调优的局限性；实操避坑：线性核优先用LinearSVC，大规模数据避免并行计算，参数范围需根据核函数特性合理缩减；

Flink ML 线性 SVM（Linear SVC）入门输入输出列、训练参数与 Java 示例解读

hello.reader

12-28

613

本文详细介绍了Flink ML中Linear SVC模型的输入输出列配置、关键参数说明及使用注意事项。重点解析了特征列、标签列、预测列的定义，训练参数如正则化、学习率的作用，并提供了Java示例代码解读。特别强调了类型一致性、特征缩放、样本权重设置等工程实践建议，帮助开发者避免常见错误并优化模型性能。文章还说明了如何通过调整分类阈值来平衡召回率和精度，为生产环境应用提供了实用指导。

MFCC特征提取与SVM训练语音识别