m0_63860007的博客

有监督学习是一种学习算法，它从标记的训练数据学习，每个训练示例都包括输入和相应的输出标签。有监督学习的目标是学习出一个映射规则，使得模型能够对新的、未见过的数据做出准确的预测或决策。"Depthwise"，它指的是深度可分离卷积，这是一种卷积操作，可以分解为两个较小的操作：深度卷积和逐点卷积，从而减少模型的计算复杂度和参数数量。在特征工程中，有很多高维度的数据，如果在高维度空间直接衡量他们的距离，也。的高维数据降维成低维数据。整个流程非常的简单，而且模型的准确度也比较高，但是计算量大，尤其是当训练集的。

能地让所有的训练集都预测正确，这样往往是过拟合了，通过限制，让模型只能实现大多数样本的正确预测，这样就可以自发地避免一些对噪声数据、异常数据的学习，从而学到真实。在训练的时候不仅仅包括前向传播和梯度下降，还多了一个反向传播的过程(此处的反向传播不是常说的反向传播梯度下降的反向传播)。一张彩色图片同样是由像素点组成的，但是每一个像素点都是彩色的。在一个神经网络中，可以有成百上千的参数，但是并不是每一个参数都是有用的，不是。知识，从而正确地推导这道题的答案，这个就是模型的泛化能力，也是想要的能力；

过拟合是指模型在训练数据上表现得很好，但是在新的、未见过的数据上表现不佳，即模型的泛化能力差。正则化通过在损失函数中添加一个额外的项来实现，这个额外的项通常与模型的复杂度相关，目的是惩罚模型的复杂度。算法通过计算损失函数在当前参数下的梯度，然后沿着梯度的反方向更新参数，以此减小损失函数的值。梯度平缓通常指的是在梯度下降算法中，当梯度（即损失函数对参数的偏导数）的值变得非常小，接近于零时，参数更新的幅度也会变得很小，这意味着我们接近了损失函数的最小值。在模型的内部，数据经过了非线性变换很难能够保持同分布。

1.pytroch模型类PyTorch 是一个易学且清晰明了的深度学习库。本节讲解如何查看一个模型的结构。一般来说，PyTorch的模型都会定义成一个类，然后在主函数中直接实例化这个类。比如类是设计图，实例化就是按照这个设计图做出来的实物。(1)必须要继承nn.Module。所以假设在阅读一个新的PyTorch编写的代码时，只需要找到nn.Module,就可以知道代码中定义模型的地方了。该模型本质上就是一个函数， 一个映射关系，输入数据时可以根据这个。

当网络层数较多时，反向传播过程中梯度会通过多层权重进行连乘，这可能导致梯度变得非常小，以至于网络中的权重更新非常缓慢，从而使得训练过程非常缓慢甚至停滞.则是指在训练过程中，梯度随着层数的增加而指数级增长，导致权重更新过大，从而使模型训练变得不稳定。神经网络的最大的优点在于泛化能力，理论上足够大的神经网络可以拟合各种。由于截断操作是一个突变的过程，无法计算梯度，如果不关闭梯度，将会报错。先关闭这一层的参数的梯度下降，否则无法进行截断。的效果好，在第100代的时候，就可以生成多样化、图片清晰的手写数字。

生成器 G 是创造者，负责生成新的数据实例，而判别器 D 是鉴别者，负责评估数据实例的真伪。两者相互竞争，推动对方不断进步，从而提高生成数据的质量。缩进错误很难分清，代码又一样，写的时候需要仔细看清，找了好久才发现这个错误。是Binary_Cross_Entropy的缩写，可以理解为二分类问题。的任务是生成，用两个模型相互对抗，来增强生成模型的效果。的任务是生成，用两个模型相互对抗，来增强生成模型的效果。手写数字，希望生成类似的手写数字的图像。(1)GAN 的损失函数与BCE。给定条件进行指定数字的生成。

1.乳腺癌数据集简介乳腺癌数据集包含了美国威斯康星州记录的569个病人的乳腺癌的病情，包含30个维度的生理指标数据(特征),以及乳腺癌是恶性还是良性的标签。因为这是一个二分类问题，也叫二类判别数据集。这数据主要包含569个样本。每个样本有30个特征(30个生理指标数据)和1个标签(良性还是恶性)。对于本次任务，并不需要了解30个生理指标的含义。只要知道，这30个指标和恶性、良性之间存在某种关联。3.思路。

子，假设两个图片都加上百分之百的服从正态分布的噪声，那么这张图片不管原来如何，现在一定服从同一个分布。去卷积、反卷积、上采样，都是一个概念，都是扩大特征图尺寸的，英文是。进行，增加的正态分布的噪声的方差逐渐减小，以至于最后去掉噪声，这也是退火算法的一。着感受野的大小，卷积核越大，感受野就越大，但是相应的计算量也会成倍地增加。项是对每一个样本都进行独立的梯度惩罚，因此需要保证每一个样本的独立性，所。图片上增加噪声，以试图增加两个分布的宽度，来让他们产生重叠。(1)生成图像应该更接近原始图像，而且生成的。

强化学习(增强学习、再励学习、评价学习简称RL)是近年来机器学习领域最热门的方向之一，是。分清楚回报和奖赏的区别：因为强化学习的目的是最大化长期未来奖励，寻。略，在策略不变的情况下，只会选择价值最大的那一个动作。动作选择策略的未来回报的期望。中，这个“策略”就是一个神经网络，输入是环境状态，输出是动作。境重复100次决策，可能会有不同的决策产生。如果看重的是长期的回报，那就是深谋远虑。训练集中的数据都是统一的格式。中都有可能执行，只是执行的概率非常的小。性策略，因为是从概率分布中采样，同样的环。

假设阈值是0.9,那就忽视所有阈值小于0.9的预测框。AP 是对某一个类检测的好坏，mAP。旁的指示牌和前方的红绿灯颜色。对于自动检测的算法，有两个要求，一个是快， 一个是准。FN 是预测是负样本，预测错了，其实是正样本。目标检测不仅可以检测数字，而且可以检测动物的种类、汽车的。v1模型速度之所以快是因为它的候选框的数量并不多。卷积核的参数，而所需要的数据集就是图片数据和图片标签。模型的收敛速度，也可以起到轻微的正则化的效果，降低模型过拟合。计算，利用两个框的交集面积与并集面积的比值就。

无监督学习是机器学习的一个分支，用于发现数据中的特定模式。无监督算法的数据都是没有标签的，也就是说，只有x_train,但是没有给y_train。在无监督的学习中，算法需要自行寻找数据中的结构。传统的无监督学习主要有3种类型。发现数据中共同出现的概率。比如数据有ABC 3个特征，经过分析发现当A出现时，B一定出现，这样A和B之间存在共现的关系。。降低维度。同样地，假设数据有A、B、C 3个特征，通过降维，把3列特征降维成两列特征DE。在一定程度上，

引入。

不管对一张图片如何操作，每次操作之后的图片所包含的信息一定是小于或等于原图 片包含的信息的。扩展网络， 一般是调整输入图像的大小、网络的深度和宽度。网络的宽度就是特征图的。在数据处理的过程中，有一个称为数据处理不等式的概念，就是随着网络层数的加深，因此越接近输入层的图像，包含更多纹理的信息，而越靠近输出层的图像，标准化的卷积网络扩展方法，通过规律扩展网络，尽可能提高网络性能。卷积层的，每一个卷积层都是对图像进行一次特征的提取，越提取图像，图像。提取图片特征的，不同的卷积核是用来发掘图片中不同的特征的。

填充的输入并不都是0,有很多不同的模填充式，例如“根据原图边缘进行填充”等。卷积网络可以当作一个图像的特征提取器，通过提取图像的特征对图像进行分类。置，通过反向，输入通过权重和偏置得到最终的输出，但是输出的结果肯定与想要的结果有。池化层保留了图片中最重要的特征，去掉的是无关紧要的信息。可以考虑前一个时刻的影响，还可以对这个时刻之前的所有时刻都具有一定的记忆性。一个5×5的图片被3×3卷积核卷积之后就是3×3的图像，如果想让卷积前后。每一个神经元都可以使用不同的传输函数，每一个的输出都是不同的。

泛化能力是指一个模型在新数据上的表现能力，即它能够处理未见过的数据或情况的能力。如果一个模型具有强大的泛化能力，这意味着它不仅在训练数据上表现良好，而且在未见过的数据上也能保持较高的准确率和有效性。不管是什么算法的决策树，都是一种对实例进行分类的树形结构。随机森林是一种集成学习的方法，是把多棵决策树集成在一起的一种算法，基本单元是。这样的编码方式会降低时间和空间的效率。过拟合：模型在训练集上的表现非常好，但在新的、未见过的数据上表现很差。的学习，可以发现一个问题：如果一个模型，无限地延长分类，越细小的分。

要想弄清楚线性回归是什么,可以把这个词拆开来理解，即“线性”和“回归”。率用于已知一些参数的情况，预测接下来的观测所得到的结果，是一个正向过程；似然性用于已知某些观测所得到的结果，然后对事物的性质参数进行估计，是一个逆。度本质是一个向量，通俗一点来讲就是对一个多元函数求偏导，得到的偏导函数构成的向量。对于多元函数，如果每个自变量的偏导数都是0的时候，是不是可以找到这个多元函。本质是一种建模技术，它研究的是因变量和自变量之间的关系，并将这种关系建立成模。学习率就是设定好的，规定每一次梯度下降的速度的。

解决办法是将原始样本点映射到一个高维空间，样本在原始空间线性不可分，但在高维空间有可能是线性可分的。如果在高维空间维度很高，直接计算会相当困难，因此可以不直接计算，而是用核函数代替。1.支持向量机Support Vector Machine（SVM）是一种对数据二分类的线性分类器，目的是寻找一个超平面对样本进行分割，广泛应用人像识别，手写数字识别，生物信息识别。SVM求解时样本是线性可分的，然而在实际的任务中，样本往往线性不可分，无法找到一个超平面将样本分开，但可以用一条曲线分开，如图所示。