- 博客(6)
- 收藏
- 关注
RSS订阅原创 李哥深度学习班代码复盘--bert实战
（2）数据集类：三个函数与前两个实战类似，但需注意两点。第一，读文件函数得到了数据和标签，在数据集类的初始化函数中可直接赋值存储；第二，读文件函数中label列表里存储的是字符型数据，而通常进行训练验证的标签为整型，需进行转换。与前面实战不同，本次实战对数据处理，模型定义与训练和验证三个过程进行了封装，将功能模块化，使代码更加简洁，易于维护。本次实战利用Bert模型进行下游文字分类，即对一类文本进行类别标签的预测，所用数据集为某外卖评论数据集。3.训练和验证，与前两个实战基本类似，多一点优化。
2025-02-11 18:29:04
323
原创 李哥深度学习代码复盘--分类实战(下）
（2）在原训练验证过程中，当准确率大于一定值，且轮次数满足一定规律（每轮读浪费时间），读入semi_loader，若其不为空，则进行训练并打印准确率。比如一个程序需要在1~5中随机取三次数，运行结果为第一次取2，第二次取1，第三次取4.若使用随机种子，该程序下一次运行时结果依然是第一次取2，第二次取1，第三次取4，若不使用则第一次可能取3...（1）由于新打上标签的数据是在训练过程中产生的，可能为空，所以需要定义一个加载器函数。其中带标签的训练数据共有11类，每类280个，不带标签的训练数据共6786个。
2025-01-19 18:43:03
420
原创 李哥深度学习代码复盘--分类实战（上）
本次实战使用了新的优化器AdamW，它与SGD有两个区别，一是SGD主要计算某点的梯度，而AdamW需要综合该点与该点以前的梯度；（2）数据集类，类中初始化、获取项目和长度三个函数与回归实战大体相似，但因为分类图片存储在文件夹中，不能使用csv模块读写，故另外定义一个读文件函数。其中带标签的训练数据共有11类，每类280个，不带标签的训练数据共6786个，不带标签的数据需要用到半监督学习的方法。（1）数据增广，通过对现有的数据样本进行变换，生成更多数据样本，以提高模型泛化能力，减少过拟合风险。
2025-01-18 21:58:09
487
原创 李哥深度学习代码复盘--回归实战（下）
创建模型实例时，将inDim赋值为feature_dim，并根据all_feature的值决定是否使用所有的列。方法1：相关系数：在初始数据中可能存在无关列对预测结果产生干扰，故可以利用相关系数找出与已知结果相关程度最高的几列，用其进行训练、验证和预测。方法2：正则化，在基础部分的损失计算上加上参数的平方（L2正则化），从而会使模型曲线更加平滑，不容易过拟合（L1正则化使用绝对值）。该函数接收特征数据，标签数据，得到的列数，返回选中列的特征及下标。本次复盘包括基础部分和优化部分。
2025-01-12 17:34:51
515
原创 李哥深度学习代码复盘--回归实战（上）
基础部分：代码实现需要pytorch，numpy，matplotlib，time和csv几个库，其中pytorch用于构建，训练和部署深度学习模型（张量，梯度计算等），numpy用于数据预处理，matplotlib用于可视化，time用于记录时间，csv用于读写csv文件以加载或保存数据。上段代码定义了一个数据集类，并在类中定义了初始化、获取项目和长度三个函数用于处理数据。该函数接收模型，训练数据加载器，验证数据加载器，设备，轮次，优化器，损失计算函数等参数，利用数据对构建的模型进行训练和验证。
2025-01-11 18:25:13
589
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人