- 博客(8)
- 收藏
- 关注
RSS订阅原创 RNN详解(Recurrent Neural Network)
RNN用于处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。
2024-06-30 21:45:53
262
原创 YOLOV5——垃圾分类
训练不同yolov5结果，YOLOv5n/s/m/l/x 在 V100 GPU 上的训练时间为 1/2/4/6/8 天（参数量不同，计算量变多，前向传播求损失函数，反向传播求梯度，然后进行梯度更新）（多 GPU 快几倍）。使用尽可能大的 --batch-size，或为 YOLOv5 AutoBatch 传递 --batch-size -1（显存决定）。torch官网历史版本：https://pytorch.org/get-started/previous-versions/
2024-06-19 15:29:26
674
原创 YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、AP、mAP、
置信度用于评估模型对检测结果的信心程度下图中，绿色框A表示Ground Truth，也称GT，GT就是正确的标注（人工）iou：表示预测的边界框（或分割区域）与真实边界框（或分割区域）之间的交集与并集之间的比值。阈值：根据实际情况可调节如果预测框与真实框的IOU > 0.5，那么此预测框归为TP如果0 < IOU <= 0.5，那么此预测框归为FP如果IOU < 0 ，那么此预测框归为 FN检测到同一个GT的多余检测框也归为FP，怎么解 释呢？
2024-06-11 14:22:04
3797
原创 YOLO家族变迁史
定义：YOLO（You Only Look Once）个算法的名字就很形象——你只看一次（You Only Look Once），意味着它通过一次检测过程就能处理整张图片，而不需要像以前的算法那样分步骤处理。是一种单阶段（one-stage）的目标检测算法，其核心思想是将目标检测任务视为一个回归问题，通过单个神经网络直接预测图像中的物体类别和边界框。起源。
2024-06-10 13:00:07
2377
原创 线性回归模型讲解(Linear Regression)
这些实例展示了线性回归在不同领域中的应用，通过收集和分析数据，可以建立线性回归模型来预测和解释变量之间的关系，为决策提供支持。因此我们可以推断这个函数是y = kx+b,(x,y)是样本点，也就是已知的，w是权重值，y的预测值。𝐿 是受 𝑘,𝑏 值影响的， 𝑘,𝑏 取不同的值， 𝐿 就会变化， 𝐿 也叫损失函数，loss。有了初始值后的 𝑦=0.5𝑥+0.5 ，如何 衡量 𝑘=0.5,𝑏=0.5 是最佳的值呢？取上面 (𝑥,𝑦) 的一对值，比如 𝑥=−10.0,𝑦=−19.3。
2024-06-08 20:29:58
1949
原创 一文搞懂机器学习！！！
他们最大的区别就是模型在训练时需要人工标注的标签信息，监督学习利用大量的标注数据来训练模型，使模型最终学习到输入和输出标签之间的相关性；而无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类。在监督学习中，算法通过已知的标签的训练数据来学习输入和输出之间的映射关系，然后根据学习到的模式对新数据进行预测和分类（有人为辅助，给出一个答案，机器去预测是什么东西（有标签））半监督学习结合了监督学习和无监督学习的特点，利用一小部分标记的数据和大量未标记的数据进行学习。
2024-06-04 21:33:19
559
原创 人工智能发展史
算法技术的更新助力于人工智能的兴起，最早期的算法一般是传统的统计算法，如 80 年代的神经网络，90 年代的浅层，2000 年左右的 SBM、Boosting、convex 的 methods 等等。可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。也许当时的技术还不足以支撑人工智能这个想法的实现，但是通过历代IT人的努力，属于人工智能的时代终究是来了。第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；
2024-06-03 21:06:39
1214
1
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