- 博客(11)
- 收藏
- 关注
原创 [从0开始深度学习]模型选择,欠拟合,过拟合,梯度爆炸
本文探讨了机器学习模型选择中的关键问题:欠拟合与过拟合。当训练损失较大时,可能是模型复杂度不足(欠拟合)或优化问题导致;当训练损失小而测试损失大时,则是过拟合的表现。解决欠拟合需增加模型复杂度或改进优化方法(如调整优化器、学习率等);过拟合可通过数据增强、正则化、Dropout等方法缓解。文章还介绍了k折交叉验证用于模型评估,并通过多项式回归实验展示了不同复杂度模型的拟合效果。最后指出特征标准化的重要性,未标准化会导致梯度爆炸,建议采用权重衰减、梯度裁剪等技术解决。
2025-12-13 13:47:40
1061
原创 [从0开始深度学习]Softmax函数详解与模型训练框架
本文介绍了PyTorch训练框架的两种实现方式:标准优化器方法和自定义实现方法。标准方法使用PyTorch内置优化器,包含数据预处理、损失函数定义、优化器设置、前向传播、梯度清零、反向传播和参数更新等步骤。自定义方法则手动实现交叉熵损失函数和SGD优化器。文章还详细讲解了Softmax函数的原理、数值稳定性问题及解决方案。最后通过Fashion-MNIST分类任务展示了完整实现流程,包括数据加载、模型构建、训练过程和评估方法。整个过程涵盖了从基础理论到实践应用的关键环节,为深度学习初学者提供了完整的实现参考
2025-12-12 21:06:07
492
原创 [从0开始深度学习] 线性神经网络1
本文介绍了PyTorch实现线性回归的完整流程。主要内容包括:1)基础框架:数据预处理、定义损失函数和优化器、训练评估模式切换;2)代码实现:使用torch.nn模块构建模型,应用MSELoss和SGD优化器,演示了训练循环中的前向传播、梯度清零、反向传播和参数更新步骤;3)关键概念:解释了梯度清零的必要性、train/eval模式的区别、常见损失函数类型,并指出当使用总损失代替平均损失时需调整学习率为lr/batch_size。该实现展示了PyTorch处理回归问题的标准范式。
2025-10-13 22:23:39
903
原创 StrongSORT复现步骤+代码解析
错误的原因是indices是一个tuple,而不是 NumPy 数组,因此不支持[:, 1]的切片操作。你需要检查indices的来源,并将其转换为 NumPy 数组,或者直接使用row_ind和col_ind。
2025-02-27 14:45:58
1871
1
原创 sys.path.append()解决问题:ModuleNotFoundError
• 每个文件夹(stgcn_traffic_prediction 和 dataloader)都必须。确认运行脚本的当前工作目录是否为预期的目录。包含一个 __init__.py 文件(即使是空的),否则 Python 不会将其识别为包。• 确保 milano_crop.py 文件中确实定义了 load_data 函数。确保 'E:\....'这个路径确实存在,并且路径中没有拼写错误。确保路径中的文件夹名称和代码中的名称完全一致(包括大小写)在运行代码之前,先将工作目录切换到。父目录(即引用的上一级)
2025-02-26 00:38:33
345
原创 tensorflow与keras不兼容 ImportError: cannot import name ‘keras‘ from ‘tensorflow‘
检查你当前 Python 环境中安装了哪些包,特别是 TensorFlow。显示2.11 tensorflow,还是不行,显示python3.7版本不对应(不懂?tensorflow1.x 与keras独立,2.x包含keras,不用另外安装keras。版本(对于 macOS 来说,则需要高于 20.3 的 pip 版本)。TensorFlow 2 软件包需要使用高于 19.0 的。查阅tensorflow官网:(需要挂梯子)
2025-02-26 00:01:30
2501
原创 链接预测——输出边是否存在
链接预测的核心思想是基于现有的网络结构和节点特征,预测网络中可能会出现的连接。换句话说,给定一个图G=(V,E),其中V表示节点的集合,E表示当前已存在的边的集合,链接预测的目标是预测哪些节点对在未来可能形成边。
2025-02-21 21:59:32
707
原创 excel实现前向填充-时间序列数据缺失
数据处理1. 异常值处理原始数据集里包含碳排放权配额成交价、市场指数、能源价格和汇率等不同领域的特征数据。由于市场休市等原因,部分数据在非交易日出现空值,且不同市场交易日也不尽相同。故采用前向填充的方法,用上一个交易日的数据填充这些空值,确保数据连续性和完整性。
2025-02-21 21:40:58
1090
原创 GAN应用时间序列预测-鉴别器Discriminator
鉴别器Discriminator:D的本质是比较两个分布的差异,时间序列中用于识别预测值是真还是假。
2025-02-21 20:50:39
1260
原创 TCN(Temporal Convolutional Network)时间卷积网络
TCN(Temporal Convolutional Network)是一种用于处理序列数据的深度学习模型,最初由 Bai, Kolter 和 Kurtzfarb 在其论文中提出,旨在解决时间序列预测、序列标注等问题。与传统的循环神经网络(RNN)和长短期记忆网络(LSTM)不同,TCN使用卷积神经网络(CNN)来处理时间序列数据。
2025-02-21 15:36:12
1860
原创 Timegan应用于预测的预处理
3.hidden_dim=64太小,num_layer=2,复杂度不够?12.11生成时间序列与原始数据对比 太过于平滑。1.seq_len=90太大了,调成30?2.学习率0.001太大?
2024-12-11 00:50:37
196
空空如也
带有条件变量的时序预测 如何实现多步预测
2025-08-27
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅