- 博客(8)
- 收藏
- 关注
RSS订阅原创 yolo训练步骤
必须要按照如下格式：yolo查找标签时会自动在“训练集”和“验证集”的上一级目录的labels下对应目录下的对应标签文件总之这样划分就行了。
2023-11-17 20:43:47
522
1
原创 人工神经网络——BP算法
人工神经网络（Artificial Neural Network，简称ANN）是一种模拟生物神经系统功能的计算模型。它是由一系列相互连接的节点（神经元）组成的，每个节点都能接收输入、处理信息并产生输出。这些神经元之间的连接权重可以通过学习来逐步调整，从而使得神经网络能够自动从输入数据中学习和识别模式，进而完成各种任务，例如图像识别、语音识别、自然语言处理等。如图是一个简单的神经元模型——M-P神经元模型一个典型的人工神经网络通常包含以下几个主要组成部分：1.
2023-07-30 16:16:55
6898
2
原创 《三体》二向箔的降维打击——PCA算法
在刘慈欣的《三体》中，歌者文明在2403年向太阳系投掷了二向箔，同年太阳系和大多数地球人被二维化而灭亡。那么究竟是如何实现的呢？接下来介绍一个算法——B站的一位up主讲得很好，言简意赅：PCA是一种常用的数据降维技术，用于减少高维数据集的维度，同时保留数据中最重要的信息。它通过寻找数据中的主成分，将原始特征转换为新的一组互相不相关的变量，这些变量称为主成分。主成分按照方差的大小排序，前几个主成分所包含的方差越大，代表它们能够解释更多的数据变异性。
2023-07-11 19:07:43
488
原创 谱聚类算法介绍
构建相似度矩阵（Affinity Matrix）： 首先，根据给定的数据集，计算每个样本之间的相似度或距离。常用的相似度度量包括高斯核函数、欧氏距离、余弦相似度等。将相似度或距离构建成一个相似度矩阵，其中每个元素表示对应样本之间的相似度。构建拉普拉斯矩阵（Laplacian Matrix）： 将相似度矩阵进行归一化处理，得到归一化的相似度矩阵。然后，通过计算度矩阵（Degree Matrix）和邻接矩阵（Adjacency Matrix）之间的差值，得到拉普拉斯矩阵。
2023-07-10 16:35:23
347
1
原创 密度峰值聚类(DPC)算法的介绍
密度峰值聚类算法（Density Peak Clustering Algorithm）是一种无监督的聚类算法，它能够自动发现数据中的密度峰值点，并根据这些峰值点将数据进行聚类。该算法由Alex Rodriguez和Alessandro Laio于2014年提出，其原理相对简单但非常有效。
2023-07-10 13:15:31
4765
8
原创 KMeans算法介绍，python实现
K-means算法是一种常用的聚类算法，用于将数据集划分为K个不同的类别。每个类别由其质心（centroid）表示，该质心是类别内所有数据点的平均值。K-means算法的目标是最小化数据点与其所属类别质心之间的平方距离。K-means算法在各个领域广泛应用，包括数据分析、图像处理、模式识别等。它是一种简单而高效的聚类算法，但在处理非凸形状的数据集或存在噪声的情况下可能表现不佳。
2023-07-09 22:26:57
1072
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