<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[nathan_yo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/nathan_yo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; nathan_yo]]></copyright><item><title><![CDATA[class balanced loss pytorch 实现]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/106482850</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/106482850</guid><author>nathan_yo</author><pubDate>Mon, 01 Jun 2020 22:01:32 +0800</pubDate><description><![CDATA[cb loss pytorch 实现，可直接调用
参考：https://github.com/vandit15/Class-balanced-loss-pytorch/blob/master/class_balanced_loss.py
import numpy as np
import torch
import torch.nn.functional as F



def focal_loss(logits, labels, alpha, gamma):
    """Compute the focal]]></description><category></category></item><item><title><![CDATA[pytorch BERT文本分类保姆级教学]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/106196756</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/106196756</guid><author>nathan_yo</author><pubDate>Mon, 18 May 2020 20:48:18 +0800</pubDate><description><![CDATA[pytorch BERT文本分类保姆级教学
本文主要依赖的工具为huggingface的transformers，更详细的解释可以查阅文档。
定义模型
模型定义主要是tokenizer、config和model的定义，直接简单粗暴点可以使用huggingface的automodel，这里cache_dir为模型下载的路径，在config中可以定义后面模型要用到的参数，比如我后面model用的是BertForSequenceClassification，需要一个参数来定义模型预测的标签数，所以我在config]]></description><category></category></item><item><title><![CDATA[关于准确率accuracy和召回率recall的理解]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/101226792</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/101226792</guid><author>nathan_yo</author><pubDate>Mon, 23 Sep 2019 21:47:17 +0800</pubDate><description><![CDATA[假设有100个样本，其中正样本70，负样本30，这个是由数据集本身决定的，机器要做的就是判别这100个样本中哪几个样本是正样本，哪几个样本是负样本。
现在机器做出了预测：
机器把原样本中70个正样本中的50个判为正，记为TP=50(True Positive,机器判断正确的正样本)；
机器把原样本中70个正样本中的20个判为负，记为FN=50(False Negative,机器判断错误，认为该样本...]]></description><category></category></item><item><title><![CDATA[configparser读写ini配置文件]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/99994953</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/99994953</guid><author>nathan_yo</author><pubDate>Wed, 21 Aug 2019 20:37:15 +0800</pubDate><description><![CDATA[读取配置文件


read(filename) 直接读取ini文件内容
sections() 得到所有的section，并以列表的形式返回
options(section) 得到该section的所有option
items(section) 得到该section的所有键值对
get(section,option) 得到section中option的值，返回为string类型
getint(se...]]></description><category></category></item><item><title><![CDATA[python用openpyxl操作excel]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/98986369</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/98986369</guid><author>nathan_yo</author><pubDate>Fri, 09 Aug 2019 20:40:29 +0800</pubDate><description><![CDATA[获取Workbook对象
获取workbook总共有两种方法，已存在workbook的情况下用load_workbook(),不存在的话需要新建，用Workbook()。

已存在excel文件，用load_workbook()

wb = load_workbook('name.xlsx')


新建Workbook()

wb = Workbook()

Workbook属性及方法

Work...]]></description><category></category></item><item><title><![CDATA[python在函数中改变外部变量]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/98639051</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/98639051</guid><author>nathan_yo</author><pubDate>Tue, 06 Aug 2019 20:10:18 +0800</pubDate><description><![CDATA[python在函数中改变改变外部变量
python在函数中修改变量值的方法
和其他语言不一样，传递参数的时候，python不允许程序员选择采用传值还是传引用。Python参数传递采用的肯定是“传对象引用”的方式。实际上，这种方式相当于传值和传引用的一种综合。如果函数收到的是一个可变对象（比如字典或者列表）的引用，就能修改对象的原始值－－相当于通过“传引用”来传递对象。如果函数收到的是一个不可变对象...]]></description><category></category></item><item><title><![CDATA[解决不平衡数据集问题]]></title><link>https://blog.youkuaiyun.com/nathan_yo/article/details/97652561</link><guid>https://blog.youkuaiyun.com/nathan_yo/article/details/97652561</guid><author>nathan_yo</author><pubDate>Mon, 29 Jul 2019 16:39:38 +0800</pubDate><description><![CDATA[解决不平衡数据集问题
数据不平衡通常反映数据集中类的不均匀分布。例如，在信用卡欺诈检测数据集中，大多数信用卡交易都不是欺诈，只有很少的类是欺诈交易。这使得我们在欺诈类和非欺诈类之间的比例约为50:1。
迄今为止 , 解决不平衡分类问题的策略可以分 为两大类 .一类是从训练集入手 , 通过改变训练集样本分布 ,降低不平衡程度 .另一类是从学习算法入手 , 根据算法在解决不平衡问题时的缺陷 , 适当地...]]></description><category></category></item></channel></rss>