<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ntntg的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ntntg</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ntntg]]></copyright><item><title><![CDATA[各种卷积层的理解（深度可分离卷积、分组卷积、扩张卷积、反卷积）]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114969329</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114969329</guid><author>ntntg</author><pubDate>Thu, 18 Mar 2021 11:12:31 +0800</pubDate><description><![CDATA[最近在研究卷积网络的改性，有必要对各种卷积层的结构深入熟悉一下。为此写下这篇学习笔记。 
文章大部分内容来自于网络的各种博客总结，本博文仅仅作为本人学习笔记，不做商业用途。 

目录 
2D卷积 
3D卷积 
1*1卷积 
空间可分离卷积（separable convolution） 
深度可分离卷积（depthwise separable convolution） 
分组卷积（Group convolution）...]]></description><category></category></item><item><title><![CDATA[Anaconda中jupyter切换虚拟环境]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114677764</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114677764</guid><author>ntntg</author><pubDate>Thu, 11 Mar 2021 19:25:02 +0800</pubDate><description><![CDATA[Anaconda中jupyter切换虚拟环境

        
                
                    
                        
                    
                    1.conda安装conda_nb: 
conda install nb_conda
1 
完成后jupyter网页上将多出conda标签 
2.创建conda虚拟环境并进入 
conda create -n tensorflow pyt]]></description><category></category></item><item><title><![CDATA[102类花卉分类数据集（已划分，有训练集、测试集、验证集标签）]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114527650</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114527650</guid><author>ntntg</author><pubDate>Mon, 08 Mar 2021 12:52:54 +0800</pubDate><description><![CDATA[102类花卉分类数据集（已划分，有训练集、测试集、验证集标签）+完整运行代码
数据集已经经过处理划分好了，并且附带了训练集，测试集，验证集的txt文本标签。配合完整运行代码即可训练。
数据集链接在文章中间部分
代码如下：
VGG19
import pandas as pd
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.utils.data as D
import torchvision
from]]></description><category></category></item><item><title><![CDATA[Pytorch实现102类鲜花分类(102 Category Flower Dataset)]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114527632</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114527632</guid><author>ntntg</author><pubDate>Mon, 08 Mar 2021 12:51:30 +0800</pubDate><description><![CDATA[Pytorch实现102类鲜花分类(VGG19和ResNet152模型)
本文主要讲解该算法的实现过程，原理部分需读者自行研究，可以找一些论文之类的。

实验环境
python3.6+pytorch1.2+cuda10.1

数据集
102 Category Flower Dataset数据集由102类产自英国的花卉组成，每类由40-258张图片组成
至于数据集我放个链接给大家，并且是划分好的数据集：https://download.youkuaiyun.com/download/ntntg/15535184?spm=]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---第一个应用鸢尾花数据集分类(1)---附完整代码]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114395307</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114395307</guid><author>ntntg</author><pubDate>Fri, 05 Mar 2021 14:28:55 +0800</pubDate><description><![CDATA[机器学习笔记—第一个应用:鸢尾花数据集分类(1)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。

首先我们将完成一个简单的机器学习应用——鸢尾花数据集分类，并构建第一个模型。与此同时，介绍一些核心概念和术语。
话不多说，我们首先来看一下，鸢尾花到底是何方神圣！


文章目录机器学习笔记---第一个应用:鸢尾花数据集分类(1)---附完整代码1.明确问题PS：所有的测量结果的单位都是厘米2.了解数据2.1读取数据2.2查看数据2.3训练数据与测试数据2.4数据可视化3.构建第一个模]]></description><category></category></item><item><title><![CDATA[优快云 写博文(简单易上手) 图片居中 文字居中 红色字体]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114287784</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114287784</guid><author>ntntg</author><pubDate>Tue, 02 Mar 2021 16:14:02 +0800</pubDate><description><![CDATA[优快云 写博文 图片居中 文字居中 红色字体
本帖目的只是记录，仅此而已。
图片居中
粘贴好图片后，在png后方加入：#pic_center

如果要调整大小，则#pic_center =30x30

文字居中
&lt;center&gt;文字居中&lt;/center&gt;


文字加粗居中
&lt;center&gt;**文字加粗居中**&lt;/center&gt;


文字斜体居中
&lt;center&gt;*文字斜体居中*&lt;/center&gt;

居中文字  只在需要居中的文字左右两]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---决策树的集成算法介绍(7)---附完整代码]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114287274</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114287274</guid><author>ntntg</author><pubDate>Tue, 02 Mar 2021 15:58:31 +0800</pubDate><description><![CDATA[机器学习笔记—决策树的集成算法介绍(7)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。

文章目录机器学习笔记---决策树的集成算法介绍(7)---附完整代码1.随机森林1.1构造随机森林1.2分析决策树2.梯度提升回归树（梯度提升机）3.优缺点和参数随机森林梯度提升回归树
集成（ensemble）是合并多个机器学习模型来构建更强大模型的方法。
在机器学习文献中有许多模型都属于这一类，但已证明有两种集成模型对大量分类和回归的数据集都是有效的，二者都以决策树为基础，分别是随机森林（]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---决策树算法介绍(6)---附完整代码]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114287064</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114287064</guid><author>ntntg</author><pubDate>Tue, 02 Mar 2021 15:55:54 +0800</pubDate><description><![CDATA[机器学习笔记—决策树算法介绍(6)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。

文章目录机器学习笔记---决策树算法介绍(6)---附完整代码1.构造决策树2.控制决策树的复杂度3.分析决策树4.树的特征重要性5.优缺点和参数5.优缺点和参数

决策树是广泛用于分类和回归任务的模型。本质上，它从一层层的if/else问题中进行学习，并且得出结论！

如果你要区分四种动物：熊、鹰、企鹅和海豚，可以转换成一颗决策树来表示。
mglearn.plots.plot_animal_tr]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---线性模型（分类）算法介绍(5)---附完整代码]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114265684</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114265684</guid><author>ntntg</author><pubDate>Mon, 01 Mar 2021 16:36:57 +0800</pubDate><description><![CDATA[机器学习笔记—线性模型（分类）算法介绍(5)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。

文章目录机器学习笔记---线性模型（分类）算法介绍(5)---附完整代码1.用于回归的线性模型2.用于多分类的线性模型3.优缺点
1.用于回归的线性模型

线性模型也广泛应用于分类问题，预测公式如下：


这个公式看起来与线性回归公式非常相似，但是我们没有返回特征的加权求和，而是为预测设置了阈值（0）。如果函数值小于0，我们就预测类别-1；若函数值大于0，我们就预测类别+1。

对于用于]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---线性模型（分类）算法介绍(4)---附完整代码]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114263355</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114263355</guid><author>ntntg</author><pubDate>Mon, 01 Mar 2021 15:18:17 +0800</pubDate><description><![CDATA[机器学习笔记—线性模型（回归）算法介绍(4)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。

线性模型是在实践中广泛使用的一类模型，被广泛研究。
线性模型利用输入特征的**线性函数（linear function）**进行预测。
文章目录机器学习笔记---线性模型（回归）算法介绍(4)---附完整代码1.用于回归的线性模型2.线性回归（普通最小二乘法）`coef_`属性和`intercept_`属性的简单介绍：3.岭回归4.`lasso`5.小结5.小结
1.用于回归的线性模型
]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---k近邻（KNN）算法介绍(3)---附完整代码]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/114004386</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/114004386</guid><author>ntntg</author><pubDate>Tue, 23 Feb 2021 22:21:53 +0800</pubDate><description><![CDATA[机器学习笔记—k近邻（KNN）算法介绍(3)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。

KNN算法应该可以说是最简单的机器学习算法了，构建KNN模型只需要保存训练数据集即可。
想要对新的数据点做出预测，算法会在训练数据集中找到最近的数据点，也就是它的"最近邻"。

文章目录机器学习笔记---k近邻（`KNN`）算法介绍(3)---附完整代码1. `KNN`算法的简单介绍1.1 `KNN`算法的流程1.2 `KNN`算法的优缺点2. K近邻分类2.1  `forge`数据集的]]></description><category></category></item><item><title><![CDATA[机器学习笔记（通俗易懂）---监督学习介绍：分类与回归，泛化~过拟合与欠拟合(2)]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/113664984</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/113664984</guid><author>ntntg</author><pubDate>Thu, 04 Feb 2021 21:40:30 +0800</pubDate><description><![CDATA[机器学习笔记—监督学习介绍：分类与回归，泛化~过拟合与欠拟合(2)
明天开始就打数模美赛了，今天简单地介绍一下监督学习
以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考

文章目录机器学习笔记---监督学习介绍：分类与回归，泛化~过拟合与欠拟合(2)明天开始就打数模美赛了，今天简单地介绍一下监督学习1.监督学习的介绍2.分类与回归2.1分类2.1.1分类问题的目标2.1.2分类问题的种类二分类多分类2.2回归2.2.1回归问题的目标2.2.2回归问题的举例2.3区分分类问题和回归问题3.泛化~过拟]]></description><category></category></item><item><title><![CDATA[学习Markdown以及使用Typora的心得感受与基础知识]]></title><link>https://blog.youkuaiyun.com/ntntg/article/details/113182444</link><guid>https://blog.youkuaiyun.com/ntntg/article/details/113182444</guid><author>ntntg</author><pubDate>Tue, 26 Jan 2021 16:05:26 +0800</pubDate><description><![CDATA[1月25日第一次作业
对于第一次作业我个人将其分为两个部分，其一为我第一次接触markdown以及Typora的内心感受；其二为我在苏佬的直播讲授过程中学习到的东西的自我总结。

关于感受
1.1关于Markdown
在上大学之前就听说过Markdown，只不过今天晚上才正式开始学习Markdown以及使用Typora。
显而易见，Markdown是一种标记语言，使用Markdown的目标即易读易写，而且Markdown能够以纯文本发布，而且不会由于标签太多影响阅读。
各种文本编辑器都能编写查看（现在主流编]]></description><category></category></item></channel></rss>