PingBryant的博客

本文重点其实如果我们使用 pytorch 封装好的网络层的时候,我们并不需要对模型的参数初始化,因为这些都是 pytorch 帮助我们完成的,但是如果我们自己搭建模型(不使用 pytorch 中的封装好的网络层)或者对 pytorch 中封装好的模型初始化参数不满意,那么此时我们对模型进行参数初始化。用 pytorch 已经封装好的层来搭建网络模型import torchimport numpy as npfrom torch import nnclass Simple_net(nn.Modu

根据上一篇博文（如何解释准确率、精确率与召回率？）中对相关概念的定义，引入“真正例率”（True Positive Rate，简称TPR）和“假正例率”（False Postive Rate，简称FPR）。TPR和FPR的定义为：假正例率：对应的是真实负样本中分类结果为正样本的比例；真正例率：对应的是真实正样本中分类结果为正样本的比例。ROC曲线（接受者操作特性曲线，receiver operating characteristic curve）的横坐标为假正例率，纵坐标为真..

对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。首先有关TP、TN、FP、FN的概念。TP与TN都是机器（预测）分类分对了的情况，TP是预测为正类且预测正确，TN是预测为负类且预测正确。FP与FN都是机器（预测）分类分错了的情况，FP是把实际负类分类（预测）成了正类，而FN则是把实际正类分类（预测）成了负类。（T则代表分类正确，F代表分类错误；P代表全体类中实际正类，N代表全体类中实际负类。）【举例】一个班里有男女生，我们来进行分类，把女生看成正类，男生