孤独症(4)

iPhone免越狱Git服务器搭建教程-iSH iPhone免越狱Git服务器搭建教程 阅读详情

我已经三天没有学习了,这几天一直在玩炉石传说和跑跑狼,我决不能如此堕落,从今天到2月14号,每天都要学习。
1

class StandardScaler:
    """
    Standard the input
    """

    def __init__(self, mean, std):
        self.mean = mean
        self.std = std

    def transform(self, data):
        return (data - self.mean) / self.std

    def inverse_transform(self, data):
        return (data * self.std) + self.mean

其实我之前没有看懂这个类是干嘛用的,现在我知道了,它是用来将数据标准化的,至于为什么这样处理能够提高算法的性能,我就不知道了。

    scaler = StandardScaler(mean=np.mean(
        final_fc), std=np.std(final_fc))

它配合着这段代码来使用,就可以得到一个标准化器,scaler,里面记录了均值和标准差
2

    pseudo = []
    for i in range(len(final_fc)):
        pseudo.append(np.diag(np.ones(final_pearson.shape[1])))

这一段是生成对角矩阵
3
我之前就一直奇怪,我必须要修改我abide_PLSNet.yaml文件里的atlas,要不然的话矩阵的维度不对。

pseudo = []
for i in range(len(final_fc)):
    pseudo.append(np.diag(np.ones(final_pearson.shape[1])))

我们看这一句,final_person.shape[1]是111啊,这段代码最后生成的是1009个111*111的矩阵
4
这一段就很离谱

if 'cc200' in dataset_config['atlas']:
    pseudo_arr = np.concatenate(pseudo, axis=0).reshape((-1, 200, 200))
elif 'aal' in dataset_config['atlas']:
    pseudo_arr = np.concatenate(pseudo, axis=0).reshape((-1, 116, 116))
elif 'cc400' in dataset_config['atlas']:
    pseudo_arr = np.concatenate(pseudo, axis=0).reshape((-1, 392, 392))
else:
    pseudo_arr = np.concatenate(pseudo, axis=0).reshape((-1, 111, 111))

我先生成1009个111111对角矩阵,然后我再把这些矩阵拼一块,再重构成111111的,如果模型是cc200,那就要重构成200*200的矩阵,那肯定不对,要么多了要么少了
5

final_fc, final_pearson, labels, pseudo_arr = [torch.from_numpy(
    data).float() for data in (final_fc, final_pearson, labels, pseudo_arr)]

我懂这一段是什么意思了,这就涉及到一个问题,numpy就可以处理三维数组,那么为什么还要用pytorch呢,因为数据量太大,cpu处理起来太慢了,所以要用gpu辅助运算,那么自然要把data从numpy数组转化为pytorch的三维数组
6

length = final_fc.shape[0]
train_length = int(length * dataset_config["train_set"])
val_length = int(length * dataset_config["val_set"])

这一段就是划分测试集和验证集的比例
首先这个length是1009,然后abide_PLSNet.yaml中显示train_set为0.7,val_set为0.1。那么train_length就是10090.7即为706.3,int处理之后即为706。val_length即为10090.1,即为100.9,即为100
7

    dataset = utils.TensorDataset(
        final_fc,
        final_pearson,
        labels,
        pseudo_arr
    )

这里改来改去都给我看晕了,追根朔源,final_fc就是timeseires,final_person就是皮尔逊积差相关系数矩阵
8

LeRobot 机器人学习(Robot Learning)教程(二)经典机器人学 本文探讨了机器人学中基于学习的方法与传统动力学方法的对比与发展趋势。文章指出,传统方法依赖精确的动力学模型和大量人工调参,面临跨任务泛化能力弱、工程复杂度高、物理建模局限性等问题。随着机器学习技术的进步和机器人数据集的丰富,基于学习的方法展现出三大优势:(1)能够实现跨任务与实体的泛化;(2)降低对人类专业知识的依赖;(3)利用历史数据优化性能。文中以平面机械臂为例,分析了传统逆运动学方法的计算复杂性和环境适应性挑战,并指出基于学习的方案在处理高维感知输入、复杂接触动力学等方面具有明显优势。文章认为,结合物 阅读详情

相关推荐

OTN传送网实战指南:从光层到电层的完整架构解析(附配置示例)

本文深入解析OTN传送网从光层到电层的完整架构,涵盖关键组件、技术实现及配置示例。通过高速公路与光传送网的类比,详细介绍了光层超宽传输管道构建、电层业务调度核心引擎以及控制平面智能运维实战。附有典型组网方案与故障排查指南,助力网络工程师高效部署与维护OTN传送网。

tomato的博客 684

星光护航 家校同行 多方联合点亮4·2世界孤独症日公益之光

未来,北京市光明慈善基金会、济南市心家园公益服务中心、济南泺源学校将持续深化三方合作,依托基金会孤独症群体社会融合援助品牌项目星星工程的专业积淀与资源优势,开展更多专业培训、科普宣传、康复支持等系列行动,持续推广星星工程核心成果——孤独症脑康复手册,链接更多社会资源,完善孤独症群体全生涯服务支持体系,让更多“星星的孩子”被看见、被理解、被守护。在“天生我材必有用”才艺展示区,孩子们大胆展现绘画、乐器、表演等特长,认真的身影赢得现场阵阵掌声,打破社会对孤独症儿童的刻板印象。为积极响应双主题号召,

2508_92108265的博客 336

论文地图合规求生指南:5分钟搞定标准地图服务转ArcGIS可用矢量文件

本文提供了一份论文地图合规求生指南,帮助非GIS专业背景的科研人员在5分钟内将标准地图服务的EPS文件转换为ArcGIS兼容的矢量文件。通过详细的工作流程和关键参数设置,确保地图完全符合国家规范,同时节省时间成本。重点关注标准地图服务的合规性和Shapefile转换技巧,适用于紧急情况下的论文地图处理。

weixin_34233974的博客 402

训练作用_孤独症训练中家长的作用|专家公益巡讲唐山站

点击蓝字关注我们上个周末,北大医疗来到了唐山,以《携手、同行、共创》为主题开展融合联谊讲座,围绕孤独症及其干预与唐山的家长和老师们进行现场分享、答疑。孤独症早起诊断率逐渐提升,同时也有越来越多的人意识到早期干预的作用。老师应该如何指导家长对儿童进行干预呢?主讲人介绍刘豫鑫 北京大学第六医院,儿童病房副主任毕业于北京大学医学部,2009年12月获得儿童精神病学临床医学博士学位。2006年至今在北京大...

weixin_30010987的博客 154

【COMSOL超材料和超表面仿真设计】

超材料和超表面的设计通常需要自定义材料属性。在COMSOL中,可以通过定义介电常数和磁导率的张量来模拟超材料的特性。对于超表面,通常需要定义表面阻抗或等效电路模型。

weixin_51101456的博客 1674

H3C交换机S-MLAG实战:如何用bond4模式实现服务器高可用(附避坑指南)

本文详细介绍了H3C交换机S-MLAG技术与服务器bond4模式的实战配置,帮助实现跨设备链路聚合的服务器高可用方案。通过解析S-MLAG技术优势、bond4模式选择、关键配置步骤及常见问题排查,提供了一套完整的避坑指南和优化建议,适用于企业级网络架构的高可用需求。

weixin_30790841的博客 466

彭州市2023年“4.2世界孤独症关注日”“让爱来,让碍走”启动活动

2023年4月2日,由中共彭州市委宣传部,彭州市民政局,彭州市残疾人联合会,彭州市妇女联合会,共青团彭州市委指导,由彭州市慈善会,彭州市仁爱社会工作服务中心,彭州市育子园特殊儿童康复中心主办的彭州市2023年“4.2世界孤独症关注日”“让爱来,让碍走”—关爱孤独症家庭启动活动在彭州市官渠郊野公园举行。上午的活动现场,举办了自闭症儿童才艺展示,自闭症儿童家长分享,爱心企业授牌,为自闭症儿童赠礼等环节,最后在统一组织下,自闭症孩子和家长将写满了愿望的气球放飞,寓意放飞梦想,点亮未来。

SYiJiaYi的博客 120

土壤数据库辅助工具SPAW计算土壤导水率

首先点击打开根据之前的1比100土壤数据查表得到各个组分含量其中Field Capacity是田间持水量Matric Bulk Density是基质粒密度。

所有专家都曾始于新手 3443

为什么天才容易患阅读障碍症_男孩惹谁了?!男女患自闭症几率4:1,为什么?...

自1943年美国L.Kanner医生报道第一例孤独症起到现在,70多年间,孤独症已经从最初的“罕见病”,慢慢被越来越多人熟知。2018年,美国疾病控制与预防中心发布最新统计,孤独症的发病率为1/59。随着医学各界的努力,关于孤独症的发现越来越多,但还有很多未解之谜,仍在探索。比如,孤独症无种族、地域和社会差异,但有性别差异,男孩多女孩4-6倍,这是什么原因?今天,从事30多年大学教学科研...

weixin_39619858的博客 1083

4、高光图像滤镜显著改善文本图像的光学字符识别

本文介绍了高光图像滤镜在光学字符识别(OCR)中的应用,详细探讨了其技术原理、实现步骤和在多种场景下的效果。通过增强文本图像的边缘和对比度,高光滤镜显著提升了OCR的识别率,尤其适用于扫描文档、手写笔记和低质量图像。实验结果表明,该方法在不同类型的文本图像中均表现出色,并提出了未来优化方向,如深度学习集成和多模态融合,为OCR技术的发展提供了新的可能性。

ooo22的博客 97

044.树莓派4B部署YOLO:从系统烧录到模型运行

《树莓派4B部署YOLOv8实战笔记》摘要:本文详细记录了在ARM架构树莓派4B上部署YOLOv8的全流程。关键点包括:必须使用64位系统并手动编译OpenCV(禁用FFMPEG、开启NEON优化);模型需在x86转换为TFLite格式(分辨率不超过320×320);推理代码使用tflite_runtime替代TensorFlow以减少内存占用;针对USB摄像头卡顿、内存泄漏等典型问题给出了解决方案。

2603_95664987的博客 169

python torch 自定义神经网络NN

经过epochs次训练,每次epoch训练多个batch_size个样本,Loss逐渐减少。自定义全连接神经网络需要继承Model,重写__init__ 和forward方法。

frt的博客 243

如何使用 Conda 安装 Qiskit(详细教程)

本文介绍了使用conda安装Qiskit量子计算工具包的完整流程。首先创建Python 3.10的conda虚拟环境(qiskit_env),然后安装Qiskit核心包及可视化组件(注意Mac用户的安装命令差异)。接着注册IPython内核并测试环境,通过量子电路创建与可视化演示验证安装成功。该教程为量子计算开发提供了简洁的环境配置指南,适合研究者和开发者快速搭建Qiskit开发环境。

猿小白的博客 566

基于神经网络的机器人导航系统的设计与执行!

基于神经网络的机器人导航系统,本质上是一个“感知-规划-控制”的闭环。它的核心优势在于强大的泛化能力和端到端的简洁性,能够处理传统几何方法难以解决的复杂场景(如密集人群、非结构化地形)。

m0_65595995的博客 238

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

神经网络与深度学习笔记_Day6

神经网络与深度学习笔记_Day6,包含 ANN案例、CNN概述、卷积层 与 池化层。 写于2026/02/12。

ZZHow Blog 345

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)将在中国·合肥举行,会议围绕神经网络、智能信息处理与数据科学等研究方向展开学术交流,关注人工智能算法、数据分析技术以及智能信息系统的发展。

Yangxshy的博客 210

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

第 02/24 期:从线性模型到多层感知机:神经网络的表示能力

本文探讨了线性模型的表达局限,指出其函数族仅能表示超平面边界,无法解决非线性可分问题(如XOR)。通过多层感知机引入非线性激活函数(如ReLU、tanh),网络可构建分段线性或光滑非线性函数,显著提升表示能力。实验表明,单隐藏层MLP在拟合复杂目标函数时优于仿射模型。但需区分表示能力、优化可达性与泛化性能三者:即使模型理论上可逼近任意函数,实际训练仍受初始化、优化路径和样本限制。

weixin_47502228的博客 355

Pytorch 【5】神经网络基础(nn.Module、卷积层、池化层、线性层)

前面我们学习了张量Tensor、自动求导Autograd,这两个是Pytorch最底层的基石。在真实项目中,我们不会手动去写大量求导逻辑,torch.nn模块封装好了神经网络各类层、损失函数,让我们快速搭建网络。本篇重点讲解nn.Module以及常用网络层:卷积Conv、池化Pool、全连接Linear。,和opencv、PIL的HWC相反!卷积之后进全连接,一定要flatten展平,否则维度对不上padding的作用:控制特征图尺寸不变,same padding池化层不改变通道数,只缩小高宽。

Beforthing的博客 208

神经网络与深度学习笔记_Day5

神经网络与深度学习笔记_Day5,包含 梯度下降优化方法、学习率衰减策略、正则化 与 ANN案例。 写于2026/02/07。

ZZHow Blog 321

神经网络是如何学习的?(关于损失函数,梯度下降,反向传播,梯度消失详解)

神经网络的学习本质是一场“瞎子下山”的试错游戏:通过前向传播预测,损失函数评分,反向传播计算梯度,梯度下降更新参数,循环数万次。单个神经元如直线分割,难以解决复杂问题(如XOR),但多层感知机(MLP)叠加非线性激活后,可拟合任意复杂边界。损失函数定义“错误”程度,梯度下降则沿最陡方向迭代优化,学习率决定步幅。反向传播利用链式法则高效分配误差责任,但深层网络中梯度逐层衰减,导致“梯度消失”,使浅层参数难以更新。核心在于:模型靠不断试错,在参数空间中寻找最低损失点,最终学会“看懂世界”。

JYF2007ABC的博客 399

ai药物 对应的D-MPNN(有向消息传递神经网络) Chemprop Python 库,实现了 D-MPNN

前 49 讲是通用图机器学习体系;D-MPNN 这一新模块是把消息传递机制"从节点搬到有向边上",专门为分子性质预测设计的高效变体。学它之前,建议确保已掌握第 3 章 MPNN 的消息传递三要素(消息函数、聚合函数、更新函数),再学 D-MPNN 会非常顺。需要我进一步展开 D-MPNN 的完整数学推导、Chemprop 代码结构,或者帮你制定一份这门课的学习计划(按每天学习时长排期)吗?

AI 前沿技术实战博客:LLM / Agent / AI 制药 / 生信四大栏目日更,硬核干货 + 可复现代码,看完就能上手 345

从“人工智障”到“智能”,没有激活函数的神经网络只是在叠直线

没有激活函数的神经网络仅能表示线性关系,即使堆叠多层也无法拟合复杂非线性模式,导致模型表现如“人工智障”。激活函数(如ReLU)引入非线性,使网络能分段拟合复杂边界,实现从“画直线”到“拼曲线”的跃迁。正确使用激活函数、避免输出层重复激活、合理选择损失函数,是解决模型失效的关键。

JYF2007ABC的博客 415

神经网络与深度学习笔记_Day2

神经网络与深度学习笔记_Day2,包含 张量 与 自动微分。 写于2026/01/21。

ZZHow Blog 121

为什么神经网络经过剪枝后仍能保持较高性能,稀疏性、冗余参数与泛化之间是什么关系?

神经网络之所以能在移除大量参数(甚至高达 90% 以上)后仍保持较高性能,根本原因在于深度模型普遍存在**严重的过参数化(Over-parameterization)**现象。在实际操作中,为了在保持性能的同时实现高稀疏度,通常采用**迭代式剪枝(Iterative Pruning)**策略:先评估权重重要性,移除一部分,微调恢复性能,再循环此过程。稀疏性不仅仅是压缩模型的手段,它通过改变优化景观(Optimization Landscape)和正则化效应,直接提升了模型的泛化能力。

2402_84593233的博客 224

DeepXDE 物理信息神经网络(PINN):自动微分嵌入 PDE 求解的计算特征与 UltraLAB 图形工作站选型

单卡显存决定单任务上限,CPU 高主频多核决定试验吞吐。入门者一张 12—16 GB 显卡即可开展研究;做三维反问题与算子学习的团队建议 24 GB 级单卡起步、64 GB 以上内存;需要批量反演与不确定度量化的实验室按"多卡多任务"扩展,并把预算优先给显存与内存,而非盲目堆卡数。DeepXDE 多后端特性使同一环境可服务 TensorFlow/PyTorch/JAX 三类技术栈,部署时注意 CUDA 版本与后端版本的匹配。

197

从万物互联到万物智联:6G,下一代数字世界的神经网络

网络 “长眼睛、有大脑”,可以实现厘米级定位、障碍物探测、动态环境识别,支撑自动驾驶、低空无人机、工业机器人、沉浸式XR等业务,也是AI-RAN的底层核心能力新华网。6G的核心目标:万物智联,网络原生具备感知、计算、AI推理能力,服务对象从人、机、物延伸到智能体,覆盖空间从地面拓展到空、天、地、海全域国际科技创...。面向6G通信、通感一体、毫米波 / 太赫兹、信道仿真、相控阵雷达全场景,模块化可扩展SDR平台,是科研院所、通信企业、设备厂商开展6G技术预研、原型开发、标准验证的首选硬件底座。

V3_Bs的博客 234
上一篇: 孤独症项目(3)
下一篇: SyntaxError: (unicode error) ‘unicodeescape‘ codec can‘t decode bytes in position 2-3: truncated \UX
人生无根蒂,飘如陌上尘
博客等级 码龄9年 224粉丝 228原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值