F_aF_a的博客

DoWhy | An end-to-end library for causal inferenceGetting started with DoWhy: A simple example使用因果推理的四个步骤来动手估计因果效应：建模model、识别identify、估计 estimate 和反驳 refute。 因果关系定义 假设我们想要找到采取行动A对结果y的因果影响，要定义因果影响，考虑两个世界:世界1(真实世界): 行动A被采取，观察到Y世界2(反事实世界): 没有采取行动A，但其他一

文章目录`class_loss` 分类交叉熵损失_论文公式（2）`ring_loss` Ring-style Normalization_论文公式(8)`mutual_information`_论文公式(5/6/7)`confusion_loss` LentL_{ent}Lent​_论文公式(3)`alignment_loss``Reconstruction`重构损失_论文公式(1)class_loss 分类交叉熵损失_论文公式（2）ring_loss Ring-style Normalizatio.

label有7种logits是预测的结果，1000个7维矩阵现在用TSNE降维图可视化from sklearn.manifold import TSNEtsne = TSNE()out = tsne.fit_transform(logits) # logits.shape(1000,7)# out.shape(1000,2)fig = plt.figure()for i in range(7): indices = label == i # 标签为i的全部选出来 x,

def plot_loss_with_acc(loss_history, val_acc_history): """ 一幅图两个坐标曲线 :param loss_history: loss列表 :param val_acc_history: acc列表 """ fig = plt.figure() # 第1个坐标轴 ax1 = fig.add_subplot(111) ax1.plot(range(len(loss_history)), l

文章目录流程代码流程在Nway−KshotN way - K shotNway−Kshot的episodeepisodeepisode下(图中N=K=3，有3个类，每类有3张图片)，XsX_sXs​表示支持图片的集合.当有单张查询图片xqx_qxq​的时候，我们希望能预测它的标签yqy_qyq​.灰色的梯形代表卷积特征提取器，xqx_qxq​经过它产生的一个大小为r×dr×dr×d大小的特征图输出(记作QQQ)，其中r=h×wr = h×wr=h×w代表空间大小，ddd是通道数.对于CCC个类别，

import loggingdef get_logger(filename): formatter = logging.Formatter( "[%(asctime)s] %(message)s",datefmt='%m/%d%I:%M:%S') logger = logging.getLogger() logger.setLevel(logging.INFO) fh = logging.FileHandler(filename,"w")

参考自：使用Icecream提高Python调试效率Pytorch Tensor交换维度MAXPOOL2Dimport osfrom icecream import icimport numpy as npimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom PIL import Imagepath = "./1.jpeg"# 图片本身img = Image.open(path)img.s

原图原图直接缩放，比例失调将原图补成正方经，然后缩放import numpy as npfrom PIL import Imagepath = "D:\\坚果云\\坚果云相册\\手机壁纸\\20170722094609_vG3te.jpeg"img = Image.open(path)img.show()img = np.array(img)old_img = Image.fromarray(img.astype('uint8')).convert('RGB').resize(

#mermaid-svg-2e6SQuhrd5Hxtufh .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-2e6SQuhrd5Hxtufh .label text{fill:#333}#mermaid-svg-2e6SQuhrd5Hxtufh .node rect,#mermaid-svg-2e6SQuhrd5

文章目录0. 准备0. 准备数据集将code/loader/belga2flickr.py line4如果报错可以修改环境，参考自如何解决：module ‘scipy.misc’ has no attribute ‘imread’

源码地址：https://github.com/Clarifai/few-shot-ctm文章目录无法直接运行代码训练流程学习策略计算模型loss其他无法直接运行代码看代码有人也有这个问题Why i can’t run the code with default setting，所以要稍微修改下代码。修改tools/general_utils.pyline276为yaml_cfg = AttrDict(yaml.load(f, Loader=yaml.FullLoader))main代码

在命令行下载miniImagenet数据集wget https://data.deepai.org/miniimagenet.zip数据是pkl形式的，需要用特殊的方法进行读取和可视化参考了OpenCV读取和写入图像文件（详解版）和python——pkl文件代码如下：import osimport pickleimport cv2path = "/media/idea/c9ae2b5e-60d5-4916-8e02-23f584456660/DataSet/mini-imagenet/

文章目录定义`def load_protonet_conv(**kwargs)`使用计算loss定义few_shot.py中定义了函数模型。文件中有两个类和一个函数：def load_protonet_conv(**kwargs)：根据传进来的参数kwargs，建立模型class Protonet(nn.Module)：主要是计算episode的loss和accclass Flatten(nn.Module)：展平。但是torch不是有这个层吗，不明白为啥作者还要自己写呢def load_p

一般pytorch加载数据的固定格式是：dataset = MyDataset() # 第一步：构造Dataset对象dataloader = DataLoader(dataset)# 第二步：通过DataLoader来构造迭代对象num_epoches = 100for epoch in range(num_epoches):# 第三步：逐步迭代数据 for img, label in dataloader: # 训练代码但是小样本有episode这

文章目录数据模型①`CNNEncoder``RelationNetwork``Prototypical``LabelPropagation`数据模型①CNNEncoder提取特征RelationNetworkPrototypicalLabelPropagation

文章目录训练模式项目目录评估模式`main()`主要逻辑中文注释代码训练模式在run.sh中复制命令行python ./src/train_lshot.py -c $config --proto-rect $protrec --lmd $lmd --tune-lmd $tune --data $datapath --lshot --log-file /LaplacianShot.log --evaluate用值替换$变量,去掉最前的python ./src/train_lshot.py和最后的-

文章目录数据超参数main函数训练损失函数模型`extract``decode``classify``classify2``init_params`测试数据data_loader = get_loader(args.dataset)data_path = get_data_path(args.dataset) # '../db/'tr_loader = data_loader(data_path, args.exp,is_transform=True, split='train', img_siz

代码使用omniglotomniglotomniglot数据集，以5way−1shot5way-1shot5way−1shot为例，一个episodeepisodeepisode只有一张queryqueryquery，一个batchbatchbatch中有300300300个episodeepisodeepisode文章目录数据训练metric_nnWcomputeGconvgmul流程图在main.py中的第144行开始训练的迭代数据首先加载数据# main.py line149data =