五角场研究僧-优快云博客

原创机器学习四大任务：回归、分类、聚类与降维

机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并做出决策或预测。

2024-06-25 20:25:00 2615

原创博客摘录「 loss与val_loss的关系 acc 与val_acc的关系」

首先要明白验证集的最大作用是方便我们了解模型效率、调试超参数，测试集是可以没有的，但验证集是必须有的，如果验证集具有足够的泛化代表性，是可以不需要设置测试集的；注意测试集的存在只是为了验证我们在训练集和验证集上进行模型的超参和参数训练后，验证我们得到的模型是否具有泛化性能。分别表示训练集的准确度和损失值、以及验证集的准确度和损失值，注意是验证集的而不是测试集的。下面小小的总结一下具体的联系。不断上升不断上升模型、超参数、数据集的出现问题处理这是最坏的情况，往往出现方向性错误。

2024-05-12 14:21:38 278

原创 tensorflow2.0——各批次loss、acc及可视化

Model.fit()在调用时会返回一个History类，这个类的一个属性Historty.history是一个字典，里面就包含了每一个batch的测试集与验证集的loss、acc。有时候我们需要查看每个batch训练时候的损失loss与准确率acc，这样可以帮助我们挑选合适的epoch以及查看模型是否收敛。这里可视化用到的包是matplotlib，暂不提供在tensorboard上的可视化，详细使用如下。

2024-01-14 11:46:35 956

转载完整模型训练套路+查看训练损失+打印正确率argmax+特殊层BN和Dropout层

转载：https://blog.youkuaiyun.com/cocapop/article/details/129989705CIFAR 10 model 网络模型① 下面用 CIFAR 10 model网络来完成分类问题，网络模型如下图所示。DataLoader加载数据集。

2024-01-14 11:36:20 214

原创模型每次结构不一样！

这些超参数可能会影响模型的性能，因此每次训练的结果可能会有所不同。数据集不同：如果你在每次训练时使用的数据集不同，那么结果可能会有所不同。固定权重：你可以尝试使用预训练的权重，或者在每次训练中使用相同的权重初始化方法，以确保每次训练的权重一致。调整超参数：你可以尝试使用不同的超参数组合来训练模型，并选择最佳的超参数组合以获得更好的结果。初始化权重：神经网络中的权重通常是随机初始化的。：对于基于随机性的算法，你可以设置固定的随机种子。使用相同的数据集：在每次训练时使用相同的数据集，以确保结果的一致性。

2024-01-14 11:32:31 1161

原创领域泛化和领域自适应

领域泛化(Domain GeneralizationDG) 是近几年非常热门的一个研究方向。它研究的问题是从若千个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型，以便在未知(Unseen)的测试集上取得较好的效果。

2024-01-13 19:24:58 1062 2

原创深度学习入门！

结合知乎：https://zhuanlan.zhihu.com/p/114573981深度学习快速入门(纯干货)——休柏的总结。

2024-01-13 19:17:29 521

原创 PCA-tSNE-UMAP 比较

PCA、tSNE 和 UMAP 特征缩减技术的比较。

2024-01-02 15:59:22 1105 1

原创时域、频域、时频域+三种频域变换的理解

简单的周期信号，使用傅里叶级数变换，得到离散的频率谱（离散的频率谱均是信号频率的整数倍）；非周期信号，使用傅里叶变换，得到连续的频率谱（非周期信号，近似可看作由无数种周期信号叠加形成，每一个变换后都形成对应的整数倍离散频率谱，无数种不同离散频率谱叠加，就是频域上的连续谱）。时域上的复杂，在频域上也许很规律，即使复杂如交响乐，也是1~7不同调子（蝌蚪文）的组合，并且有规律，即曲谱。对于理工科，频域变换，最大的作用就是把时域上复杂的微分方程转为频域上多项式，极大地方便离散求解。，操作真实的时域信号（确知信号）

2022-09-05 16:48:27 12362

原创 Matlab谱分析的pwelch方法

当然，通常设置NFFT为大于每一段的点数的最小2次幂，这样可以得到最高的频域分辨率。由于实际信号通常是非定常的，我们只能假设其在10ms的时间段内是定常的，并在此基础上对短的定常信号求PSD或者能谱。窗函数的作用就是将原始的信号分割成一段段可以计算PSD和能谱的短信号，并且保证了周期结构的连续性、避免了能量泄漏（原因解释）。采用了窗函数后，窗口两侧位置的信息就会减少（因为窗函数两端为零值），这就需要滑动窗口的位置来解决，也就是说窗口重叠（overlapping）的作用就是使得对分割后信号的分析更可靠。

2022-09-05 16:41:55 2852 3

原创 matlab从fig图文件中提取数据

fig图提取数据

2022-09-05 16:41:07 677

原创数据结构与经典算法（1）算法复杂度+线性表

数据结构经典算法（1）算法复杂度+线性表写在前面，研二正在准备实习，总结了优快云上各个大佬的数据结构与算法。侵权联系删。参考：数据结构与算法学习笔记数据结构：栈和队列(Stack & Queue)【详解】绪论：1.总的思维导图：1.算法的复杂度1.1大O复杂度表示法公式:T(n)表示代码执行的时间;n表示数据规模的大小;f(n) 表示每行代码执行的次数总和。公式中的O,表示代的执行时间T(n)与f(n)表达式成正比。当n很大时，我们只需要记录一个最大量级就

2022-05-01 16:03:10 994

原创深度学习评价指标总结及代码实现

1.分类任务混淆矩阵混淆矩阵就是统计分类模型的分类结果，即：统计归对类，归错类的样本的个数，然后把结果放在一个表里展示出来，这个表就是混淆矩阵。初步理解混淆矩阵，当以二分类混淆矩阵作为入门，多分类混淆矩阵都是以二分类为基础作为延伸的！对于二分类问题，将类别1称为正例（Positive），类别2称为反例（Negative），分类器预测正确记作真（True），预测错误记作（False），由这4个基本术语相互组合，构成混淆矩阵的4个基础元素，为：TP（True Positive）：真正例，模型预测为正例

2022-04-13 16:32:28 6346

原创整理和转载：脑电的频谱和时域分析

1.背景静息态：通常频域分析；任务态通常时频分析；任务态通常指是执行具体实验范式时候的状态！2.频谱分析概念和常用方法例子方法：1）傅里叶变换NOTE:常见方法**：周期图、welch法、多窗口法、基于自回归模型的估计**多窗口法和welch法同样是通过平均加窗数据的周期图以降低频谱估计的方差，但与welch并同，多窗口法使用并同的锥形窗口函数。3.时频分析STFT需要考虑时间分辨率和频率分辨率（存在折中）CWT转载和整理自：https://blo

2022-04-13 10:33:11 1260

原创 EEG信号——时域分析、频域分析、时频分析

EEG信号的时频分析

2022-04-13 09:59:55 24281 4

原创 Tensorflow SavedModel 模型的保存和加载

前言最近参加了天池上的Apache Flink极客挑战赛——垃圾图片分类比赛，里面涉及到了Java调用tensorflow的SavedModel格式的模型进行预测，于是专门对此内容进行了调研。这里记录了SavedModel模型的优势，结构以及保存和加载的方法。SavedModel的优势Tensorflow训练的模型可以保存为ckpt格式，但是这种格式的模型文件在跨语言方面不是很灵活。而SaveModel与语言无关，比如可以使用python语言训练模型，然后在Java中非常方便的加载模型。SavedM

2022-04-04 19:48:32 3105

qq_38341276的博客