- 博客(20)
- 收藏
- 关注
RSS订阅原创 【深度学习】-对抗网络以及一些扩充
为了解决CNN的目标不明确问题：CNN对于旋转类图片不确定。CNN对于图片整体结构关系不确定性：毕加索问题。是一个胶囊神经网络，添加到CNN中。，去除全连接层，使用判别器使用。使用卷积神经网络 + GAN。判别器没有池化，都需要归一化。，生成器除了最后输出使用。
2024-11-26 14:26:57
327
原创 【深度学习】 - 初步进阶
batchmini-batchm2000mini-batchmini-batch26272829CPU/GPU指数加权平均StY1if t=1βSt−11−βYtif t>1动量梯度dWYtdWtRMSPropα指数加权平均动量梯度RMSPropAdam标准化输入。
2024-11-18 16:31:03
692
1
原创 试用期之ElasticSearch
日志采集方案：Eilebeat（日志采集工具）+ Logstash（数据处理引擎）+ Elasticsearch（数据存储、全文检索、分布式搜索）+ Kibana（展示数据、绘图、搜索）Elasticsearch三大功能：搜索、分析、存储数据基础命令put请求具有====内容不可以重复，而post不具有幂等性。
2023-07-25 11:28:05
145
原创 Nacos的简单回顾
要为服务注册多个实例，只需在不同的主机或端口上多次启动该服务，每个实例都将自动注册到Nacos中。在具体Nacos应用的时候，在我们想要获取Nacos中相关配置的时候都需要在类上加入。保证实时更新，所以一般我们都是将获取的Nacos配置写在同一个类中，为这些配置写上。当启动一个服务时，它将自动注册到Nacos注册中心。因为有多个实例，所以在获取服务的时候需要。注入一下，这样就可以防止重复写。方法，然后在需要用到的地方。
2023-07-24 16:53:09
120
原创 SQL基础查漏补缺
模糊查询like、between and、in、is null。"+"号在mysql中只有一个功能：运算符。字符串拼接concat。
2023-07-24 15:16:24
231
原创 GO之行（二）
快速入门 1.当然是Hello，world啦 package main import "fmt" func main() { fmt.Println("hello,world") } go文件后缀是 .go package main: 表明文件所在包 import xxx: 引入包（fmt包中提供格式化，输出，输入的函数） func main(): 主函数 go语言自动在末尾加分号 go语言定义的变量或import的包如果没有用到，代码不能编译通过 1.1编译 go build hello.go
2022-02-21 20:51:04
205
原创 GO之行（一）
初识GO GO=C + Python 弱化指针： func test（num *int）{ *num = 20 } 包概念：一个Go文件需要在一个包中（JAVA？） 垃圾回收机制 天然并发 管道通讯机制 返回多个值： func test(num1 int, num2 int)(int, int){ sum := num1 + num2 sub := num1 - num2 return sum, sub } 基本结构 package main import "fmt" fun
2022-02-19 12:01:46
603
原创 DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks 论文解读
文章提出的DAGA是一种适配于NER的数据增强方法，来自阿里达摩院 1. 核心思想 DAGA的思想简单来讲就是标签线性化：即将原始的**「序列标注标签」与「句子token」进行混合，也就是变成「Tag-Word」**的形式，如下图：将「B-PER」放置在「Jose」之前，将「E-PER」放置在「Valentin」之前；对于标签「O」则不与句子混合。标签线性化后就可以生成一个句子了，文章基于此句子就可以进行「语言模型生成」了。 假设我们在相应的词之前（在句子线性化期间）插入标签来训练 RNNLM，在给定“I
2021-11-01 16:02:44
923
原创 NER（命名实体识别）
NER（命名实体识别） 一. 什么是实体？ 例如，“地名”是一种概念，或者说实体类型，那么“成都”就是一种“地名”实体了。“时间”是一种实体类型，那么“中秋节”就是一种“时间”实体了。（抽象与具体） 所谓实体识别，就是将你想要获取到的实体类型，从一句话里面挑出来的过程。 二. 命名实体识别的数据标注方式 BIOES： B，即Begin，表示实体的开始 I，即Intermediate，表示实体的中间部分 E，即End，表示实体的结尾 S，即Single，表示单个实体字符 O，即Other，表示其他，用于标记
2021-10-25 10:16:24
611
原创 论文摘要撰写学习总结
摘要总体结构： 总体结构按照三部分走： 研究背景 —— 研究的过程—— 结论 研究背景： 阐述研究的意义、目的以及研究领域存在的问题，如正确率需要提高等等。 研究的过程： 总——分 结构 首先总述文章的方法，其次可以采用一些常用的结构详述自己的方法，比如（首先…，其次…，最后…）。 结论： 写研究获得的结果，如“通过实验与（比较方法）比较，结果表明，（论文方法）具有更好的…”。 注意事项： 一个句子中不要重复出现相同的词（挨过不少板子 -.-） “本文”，这种词语摘要最好只出现一次，写本文
2021-07-01 20:42:45
417
原创 pytorch学习系列（1）
所需包： import torch from torch.autograd import Variable import torch.nn.functional as F 在 Torch 中的 Variable 就是一个存放会变化的值的地理位置. 里面的值会不停的变化. 就像一个裝鸡蛋的篮子, 鸡蛋数会不停变动. 那谁是里面的鸡蛋呢, 自然就是 Torch 的 Tensor 咯. 如果用一个 Variable 进行计算, 那返回的也是一个同类型的 Variable. Variable 计算时, 它在背景
2021-06-10 19:05:26
203
原创 CART决策树python实现
CART决策树代码实现 调包侠： from sklearn import tree import pydotplus def cart_skl_test(): df = pd.read_csv("../dataSet/liquefaction_data_MLE.csv") x = df[['CSR', 'Vs']] y = df['target'] clf = tree.DecisionTreeClassifier() clf.fit(x, y) dot_
2020-12-14 18:09:59
1105
2
原创 CART树及其剪枝学习笔记
CART树：分类与回归树 算法由两部分组成： 决策树生成 决策树剪枝 CART算法： CART算法采用一种二分递归分割的技术，算法总是将当前样本集分割为两个字样本集。 生成的决策树的每个非叶结点都只有两个分枝，因此CART算法生成的决策树是结构简洁的二叉树。 CART算法适用于样本特征的取值为是或非的场景。 剪枝过程特别重要，所以在最优决策树生成过程中占有重要地位。有研究表明，剪枝过程的重要性要比树生成过程更为重要。 回归树的生成（平方误差）： 设YYY是连续变量，给定训练数据集：D={(x1,y
2020-11-21 19:03:04
328
原创 决策树及其剪枝方法学习笔记
决策树 信息量： log21p(xi)log _{2} \frac{1}{p\left(x_{i}\right)}log2p(xi)1 信息熵(不确定性度量)，熵为各事件信息量的“数学期望”： 熵越大，随机变量的不确定性越大。 H(p)=−∑i=1npilogpiH(p)=-\sum_{i=1}^{n} p_{i} \log p_{i}H(p)=−i=1∑npilogpi，其中 0≤H(p)≤logn0 \leq H(p) \leq \log n0≤H(p)≤logn 条件熵：表示已知
2020-11-21 19:01:16
240
1
原创 逻辑回归中样本不平衡的解决方案
逻辑回归中样本不平衡的解决方案： 前情提要：在逻辑回归中，如果数据不平衡会导致如下情况，分类效果差： 改进：对不同类型进行加权，公式如下： l(θ∣Y)=⟨∏i=1nLg−1(ηi∣θ)⟩WL⟨∏j=1nNL[1−g−1(ηj∣θ)]⟩WNLl(\theta \mid \mathbf{Y})=\left\langle\prod_{i=1}^{n_{L}} g^{-1}\left(\eta_{i} \mid \theta\right)\right\rangle^{W_{L}}\left\langle\pr
2020-11-10 11:19:33
4486
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人