- 博客(6)
- 收藏
- 关注
RSS订阅原创 对mnist数据集使用pytorch建立线性神经网络模型（尝试添加L2惩罚和Dropout）
分析 MNIST 数据集，使用pytorch建立具有3个隐藏层的线性神经网络模型，尝试用不同的正则化方法分析数据。
2024-05-16 19:37:35
295
原创 对 MNIST图像数据集，建立具有一个隐藏层的神经网络，隐藏层使用 sigmoid 函数作为激活函数。（不使用pytorch，手写python代码实现）
2.使用批量随机梯度下降法，训练具有1个隐藏层的神经网络，其中隐藏层使用 sigmoid 函数作为激活函数，输出层使用softmax激活函数输出概率值。1.首先确保MNIST数据集已经下载到本地并解压，然后根据数据集路径（代码中使用的是绝对路径）导入MNIST数据集，导入后对数据进行相应的预处理。
2024-04-26 13:51:36
502
1
原创 交叉验证法作业——使用线性回归模型拟合数据
交叉验证法是一种用于评估机器学习模型在未知数据上表现的统计分析技术，通过对数据进行分组，然后在这些组上反复进行训练和验证过程，以确保模型评估的稳定性和准确性。最常见的交叉验证方法是k折交叉验证。在k折交叉验证中，原始数据被分成k个子集。每个子集轮流作为验证数据集，其余的k-1个子集组合起来作为训练数据集，这个过程重复进行k次，每次都会产生一个模型评估分数，最终的模型性能是这k次评估分数的平均值。
2024-04-24 16:27:48
500
1
原创 【YOLOv3全文翻译】YOLOv3: An Incremental Improvement
在320×320的情况下，YOLOv3在28.2mAP的情况下运行22毫秒，与SSD一样准确，但速度快三倍。这种方法使我们能够从上采样的特征中获得更有意义的语义信息，并从早期的特征图中获得更精细的信息。然后，我们再增加几个卷积层来处理这个合并的特征图，最终预测出一个类似的张量，尽管现在的张量是原来的两倍。如果先验边界框不是最好的，但与真实框目标的重叠程度超过了某个阈值，我们就忽略这个预测，遵循[17]。我们有一个可以上镜的最后期限[4]，我们需要引用我对YOLO的一些随机更新，但我们没有来源。
2024-04-24 15:53:38
1043
原创 【YOLOv2全文翻译】YOLO9000:Better, Faster, Stronger
我们想训练一个极大规模的检测器，所以我们使用COCO检测数据集和ImageNet完整版本中的前9000个类来创建我们的联合数据集。尽管增加了369个额外的概念，并让我们的网络预测树状结构，但我们的准确率只下降了一点。因此，如果一个概念有两条通往根的路径，其中一条路径会给我们的树增加三条边，而另一条只增加一条边，我们就选择较短的路径。对于224×224的单张图像，前5名的准确率，YOLO 的自定义模型在 ImageNet 上的准确率达到 88.0%，而 VGG-16 的准确率为 90.0%。
2024-04-24 15:28:00
531
原创 YOLOv1-v12各版本的作者（附论文及项目地址）
Joseph Redmon ，Santosh Divvala ， Ross Girshick 和 Ali Farhadi。Joseph Redmon 是YOLO系列的主要创始人，他在华盛顿大学进行研究工作时提出了 YOLO 的概念。
2024-04-24 15:06:19
19884
2
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