- 博客(29)
- 收藏
- 关注
RSS订阅原创 DataWhale AI春训营楼道图像检测比赛
这可能是我人生中最后一次参加AI比赛了，明天就要去考深度学习的试了，这一学期从Resnet到Lora，真的学了不少内容。同时我这学期也要毕业了，往后或许也没了学生身份，希望能够早日在自己的道路上成为top吧。task2里面讲的facal loss很好，第一次使用这个，做ai实验确实应该多读论文。用的是efficientnet_b0，总体10分钟可以运行完.
2025-05-05 22:02:01
249
原创 DataWhale AI夏令营 电力day3
窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。：可以帮助获取相邻阶段的增长差异，描述数据的涨减变化情况。在此基础上还可以构建相邻数据比值变化、二阶差分等；这里主要构建了历史平移特征、差分特征、和窗口统计特征；：通过历史平移获取上个阶段的信息；
2024-07-20 23:04:34
574
原创 DataWhale AI夏令营 nlpDay2
给定一个中文句子“我/对/你/感到/满意”，**编码器会将这句话编码成一个实数向量(0.2, −1, 6, 5, 0.7, −2)，这个向量就是源语言句子的“表示”结果。例如，在电视系统上为了便于视频的传播，会使用各种编码器将视频编码成数字信号，在客户端，相应的解码器组件会把收到的数字信号解码为视频。有了这样的源语言句子的“表示”，解码器可以把这个实数向量作为输入，然后逐词生成目标语言句子“I am satisfied with you”。在源语言句子的表示形式确定之后，需要设计相应的编码器和解码器结构。
2024-07-17 23:15:01
1050
原创 DataWhale AI夏令营 电力预测赛Day2
支持高效LightGBM (Light Gradient Boosting Machine) 是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式，可以快速处理海量数据等优点。窗口统计特征：窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。可以将d-1时间的信息给到d时间，d时间信息给到d+1时间，这样就实现了平移一个单位的特征构建。物品类型:服饰、玩具和电子等。
2024-07-17 18:45:09
383
原创 DataWhale夏令营nlp比赛笔记
代码中主要做的事情是定义数据集，定义encoder，decoder,seq2seq,术语词典加载函数，训练函数，以及在开发集上进行评价，推理等内容，内容非常丰富，对我来讲需要学习的点有很多。计算BLEU分数时，首先会统计生成文本中n-grams的频率，然后将这些频率与参考文本中的n-grams进行比较。如果生成的翻译中包含的n-grams与参考译文中出现的相同，则认为是匹配的。最终的BLEU分数是个个于0到1之间的数值，其中1表示与参考译文完美匹配，而0则表示完全没有匹配。BLEU 评估指标的特点。
2024-07-14 00:51:10
260
原创 DataWhale夏令营电力需求预测挑战赛笔记
首先使用了pandas里面的groupby函数，按照id将前11~20天之间的数据进行聚合，计算id中每一个房屋target的均值。数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。[‘target’].mean()这个地方表示按照竖轴进行平均，如果是按照横轴则是mean(1)即1为数据集最近一天，其中1-10为测试集数据。想要计算C中每一个类别里面 A 列的平均值。给定多个房屋对应电力消耗历史N天的相关。等信息，预测房屋对应电力的消耗。
2024-07-12 23:15:07
273
原创 【4月DataWhale组队学习】图卷积网络
现有图神经⽹络皆基于邻居聚合的框架，即为每个⽬标节点通过聚合其邻居刻画结构信息，进⽽学习⽬标节点的表⽰。因此，在建模图神经⽹络时，研究⼈员的关注重点是如何在⽹络上构建聚合算⼦，聚合算⼦的⽬的是刻画节点的局部结构。现有的聚合算⼦构建分为两类：谱域⽅法：利⽤图上卷积定理从谱域定义图卷积。空间域⽅法：从节点域出发，通过在节点层⾯定义聚合函数来聚合每个中⼼节点和其邻近节点。主要包括空域图卷积神经⽹络、GraphSAGE和图注意⼒⽹络。
2024-04-25 00:54:55
1011
原创 【DataWhale】四月组队学习图神经网络-图表示学习
前段时间24fall终于结束了，终于可以安心的继续学习新内容了。这段时间日语、驾照、深度学习、英语等多样事情齐头并进中。终于把大家的日本语第一册学完了，下周考完科目一后开始复习背诵，接着就可以开始学第二册了好开心。。这个四月报名了图神经网络学习和GPT蝴蝶书共读，希望可以坚持下去哇。前几天比较匆忙所以没有写笔记。。今天正好科目一的题目刷完了，仔细来学一下今天的内容！话说新组装的电脑是A卡……并不能用cuda来着。不知道tensorflow能不能使用，过段时间看看吧。
2024-04-21 23:52:58
1233
原创 【DataWhale四月组队学习】图神经网络-1
在表达能力上，conventional的机器学习：前向神经网络可以近似任何感兴趣的函数（但对graph neuro network不适用），因图神经网络的本质依旧是深度学习在图中的应用，因此会带有dl带来的很多根本性的缺陷。而GNN所处理的数据，不满足时间或者空间的位移不变性，仅具有排列的不变性。好的表示方法应由数据中提取的最少和最有效的特征组成，并能通过机器学习自动获取，这就是所谓的“表示学习”。图表征学习的目标除给图中的节点指派一个低维的向量表征以外，还要求尽量保留图的结构。2: 斯坦福CS224W。
2024-04-15 23:30:01
349
原创 DataWhale组队学习-九月-Day11
这十天的学习说真的有点累了。我一开始的时候觉得自己有这个能力坚持下去，所以没有选择组队。我现在发现我确实是需要这样一个学习小组之类的东西。。从以前我就有感觉到自己其实很早就没有那个良好的学习氛围，大学也没有找到志同道合的朋友和一起交流的学习环境。一群人确实可以走得更远，希望能认识到更加优质更加积极而非无意义的卷的团体。环境影响是一个巨大的话题。一切都是相互联系的，所以很难得出一个干净的定量指标。但要真正着眼于全局。尽管如今大语言模型的还很少，但它正在快速增长。
2023-09-21 14:12:48
422
原创 DataWhale9月打卡-Day10
探测作为一种强大的分析工具，通过冻结语言模型表示编码器（上图中灰色部分）和优化特定任务的探针（上图中预测头，蓝色部分）来工作。这些模型可以是线性的或浅前馈预测头，提供了一种灵活的方法来理解和解释深度学习模型的内部工作机制。固定长度表示的策略也进一步促进了这一目的，提供了灵活而有效的解决方案。冻结（灰色）：无需任何操作。优化（蓝色，每个任务有所不同）：语言模型的所有参数，外加一个新的预测头。微调是一种强大的工具，可以使预先训练的语言模型更好地符合人类的期望和需求。
2023-09-21 00:04:47
457
原创 Datawhale9月组队学习打卡Day9
今天没什么要写的碎碎念，因为话题太过私人了所以我转移到github的博客上写了。昨天看分布式训练看到了很多不错的想法，下午找论文也寻找到了不错的idea，总之这场学习没有白费力气，很好。一定要去积极的搜索查找学习资料。不多说废话了，开始今天的学习。这一章是“新的模型架构”。我不知道什么是“新的模型架构”。目前来讲多模态clip也用的是transformer。回想一下第7章 模型架构，神经语言模型的核心接口是一个将token序列映射到上下文嵌入的编码器themouseatethe。
2023-09-20 00:25:40
987
原创 Datawhale组队打卡Day8
终于到Day8了，真是不容易啊。从这一周的时间上来看这周事情真的超级多。原本说昨晚应该准备口语素材的结果没准备qwq跑去占星了，昨天晚上原本有kaggle比赛的第一讲，我也没看（不过时间确实可以放在数学建模之后或者这两天有空看一下，和新的对友聊了一下发现对方连pytorch是什么都不知道，唉）、关于医学图像相关的知识我了解的也不是很多，后续可能需要做很多相关的学习。从这段时间开始我就得抓紧每天的时间去学习了，节奏可能会有点快（？
2023-09-18 15:29:32
454
原创 Datawhale组队打卡day7
今天一直很忙……所以没什么时间了。本章讨论重点为如何训练模型。真讨厌一些人啊，根本不相信然后对我说我要你帮我算一下，我说的过程中就使劲怼我说不对，虽然这点在图里面也显现了，乐。不说了，来看！学习这一篇的本章分成目标函数和优化算法两部分。
2023-09-17 23:30:19
240
原创 DataWhale-9月组队学习打卡Day6
感觉这个写在前面都快成我每天的日记本了（笑）。前天的时候终于第一次来了这边校区的图书馆，很大很漂亮。没想到我的卡竟然刷不进新校区图书馆，也是寄寄了。想着可能是因为校园卡被冻结了，于是昨天跑了一趟老图，没想到老图还能刷。很震惊。把校园卡解冻后还没尝试刷校园卡买东西，刷新图书馆还是刷不进来，图书馆管理员查询我信息也很正常。最后打电话给技术部，今天早上终于是给解决了。。不得不说学校技术部门还是给力。我昨天在图书馆里发现了一本自然语言处理的书籍，上次有说到关于《数学之美》。其实那本书我还没有读完。
2023-09-16 23:31:45
410
原创 【无标题】
今天又熬夜了，乐。原本Day4的打卡是早上10点就已经写好了的，硬是拖到了晚上回来，发现已经累到不行了（我也不懂为什么我会那么累，但是就是挺累的），直接躺床上忘记了这回事，今天早上洗澡的时候才想起来woc好像还没打卡。好在天无绝人之路我还是给补打卡了哈哈哈哈，原本想着如果不能补打卡我就一次性把这些全都看一遍，写篇笔记啥的呢。今天早上看助教点评作业我也是在反思自己，我的作业是不是只有学习而没有思考了，或者说我其实就完全学的不是很深入呢。。。带着这些问题来看看今天的学习。
2023-09-16 01:01:53
109
原创 Datawhale9月组队学习Day4
昨天晚上突然发现自己之前参加datawhale拿了优秀学习者的比赛，自己得了二等奖……证书忘记申请了。我当时真没想到自己能得奖，毕竟CV好卷。昨晚过去瞅了一眼发现自己竟然得奖了。说回这边的大模型学习，昨天做的笔记链接，我最后都没有放入打卡里面，因为实在是很丢人，把原本的笔记给照抄照搬了一份过来。今天早上看新一章节的时候就在想要怎么写笔记。我想应该还是“尝试用自己的话来概括”，第二是仔细思考能从里面学习到，或者有什么疑问吧。
2023-09-14 11:14:47
472
原创 Datawhale夏令营第二节笔记
是很基础的CNN方法，但是对于最后的结果来讲比上次提升了0.3，说明了卷积神经网络的效果之优秀。XunFeiDataset在这里主要继承了Torch中的dataset，除此之外根据数据集的自身性质进行了一定的修改。可以直接看出，XunFeiNet继承于RestNet18模型，并在其后面增加了一层卷积层，一层平均池化层，以及一层全连接层，最后输出为（512，2），符合二分类最后应有的输出。XunFeiNet是一个很简单的网络，里面包含两个函数，一个是初始化函数，另一个是前向传播函数。
2023-08-21 23:21:01
106
原创 Data whale AI夏令营（第三期）笔记-part1
data whale很友好的给出来了本次的baseline。本次比赛属于二分类问题。整体baseline符合标准的机器学习的步骤：对数据进行预处理后，提取出相应的特征。接着利用sklearn库中的逻辑回归，简单的运行得到最后的结果。fill:#333;color:#333;color:#333;fill:none;数据提取逻辑回归得到结果整体来讲框架非常简单，私以为重点在于特征提取步骤上。由于本次比赛为医疗影像比赛，因此需要使用医疗影像相关的library。
2023-08-18 23:03:24
251
原创 openmmlab实战营打卡-第1课
昨天晚上是openmmlab的第一节课。介绍的内容都比较的基础，基本上是对后面要学的东西的一些概括。计算机视觉的主要任务，通过一套算法对图像信息进行数据分析。最基础的三大任务：分类，检测，分割目标检测（在图像分类上增加了很多信息，既有类别又有位置信息，位置由框来体现，通过左上角的横纵坐标和右下角的横纵坐标来确定。图像分割任务：能够把像素点直接扣出来。分割也分为两类，一种是直接对像素进行分类，也就是语义分割semantic segmentation另一类叫实例分割，不仅把像素分出来，而且把同一类别
2023-02-02 13:25:01
276
原创 2020-12-01
8255的地址由CS,A1,A0来确定。你的图上因为CS(P2.7)=0,A1(P2.1)A0(P2.0)=00这是PA口的访问地址，而P0口只传输数据，不影响地址，全1.所以地址是7CFFH
2020-12-01 19:56:26
86
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