机器学习与深度学习随记

最新推荐文章于 2025-08-11 16:25:07 发布
转载 最新推荐文章于 2025-08-11 16:25:07 发布 · 95 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://juejin.im/post/5b90d6f1e51d450ea4019b5a
文章标签：

#人工智能

机器学习

分类-->神经网络（简单） 回归

深度学习

神经网络（深度）
图像-->卷积神经网络
自然语言处理-->循环神经网络
图像领域用的多

Deep learning入门随记
zjjaibc的博客
11-01 248
Deep learning入门随记
机器学习随记
yhblog的博客
10-19 190
-从训练数据中学习 神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。项目必要时候可以自定义权重。 数据驱动 数据是机器学习的命根子。从数据中寻找答案、从数据中发现模式、根据数据讲故事。 1.case analysis-数字分析 方案一：一种方案是，先从图像中提取特征量，再用机器学习技术学习这些特征量的模式。这里所说的“特征量”是指可以 从输入数据（输入图像）中准确地提取本质数据（重要的数据）的转换器。图像的特征量通常表示为向量的形式。在计算机视觉领域，常用
机器学习随记（4）
YoungITの博客
05-07 199
使用sklearn创建高次多项式线性模型 ，在训练集上进行训练。对训练数据进行预测，找出训练误差。预测测试数据，得出测试误差。
深度学习知识随记（持续更新ing）
qq_43308156的博客
04-09 309
深度学习随记知识点；epoch；batch；Dropout；FPN；多尺度变化
机器学习随记（2）
YoungITの博客
05-06 795
tf.keras.layers.Normalization` 是 TensorFlow 中的标准化层，它可以将输入数据标准化为均值为 0，方差为 1 的数据。具体来说，`tf.keras.layers.Normalization` 实现了以下操作：1. 对输入数据进行逐个特征的标准化，即对每个特征计算其均值和标准差，然后对该特征进行标准化。2. 可以指定标准化的轴（axis），默认为最后一个轴（即特征轴）。
机器学习损失函数选择
Taiyang625的博客
09-30 826
深度学习，激活函数，损失函数，随记
机器学习随记（9）
YoungITの博客
05-25 953
梯度消失：在深度神经网络中，激活函数（如sigmoid、tanh等）的导数在接近0的区域内取值很小，导致在反向传播时，梯度也变得很小，甚至趋近于0，这会导致模型的学习变得非常缓慢或停滞不前，称为梯度消失问题。在判断过拟合时，可以观察模型的训练集误差和测试集误差，如果训练集误差较小，但测试集误差较大，则说明模型存在过拟合问题。需要注意的是，过拟合和欠拟合不是绝对的，而是相对的，需要根据具体问题和数据特点来选择合适的模型和调整模型的超参数，以提高模型的性能和泛化能力。
【图机器学习系列】（一）图机器学习简介
不负如来不负卿
08-12 871
图机器学习系列
深度学习之BP神经网络
qq_44250808的博客
04-23 875
1. 说明 现在使用深度学习算法都以调库为主，但在使用库之前，先用python写一个最基本的神经网络的程序，也非常必要，它让我们对一些关键参数：学习率，批尺寸，激活函数，代价函数的功能和用法有一个直观的了解。 2. 原理 1) BP神经网络 BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络． 这是一个典型的前馈神经网络，数据按箭头方向数据从输入层经过隐藏层流入输出层，因此叫做前馈．前馈网络在模型的输出和模型之间没有反馈，如果也包含反馈，则是循环神经网络，将在后续的RNN部分介绍． 前向网络和循环
FreeRTOS学习随记-2
sihuihhh的博客
11-25 1226
队列集能让你统筹的管理队列，不用一个个的去处理每个队列。让你能随时从每个队列中获取数据，同一件事情的不同处理方式，那个方式输入进来，相应那个方式。队列可以理解为一个容器，你放进去东西，别人能取到东西，就代表能使用，取不到东西就代表不能使用。同一个函数可以创建不同的任务，因为他们对应的栈不同，每个任务有自己的栈，互不影响。创建的任务传入handle，之后通过handle引用任务或者删除任务。/* 3. 把2个queue添加进queue set */队列集中放的是队列，每个队列中放的是其分组的数据。
【图机器学习系列】（二）从传统机器学习角度理解图（一）
不负如来不负卿
08-23 985
从传统机器学习角度理解图（系列一部分）
【图机器学习系列】（二）从传统机器学习角度理解图（二）
不负如来不负卿
09-19 933
1、cs224w2、bilibili图机器学习网址3、图表示学习书籍4、图深度学习5、GNN介绍6、链路预测模型分类7、8、链路预测类型9、共同邻居可视化10、11、
深度学习论文随记（一）---AlexNet模型解读
朝花&夕拾
07-13 5316
作者：teeyohuang 邮箱：teeyohuang@163.com 本文系原创，供交流学习使用，转载请注明出处，谢谢 深度学习论文随记（一）---AlexNet模型解读 ImageNet  classification with deep convolutional neural networks Author： A  Krizhevsky， I  Sutskever ， G
神经网络随记-参数矩阵、剪枝、模型压缩、大小匹配、、
qq_40140808的博客
07-24 3124
总的来说，现在的大模型是深度学习的一种进化，它们具有更强大的学习和表示能力，但同时也需要更多的数据和计算资源来训练。大模型在某些特定领域表现出色，但对于一般的任务，传统的深度学习模型仍然是一种有效和实用的方法。通过将模型参数从浮点数转换为整数（float转int）可以实现模型的优化，主要优点包括减少模型的存储需求和加快计算速度，从而提高模型在嵌入式设备或资源受限环境中的执行效率。这些权重矩阵和偏置向量的参数是在神经网络的训练过程中学习得到的，通过最小化损失函数来优化模型的预测结果。
【AI论文】高效智能体：在降低成本的同时构建高效能智能体
m0_66899341的博客
08-08 777
本研究系统探究了大型语言模型(LLM)智能体的效率与效能平衡问题，针对当前智能体系统运营成本高昂的痛点，通过GAIA基准测试集实证分析了LLM主干模型选择、框架设计和扩展策略的影响。研究发现：1)任务复杂度存在最优阈值；2)额外模块的边际效益递减；3)框架优化可显著提升效率。基于此开发的EfficientAgents框架，在保持96.7%性能的同时降低28.4%成本，实现"通过成本"指标优化。研究为构建经济高效的智能体系统提供了实证依据和方法指导，推动AI解决方案的可持续发展。
强化学习-MATLAB
weixin_45302337的博客
08-09 481
black box -> machine learning不需要标签，根据内在特征进行聚类等相似操作；这就是ML所擅长的，从数据中找出特征进而得到label；序列行为实现最优的回报；可以将policy使用深度神经网络这也是DRL的由来；RL算法的作用就是基于观测，奖励等去优化策略，以采取最优动作进而获得最大回报；所以，RL就是一个优化问题：与其他优化问题区分开来：关键点：评估状态价值，将能够使得智能体获得更高回报，而不是只是关注即时奖励；如果不能够评估状态价值，很有可能导致Agent陷入利用（贪婪）的状态，
教程 | 使用SAHI结合supervision进行小目标检测
热爱分享，热爱记录
08-07 1336
NMS 通过基于置信度分数消除冗余的检测结果来工作，而 NMM 则将重叠的检测结果合并，以增强对跨越多个图块的对象的表示。它将大图像分割成较小的切片，对每个切片进行推理，然后合并结果，以形成整个图像的最终检测结果。将图块数量增加到 5x5 网格，我们实际上是对图像进行了放大，这样模型就能捕捉到更精细的细节，比如之前可能遗漏的更小、更远的物体。在深入探讨用于小目标检测的SAHI技术之前，先看看经过微调的模型在未经任何预处理或切片的原始图像上的表现是很有帮助的。经过一些测试后，我发现最佳方法是检测人的头部。
CVPR 2025 | 即插即用，极简数据蒸馏，速度up20倍，GPU占用仅2G
最新发布
AImokuai的博客
08-11 792
本文提出了一种创新的神经特征函数匹配（NCFM）方法用于高效数据集蒸馏。该方法通过构建minmax对抗优化框架，引入神经特征函数差异（NCFD）作为新的分布度量指标，在复数空间实现数据特征的对齐。NCFM具有三大创新点：1）基于复数相位和振幅解耦的神经特征函数度量；2）动态采样网络实现高效计算；3）层级式特征对齐机制。实验表明，在CIFAR-100等数据集上，NCFM相比现有方法内存消耗降低300倍，处理速度提升20倍，同时保持无损压缩效果，为低资源环境下的模型训练提供了新范式。该方法在边缘计算、隐私保护数
快速了解svm算法
wzdzgdf的博客
08-08 1600
如果你刚接触机器学习，一定听过各种算法的名字：决策树、神经网络、SVM… 其中 SVM（支持向量机，Support Vector Machine）作为经典的监督学习算法，在分类任务中曾长期占据 “顶流” 地位，至今仍在很多场景中发挥重要作用。今天这篇文章，带你快速搞懂 SVM 的核心逻辑、关键概念和实际价值。
RealVNC412操作学习与心得笔记整理
- **结构特点**：笔记可能没有严格的章节划分，知识点可能是以随想随记的方式展开，初学者可能需要耐心整理和理解。 #### 图像处理部分未涉及 - **内容重点**：由于笔记中没有包含图像处理的相关内容，学习者需要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值