weixin_42958977的博客

一, 深度学习基础知识 1,什么是深度学习? 机器学习是实现人工智能的一种途径，深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。 2, 传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征。深度学习模仿人类大脑的运行方式，从经验中学习获取知识。这也是深度学习被看做黑盒子，可解释性差的原因。 随着计算机软硬件的飞速发展，现阶段通过深度学习来模拟人脑来解释数据，包括图像，文本，音频等内容。目前深度学习的主要应用领

区分两者最大的一点就是是否通过数据来进行调整，模型参数通常是有数据来驱动调整，超参数则不需要数据来驱动，而是在训练前或者训练中人为的进行调整的参数。例如卷积核的具体核参数就是指模型参数，这是有数据驱动的。而学习率则是人为来进行调整的超参数。这里需要注意的是，通常情况下卷积核数量、卷积核尺寸这些也是超参数，注意与卷积核的核参数区分。​ 微调（fine-tune），顾名思义指稍微调整参数即可得到优秀的性能，是迁移学习的一种实现方式。

支持向量机（Support Vector Machine，SVM）属于有监督学习模型，主要用 于解决数据分类问题。通常SVM用于二元分类问题，对于多元分类可将其分 解为多个二元分类问题，再进行分类，主要应用场景有图像分类、文本分 类、面部识别和垃圾邮件检测等领域。 • 本章共划分为两个小节，分别介绍支持向量机模型的基础以及支持向量机 的应用过程支持向量机模型– 核函数– 模型原理分析• 支持向量机应用– 基于SVM进行新闻主题分类– 基于支持向量机和主成分分析的人脸识一个例子：青光眼诊断[外链图片转存失败,

主成分分析（Principal components analysis，以下简称PCA）是最常用的降维方法之一，在数据压缩和 消除冗余方面具有广泛的应用，本文由浅入深的对其降维原理进行了详细总结。1.向量投影和矩阵投影的含义如下图：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-E9JyM42y-1655199529470)(C:%5CUsers%5C16499%5CDesktop%5CSnipaste_2022-06-06_22-31-28.png)]​

深度学习之算法1 人工智能人工智能具体可以做哪些事情呢?该领域的研究包括机器人、语言识别、图像识别、自然语言处理、风险预测和专家系统等1.1 内容什么是人工智能人工智能与数学的关系人工智能主要分类及常用算法1.2 人工智能人工智能由人工和智能两个词组成,智能是他的主要特征,而人工是这种智能的修饰词.地球上具备智慧可以思考的动物,人类首屈一指. 引用网上一个很恰当的词来形容人工智能 – 拟人. AI是人工的让机器像人类一样思考.1.3 人工智能和数学的关系一个初级的司机熟悉车的基本操作,可

深度学习

CUDA基本配置CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。1 查看计算机显卡类型查看计算机的显卡是否是英伟达系列的，只有英伟达NVIDIA显卡才可以安装cuda2 观察是否有适合显卡的cuda版本网址：https://developer.nvidia.com/cuda-gpus3 安装NVIDIA 显卡驱动程序下载地址：

这里写自定义目录标题Ubantu添加Anaconda的TUNA镜像设置搜索时显示通道地址常用命令Ubantu1 ubuntu安装1.1 软件下载地址官方下载地址（不推荐）https://www.ubuntu.com/download中科大源http://mirrors.ustc.edu.cn/ubuntu-releases/16.04/阿里云开源镜像站http://mirrors.aliyun.com/ubuntu-releases/16.04/兰州大学开源镜像站http://mirr

2022年，终究是一个不平凡而又平凡的一年。说平凡是因为疫情又开始了为虎作伥，说不平凡是因为随着疫情的原因导致很多互联网企业纷纷裁员，减员，消耗了很多人员资质。今天谈论的不是技术，就简单聊聊现阶段下，打工人的何去何从。...

语义分割

深度学习基础总结（附完整思维导图）线型回归预测气温、预测销售额、预测商品价格等模型：权重，偏差模型训练：feed 数据学习模型参数值，使得误差尽可能小训练集、测试集、验证集、样本、标签、特征损失函数：回归常用平方误差函数；优化算法：小批量随机梯度下降（每次选一小批样本训练参数），每批样本大小叫做 batch size学习率：正数超参数：不是通过训练学出的，如学习率，批量大小网络输出层只有一个神经元节点全连接层：输出层中的神经元和输入层中各个输入完全连接基本要素：模型、训练数据、损失

深度学习基础（基础知识 0） 深度学习各种网络其实基础就是各种基础知识累积，今天主要想把这三个讲清楚：梯度下降、神经网 络、反向传播算法。 一、神经网络（一切的基石） 工智能的底层模型是"神经网络"（neural network）。许多复杂的应用（比如模式识别、自动控制） 和高级模型（比如深度学习）都基于它。学习人工智能，一定是从它开始。 什么是神经网络呢？ 1、感知器 历史上，科学家一直希望模拟人的大脑，造出可以思考的机器。人为什么能够思考？科学家发现，原 因在于人体的神经网络。既然思考的基础是神经元，

深度学习基础篇（一）Part I 深度学习基础本书1-4章将带你了解一些基本概念：什么是深度学习，它可以用来做什么以及它如何工作。此外，熟悉使用深度学习解决数据问题的典型工作流程。如果还没怎么了解深度学习，需要明确的从part I开始读取，然后再去阅读part 2的实际应用。1. 什么是深度学习在过去的这些年，人工智能（AI）成为了媒体大肆渲染的对象。机器学习，深度学习以及AI出现在数不胜数的文章中，常常是在一些与技术无关的出版物。我们被许诺拥有智能聊天机器人、自动驾驶汽车和虚拟助手的未来 — 这个

Python 3 新特性：类型注解前几天有同学问到，这个写法是什么意思：def add(x:int, y:int) -> int: return x + y我们知道 Python 是一种动态语言，变量以及函数的参数是不区分类型。因此我们定义函数只需要这样写就可以了：def add(x, y): return x + y这样的好处是有极大的灵活性，但坏处就是对于别人代码，无法一眼判断出参数的类型，IDE 也无法给出正确的提示。于是 Python 3 提供了一个新的特性：

样本不均衡问题解决方法样本的有效数量在处理长尾数据集(其中大部分样本属于很少的类，而许多其他类的样本非常少)的时候，如何对不同类的损失进行加权可能比较棘手。通常，权重设置为类样本的倒数或类样本的平方根的倒数。传统的权重调整与这里提出的权重调整然而，正如上面的图所示，这一过渡是因为随着样本数量的增加，新数据点的带来的好处会减少。新添加的样本极有可能是现有样本的近似副本，特别是在训练神经网络时使用大量数据增强(如重新缩放、随机裁剪、翻转等)的时候，很多都是这样的样本。用有效样本数重新加权可以得到较好的结

数据增强方法很多实际的项目，我们都难以有充足的数据来完成任务，要保证完美的完成任务，有两件事情需要做好：(1)寻找更多的数据。(2)充分利用已有的数据进行数据增强，今天就来说说数据增强。1 什么是数据增强？数据增强也叫数据扩增，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BVchk43J-1624496919301)(https://ws3.sinaimg.cn/large/006tNc79l