- 博客(31)
- 收藏
- 关注
RSS订阅原创 C2-2.1 Mini-batch 梯度下降
，比如这里有5000万个训练样本，由于一次性对这些训练样本进行训练拟合模型，会发生训练速度过慢的情况 / 完全训练不了因为数据量太大了，对内存 GPU都是一个考验。。。提高运算速度。内存不足的情况。和之间找到平衡，使得处理大型数据集成为可能，同时也利用了现代计算硬件的并行处理能力。
2024-04-10 15:41:13
822
原创 C2-1.4（L1,L2）正则化
如λ取1000时，损失函数的值受正则化影响，为了减小J（w,b）最终的值，就尽量减少 w值，如λ取0时，损失函数的值就导致了不受正则化的影响，就变成了以前那样的函数。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。首先来复习一下**“正则化”公式：**最终 f(x) ≈ b。为了防止过拟合，线性回归的。
2024-02-22 17:15:31
580
原创 C2-1.6 Dropout正则化——提高泛化能力
以图一为例：假设在训练图一所示的神经网络，它存在（模型过于复杂情况），dropout（每一层设置的阈值不同），并。假设每个节点得以保留和消除的概率都是0.5。设置完节点概率会消除一些节点，然后删除掉从该节点进出的连线，目的：随机消除一些神经元，让网络规模更小，模型变得相对简单一些。
2024-02-22 17:13:19
1258
原创 C1-3.2 关于‘神经网络’
【注释】彩色图像（RGB）由三原色构成，二维图像在任意一个点像素为立体三层结构，分别是红色、绿色、蓝色值，该值的范围在0∽255之间。
2024-01-13 10:04:00
999
原创 C3-1.3.1 无监督学习——异常检测
这里只拿出来两个特征值（X1 , X2）来举例，为了可视化让我们了解的更加方便，实际应用中 特征的数量可能达到上百 / 上千：说明的大概率的，是正常的：是小概率发生的事件，要进行进一步的检查**P（X）：**这里通过训练集建立完成 模型 P(X)后，用训练集数据 X-test 来判断结果 P（X-test）：是否是状态异常的发动机**ε的值：**即最外圈蓝色框的概率的值。
2024-01-10 09:52:25
1151
原创 C2-3.3.4 One-hot编码
前面提到的决策树——判断是否是 “猫”，利用的是原理——即：只有两个判断结果 “是否软耳”、“是否有胡子”…
2024-01-09 11:02:34
386
原创 C2-4.3.1 多个决策树——随机森林
决策树中的每一个节点是特征的一个随机子集，用于计算输出。当我们执行分类任务时，新的输入样本进入，对森林中的每一棵决策树分别进行判断和分类。每棵决策树都会得到自己的分类结果，而决策树哪个分类结果最多，那么随机森林就会用这个结果作为最终结果。所以就变成了右侧的决策树，使得左右两侧变成了完全不同的决策树。，往往一棵树的结果不是那么理想—— 通过多个决策树的组合，让它对数据变化没那么敏感，得到更加准确的结果。，将选取的N个样本作为决策树根节点的样本来训练一棵决策树。如下：是有放回的随机抽样的结果。
2024-01-09 10:57:56
1252
原创 C2-4.2.2 决策树-纯度+信息熵+信息增益
【※※※总结】：信息熵是用来衡量 给出的数据集中 数据的纯度的信息熵越小，数据就越纯。通常用在机器学习分类的情况下3.2 信息熵公式。
2024-01-09 10:38:07
1988
原创 1.4.1机器学习——梯度下降+α学习率大小判定
我们开始的时候w和b可以设置为任意值。（这里我们设置 w=0 , b = 0）通过迭代不断的调整 w和b 的值，去尽量的降低损失函数J(w,b)直到我们的损失函数J(w,b) 达到/接近 “谷底”/最小值【※注意】 ：损失函数可能不仅仅是一个如右图的抛物线，也可能是“高尔夫球场图”，这样的话minimum最小值的个数就不仅仅是一个了“高尔夫球场图”图中XYZ轴分别代表：W，b ， 损失函数 J(w,b)的值。
2024-01-08 10:05:01
1231
原创 2.2.3机器学习—— 判定梯度下降是否收敛 + α学习率的选择
*第一步：**首先选择从 0.0001 0.01 0.1 1 10 依次去尝试，当发现学习率α的值过大时（J（W,b）损失函数发生上弹）。第二步：再进行从最后一次正常的α值（出现损失函数J(w,b)上弹之前的值），依次迭代乘3去尝试。最后收敛后，选择最合适的α值。
2024-01-08 10:04:09
963
1
原创 C2-3.4.1 精准率 和 召回率——解决样本不平衡的情况下 准确率的问题
总结一句话：精准率 和 召回率——解决**样本不平衡**的情况下 **准确率**的问题
2024-01-05 20:08:20
1268
1
原创 C2-3.2.1 诊断Bias（偏差） and variance(方差)——误差的两大来源+解决方案
总结：理解一：方差度量了同等大小的的变动导致学习性能的变化，。当模型越复杂时， 拟合的程度就越高， 模型的训练偏差就越小。但此时如果换一组数据可能模型的变化就会很大， 即模型的方差很大。所以模型过于复杂的时候会导致过拟合。：是指：对于一组给定范围的数据，我们预测的很好。。但是换了一组数据后我们预测的结果没有那么理想。。。——这也是方差的定义：说一个小孩学习成绩方差大，该不该派他去参加比赛，泛化能力差，因此在训练集上变现的很好，但是在测试集上变现的不好。导致的是 过拟合。
2024-01-04 09:57:34
947
1
原创 3.4.1-欠拟合 与 过拟合（Bias and variance） + 相关解决方案
欠拟合 与 过拟合（Bias and variance） + 相关解决方案
2024-01-04 09:55:27
1200
1
原创 GitHub项目上传报错：Failed to connect to github.com port 443 after 21098 ms: Couldn‘t connect to server
windows 2008操作系统教程：https://www.gworg.com/problems/1074.html。本教程已经windows操作系统2012版本举列，当然其它的操作系统系统版本操作类似。六、TCP——特定本地端口：80，443（如果之前有80了，填写443就可以）方法二：快捷键操作方式：win+R，输入：control，回车。一、进入服务器远程桌面——开始菜单——控制面板。九、名称可自定义——描述不填写——完成。四、入站规则——新建规则。七、允许连接——下一步。八、全部勾选——下一步。
2023-09-26 16:07:13
1062
3
转载 GitHub项目创建并上传
Public 是公开，可以在 GitHub 搜到，Private 是私密项目，只有自己和项目成员能看到。本文将要记录的是，创建第一个 GitHub 项目，并将自己的本地项目上传到 GitHub。新手创建第一个GitHub项目，一步一步将本地项目提交到GitHub 经验总结 第1张。新手创建第一个GitHub项目，一步一步将本地项目提交到GitHub 经验总结 第2张。执行完以上命令再刷新一下 GitHub 的项目，可以看到，本地的代码已经被传上去了。（创建项目），之后会看到如下界面。
2023-09-26 16:02:12
289
1
原创 Python基础之NumPy教程——全网最全面最详细！！！
NumPy（Numerical Python的简称）是Python数值计算最重要 的基础包。⼤多数提供科学计算的包都是⽤NumPy的数组作为 构建基础。多维数组对象，是同构数据多维容器，也就是说，他的内容类型是相同的。基于NumPy的算法要⽐纯Python快10到100倍（甚⾄更快），并 且使⽤的内存更少.专门为大数据计算所诞生的【注释：参考《书》P114】
2023-09-13 19:29:12
558
1
原创 ！！！已解决ahocorasick包安装出现的 ERROR: No matching distribution found for pyahocorasick
pip install ahocorasick安装出错，怎么办？
2023-08-28 12:03:31
1157
3
原创 langchain+ChatGLM 部署
链接：https://pan.baidu.com/s/14Dx9djCxpLJb2MgpoOkG1A?pwd=ABCD提取码：ABCD。
2023-08-25 20:06:03
497
1
原创 前向传播之——得分函数
理解参数W和b:下面咱们再通过这张图来形象的理解下参数W和b,在真实的情况下对于每一个类别的参数W是一个3072维的，但是咱们为了形象化理解把它画在了2维的空间中，我们可以从图中看到三种颜色的线代表了三个线性分类器，参数W的每一个小权重的改变(共有3072个小权重)意味着这条线在改变的小参数的那个维度发生了偏转，我们可以想象2维空间中对于W的改变意味着什么然后再去想象这个3072维的空间。可能有些同学对于一个输入的图片如何计算出它的得分还有点困惑，这里我简单的来说一下从输入到输出的一个矩阵计算过程。
2023-07-12 15:49:58
432
2
原创 什么是卷积神经网络——CNN
如果用全连接神经网络处理大尺寸图像具有三个明显的缺点（1）首先将图像展开为向量会丢失空间信息；（2）其次参数过多效率低下，训练困难；（3）同时大量的参数也很快会导致网络过拟合。而使用卷积神经网络可以很好地解决上面的三个问题。 与常规神经网络不同，卷积神经网络的各层中的神经元是3维排列的宽度、高度和深度。其中的宽度和高度是很好理解的，因为本身卷积就是一个二维模板。深度：比如 32x32x3（宽度，高度和深度）中 *3 就是（RGB）图片形式 分为三层（代表了红、绿、蓝3种颜色通道）三层颜色拼在一起。
2023-07-12 15:47:05
236
1
原创 ！！！已解决： Linux操作系统登录，输入正确账号密码显示却显示：Sorry, that didn‘t work. Please try again.
已解决！！！Linux 输入正确账号密码显示 Sorry,that did not work的问题
2023-07-03 21:37:41
3669
1
转载 C#,ASP.NET 数据的持久化存储-xml文件
视频链接：https://www.bilibili.com/video/BV1ML411Q7oz/?【第三步】：调用：（我这里把这个类写成了 静态类，里面的方法写成了静态方法，直接通过：类名.方法（参数）就可以实现了）【第二步】：XMLHelper类的创建。【第一步】：XML问价的创建和内容。
2023-06-26 14:50:41
274
转载 C#，ASP.NET数据持久化存储——APP.config
视频链接：https://www.bilibili.com/video/BV1ML411Q7oz/?适用场景：我在一个下拉框中选择B，那么我下次再进入这个界面，我想让他默认还选择B，怎么办？那就用到了我们的持久化存储。【2.】在APP.config配置文件中的app.settings插入想要存储的东西（也可以在代码中调用自动插入）【1.】创建一个ConfigHelper类。
2023-06-26 14:49:08
336
原创 C#，ASP.NET委托的使用
有两个窗体，FORM1（含一个label控件，一个名为显示form2的button控件）和FORM2（含一个button控件）。解决：用事件回调 一、在Form2。三、启动f2，在f2中执行这个委托实例，就是SetMainFormTopMost(true)这样写 (参数要和委托的那个声明一 致）（这里是Form2调用Form1的函数）访问链接：C#跨窗体调用控件（委托回调函数使用例子）1.【声明委托】：想调用哪里的委托就在哪里声明（第一步）2.【委托的调用】在哪里使用，就在哪里定义委托（第三步）
2023-06-26 14:42:47
807
原创 小程序报错 H.createEvent is not a function !已解决
在电脑上没有错，后来进行真机调试就会出现报错报错信息;后来找到原因：我请求的URL接口地址是本机localhost 地址后来把 这个localhost 地址经过内网穿透测试了一下 变成了如下图片，再进行真机调试后就没有报错了！！！！附加：内网穿透 Ngrok免费版 视频链接: link.https://www.bilibili.com/video/BV17K4y187A2...
2021-07-20 22:24:37
8672
7
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人