原创 Pytorch實例----NLP之文本分類
介紹： 使用Y Yelp dataset (提取碼：eqy3)，對餐館評價做訓練，預測新的評價是否屬於積極評價。 整體流程： 數據集預處理：對json數據集解析csv格式，並進行數據集劃分； import csv
2020-06-28 08:12:22
14
原创 統計學習方法——第1章 統計學習方法概論
統計學習方法 第一章 統計學習方法概論 1.1 統計學習 對象：數據。基本假設：同類數據具有一定的統計規律性。 **統計學習方法三要素：**模型、策略、算法 **統計學習的組成：**監督學習、非監督學習、半監督學習、強
2020-06-25 22:04:42
原创 統計學習方法——第2章 感知機模型
感知機（perception）是二分類的線性分類模型，其輸入爲實例的特徵向量，輸出爲實例的類別，取+1和-1。感知機對應於輸入空間（特徵空間）中將實例劃分爲正負兩類的分離超平面，屬於判別模型。 2.1 感知機模型 f(x)=sig
2020-06-25 22:04:42
原创 Pytorch學習基礎——LSTM從訓練到測試
在上一篇Pytorch學習基礎——LeNet從訓練到測試講述了簡單神經網絡LeNet識別MNIST數據集的實例，作爲對比，本次將結合LSTM實現對MNIST數據集的識別。 實現過程： 導入必要的包並設置超參數： import torch
2020-06-25 22:04:32
原创 統計學習方法——第2章 感知機模型編程實現
在上一篇統計學習方法———第2章感知機模型中介紹了感知機學習模型、策略和算法，這裏通過編程實現對iris數據集的萼片長度（sepal length）和萼片寬度（sepal width）進行線性分類。 Iris 鳶
2020-06-25 22:04:32
4
原创 win10安裝CUDA9.0+CUDANN+Anaconda3+PYTORCH1.x
當前神經網絡方法的訓練和預測越來越依賴於GPU並行運算，因此在win10上配置CUDA+Pytorch，記錄配置過程。 硬件平臺： win10(64位), NVIDIA Geforce 940M 軟件下載： 1：CUDA9
2020-06-25 22:04:32
原创 Pytorch實例----CAFAR10數據集分類（VGG）
在上一篇 Pytorch實例----CAFAR10數據集分類（AlexNet）的識別統計,本篇主要調整Net()類，設計VGG網絡（+BN）後的識別統計(其他設計註釋同上)。
2020-06-25 22:04:32
原创 統計學習方法——第3章 k近鄰法
3.1 k近鄰法介紹 k近鄰法是一種基本的分類與迴歸方法。對於分類問題，給定訓練數據集和實例標籤。分類時，對新的實例，根據k個最近鄰的訓練實例的類別，通過多數表決等方式進行預測。因此，k近鄰法不具有顯示的學習過程。k近鄰法實際上利用訓練數
2020-06-25 22:04:32
原创 第7章 支持向量機（SVM）
第7章 支持向量機（SVM） 背景 支持向量機由簡至繁可分爲：線性可分支持向量機（linear support vector machine in linearly separable case）、線性支持向量機（linear
2020-06-25 22:04:30
原创 統計學習方法——第4章 樸素貝葉斯法
樸素貝葉斯法（naive Bayes）： 樸素貝葉斯法是基於貝葉斯理論與特徵條件獨立假設的分類方法。 對於給定的數據集，基於特徵條件獨立假設學習輸入/輸出的聯合概率分佈，然後基於此模型，對給定的輸入，利用貝葉斯定理求解最大化
2020-06-25 22:04:30
原创 CUDA out of Memery 解決方法
使用TensorFlow、Pytorch等深度學習工具時容易出現以下ERROR： RuntimeError：CUDA out of memory 解決方法： 1、設置更小的batchsize 2、查看並清空GPU緩存： fuser
2020-06-25 22:04:30
原创 MANFOLD TX2配置Pytorch1.x方法總結（Python3.5+CUDA9.0+Opencv3.4.1）
硬件環境： MANFOLD TX2 Ubuntu16.04 Python 3.5 CUDA 9.0 CDUANN 7.x 配置過程： 1、查看CUDA與CUDANN版本 dji@manifold2:~$ nvcc -V nvcc: NV
2020-06-25 22:04:30
原创 Pytorch實例----CAFAR10數據集分類（AlexNet）
CAFAR10數據集介紹：CAFAR 圖像大小： 訓練集：50000 測試集：10000 類別： classes = ('plane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog
2020-06-25 22:04:30
4
原创 目標檢測之迴歸損失計量方法
目標檢測主要完成“what”和“where”任務，即識別一張圖像的哪些位置有哪些目標，通常的模型損失包含兩部分：分類損失（classification loss）和迴歸損失（bounding box regression
2020-06-25 22:04:30
原创 目標檢測之NMS算法
非極大值抑制（Non-Maximum Suppression，NMS），即抑制不是極大值的元素，可以理解爲局部最大搜索。 目標檢測的piplinne： NMS在post-processing中起到了篩選最大IOU相似度的類別anchor
2020-06-25 22:04:30
7