原创 譜聚類及其創新思考(python)
#譜聚類 ''' 對樣本求相似性矩陣, 其實就是把每個sample當作一個node,構建一個圖關係。 1 求向量之間的關係有很多方法 比如 F1範數, F2範數, 無窮範數,餘弦 f(x1, x2)---> scalar 如果大家想改
原创 對數換底公式的意義(線性理解)
import numpy as np b = [1.1, 2, 3, 4, 5, 6, 7, 8, 9, 10] y1 = [np.log2(i) for i in b] #log2函數 y2 = [np.log1
原创 圖像模糊聚類
1. 用池化操作對圖像降維打擊 2. 利用混合高斯模型分塊降維 import torchvision from PIL import Image import torch.nn.functional as F loader = tor
原创 行爲匹配(採用變分自編碼器對數據降維)
import numpy as np import torch import torch.nn as nn import torch.nn.functional as F # Cosine similarity def cos_s
原创 度量學習(NCA)
from metric_learn import NCA from sklearn.datasets import make_classification from sklearn.neighbors import KNeighborsC
原创 藉助於pytorch的GNN網絡解決鳶尾花分類問題
from sklearn.datasets import load_iris import torch from torch_geometric.data import Data import networkx as nx import
原创 深度神經網絡煉丹與優化方法
鏈接: https://pan.baidu.com/s/1o-GwTf9mKctEbkv-jA8TqQ 提取碼: cvb8 點贊 收藏 分享 文章舉報 小然_ran 發佈了5
原创 python求解函數的積分微分
# 求x^2在(1, 2)上的積分值 sum = 0 j = 0 epoch = 10000 for i in range(epoch): sum += (1/ epoch) * (1 + j)**2 j += (1/
原创 採用微軟的AutoML框架對鳶尾花進行特徵篩選
from sklearn import datasets from sklearn.model_selection import train_test_split from nni.feature_engineering.gbdt_se
原创 多輸出深度森林(gcForest)
from sklearn.datasets import make_classification from GCForest import * from sklearn.utils import shuffle import numpy
原创 Cross-Domain Weakly-Supervised Object Detection & GUI Application
https://github.com/ranran4082391/corss-domain Cross-Domain Weakly-Supervised Object Detection through Progressive Dom
原创 pytorch模型的數據初始化代碼
import torch.nn as nn import torch.nn.functional as F def initialize_weights(self): for m in self.modules():
原创 基於pytorch嶺迴歸
import torch.nn import torch.optim x = torch.tensor([[1., 1., 1.], [2., 3., 1.], [3., 5., 1.], [4., 2., 1.], [5., 4., 1
原创 基於pytorch求自構造函數的高階導數
import torch from torch.autograd import Variable def f(x): y = x ** 2 return y x = Variable(torch.Tensor([5]),
原创 基於pytorch, softmax,logsoftmax 表達
import torch import numpy as np input = torch.autograd.Variable(torch.rand(1, 3)) print(input) print('softmax={}'