- 博客(6)
- 资源 (2)
- 收藏
- 关注
转载 神经网络训练细节与注意点
zhai'lu神经网络训练细节与注意点 - 良有以也训练需要注意的细节和注意点大概有以下几个方面:梯度检查 合理性(Sanity)检查 检查学习过程 损失函数 训练集与验证集准确率 权重:更新比例 每层的激活数据与梯度分布 可视化 参数更新 一阶(随机梯度下降)方法,动量方法,Nesterov动量方法 学习率退火 二阶方法 逐参数适应学习率方法(Adagrad,RMSProp) 超参数调优 评价 模型集成 总结 拓展引用1. 梯度检.
2021-12-14 09:32:53 344
原创 梳理“自监督算法”(一)
摘录以下文章:自监督学习 | (1) Self-supervised Learning入门_sdu_hao的博客-CSDN博客_自监督学习自监督学习 | (2) 一文读懂 Self-Supervised Learning_sdu_hao的博客-CSDN博客【自监督学习】Self-supervised Learning 再次入门自监督学习(Self-supervised Learning)的深刻理解_刘望的博客-CSDN博客自监督学习(Self-Supervised Learning) 201
2021-10-25 11:33:15 1964
原创 C++/QT知识点积累(一):与网络通信相关
计算机网络--子网掩码、ip地址、mac地址、网关 https://blog.csdn.net/weixin_43803070/article/details/90370460(1)IP地址用于标识网络中每台设备的标识。IPV4 :用32位表示;IPV6:用128位表示。IP地址=网络地址+主机地址,比如 192.168.40.1 。IP地址由两部分组成,分别是:网络标识(绿色字体)和主机标识(蓝色字体)。同一网段内的计算机网络部分相同,主机部分不同同时重复出现。I...
2021-10-21 16:33:36 920
原创 梳理《Leveraging the Feature Distributionin Transfer-based Few-Shot Learning》
论文下载路径:https://arxiv.org/abs/2006.03806代码下载路径:https://github.com/yhu01/PT-MAP摘要:由于使用少量有标签样本导致不确定,使得小样本分类成为挑战难题。在过去几年里,提出了许多方法解决小样本分类,其中基于迁移方法被证实是性能最好的。沿着该脉络,本文针对两点提出新的迁移方法:1)预处理特征向量以至于它们更接近“类高斯分布”;2)借助预处理,使用最优化迁移思想的算法(直推(transdutive)情况下)。使用标准视觉基准,证实了..
2021-09-15 08:23:27 1077 1
原创 理解《Charting the Right Manifold: Manifold Mixup for Few-shot Learning》
摘要:小样本学习算法目标是学习模型参数,使其能够适应于少量有标签的未见类样本分类。最近,正则化方法——流形混合算法(Manifold Mixup),集中于学习广泛的表示,以适应数据分布的小变化;另一方面,自监督学习是仅利用数据内在结构学习语义特征。针对小样本任务,本文利用自监督和正则化技术,研究学习相关特征流形。注释:流形混合算法(Manifold Mixup)作用是使网络对输入数据进行变换/嵌入后,更加平滑和均匀,从而使得系统的泛化性能得到改善。小样本学习的前提是训练样本集有大量样本,目标是解.
2021-09-12 15:28:48 1750
转载 样本统计梳理
1.最大后验概率估计(MAP)概率是已知模型和参数(生成数据的过程),推数据(结果)。 统计是已知数据(结果),推模型和参数(生成数据的过程)。1.1 贝叶斯理论(Bayes’ Theorem)贝叶斯统计:参数是未知且不确定,作为随机变量,参数本身也是一个分布,同时,根据已有的信息可以得到参数θ的先验概率,根据先验概率来推断θ的后验概率。贝叶斯如下式:贝叶斯公式就是在描述,你有多大把握能相信一件证据;做判断的时候,要考虑所有的因素1.2 似然函数(likelihood fu...
2021-09-02 11:19:05 467
Statistical Shape Analysis
2011-04-02
Applied Stochastic Control of Jump Diffusions
2009-11-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人