- 博客(14)
- 收藏
- 关注
RSS订阅原创 数组，矩阵，向量，方阵与行列式的相关关系
数组(array)：就是我们熟悉的array，数组可以有一维，二维，…n维数组。矩阵(matrix)：矩阵是一个按照长方阵列排列的复数或实数集合，由向量组构成。矩阵是由m*n个数排列成m行n列的数表。一般特指二维数组，其他与数组相同。向量(vector)：一般指1 * n或者n*1的数组，前者是行向量，后者是列向量。方阵(square matrix)：一般特指n*n的数组，其它与数组相同。行列式(determinant)：方阵的det值，一般用在解线性方程组中注意数组和行列式的区别：数组与标量相.
2021-10-16 13:01:16
3064
原创 服务器使用基础操作
1-从本地上传内容到服务器中指定地址：scp /media/XXX/document/demo-2020/target.zip [email protected]:/data/home/xxx/xxxx2-从服务器上下载内容到本地： scp -P 22 [email protected]:./xxx/results/models/premodel.pth /media/xxxx/document/ 3-同时适用多个GPU进行网络训练：CUDA_VISIBLE_DEVICES=0,1,2,3,
2021-04-07 09:05:14
2560
原创 范数
有关范数0阶范数：表示向量中非零元素的个数。一阶范数：表示向量中非零元素的绝对值的和。二阶范数：表示向量（或矩阵）的元素平方和。写出来方便记忆，防止再次混淆！
2021-04-02 19:47:51
192
原创 投稿SCI过程中提交Latex的Source Files时需要时刻注意的问题
在准备Elsevier旗下Neurocomputing和Knowledge-Based System的投稿源文件时遇到的问题：对于只需要提交PDF不需要提交源文件的期刊，在使用overleaf进行在线编辑的时候相对容错率会大很多，即便是.tex和.bib文件存在一些问题也不会影响最后PDF文档的正常输出。但是对于需要提交整个Source Files的期刊来讲，我们需要注意诸多在切身编辑Latex文档时经常会遇到的问题：第一项：关于.bib文档中的常见问题：bib文档中多有同名称的参考文献只能出现
2021-03-24 11:10:57
13733
1
原创 运行环境搭建流程
首先激活环境conda create --name pytorch1.3.1（新搭建环境名） python=3.7（安装python版本）激活环境（以pytorch为例，也可是tensorflow）：source activate pytorch1.3.1部分直接activate好像也可以，不过我的账号不知为何，目前仅适用于source activate。activate pytorch1.3.1然后安装符合的torch，以及torchvision等相关版本，举例如下：pip insta
2021-01-20 12:25:07
308
原创 服务器应用常见各种疑难杂症
1-服务器安装指定版本pytorch，试了pip安装，结果竟然是找不到合适的版本，或许是我搭建的环境的限制，找不到1.3.1这个版本，不过好在conda安装是好的。conda install pytorch=0.1.10 -c soumith2-kill指定账户的进程，用于自己跑了一半不想跑的远程代码，直接contrl +C又kill不掉的那种，对于自己的进程可以kill -9 PID进行直接kill，无需root权限也可kill自己的进程。...
2021-01-20 09:39:02
230
1
原创 python 多维数据计算方差
Python中多维数据的方差计算本以为通过np.var()就可以计算方差了，对于多维数据这样还不够，采用np.var的时候总是出现这样那样的问题。比如：多方搜查发现对于指定维度的数据进行方差计算需要变换一种方式，其中一种就是：Data=[[85 68 90],[85 68 90],[84 90 78]]Var1 = Data.var(axis = 1)%表示每一行的方差Var0 = Data.var(axis = 0)%表示每一列的方差...
2020-12-19 23:13:47
4559
2
原创 关于深度神经网络（DNN）的泛化能力以及标签噪声学习
网络泛化以及标签噪声学习相关文章学习记录（理论型）：1-UNDERSTANDING DEEP LEARNING REQUIRES RETHINKING GENERALIZATION（ICLR2017最佳论文之一）论文链接：https://arxiv.org/pdf/1611.03530.pdf该文章通过实验验证了，利用随机梯度训练的图像分类卷积网络可以很容易适应训练数据中的标签噪声。此外，还分析阐述了深度网络的泛化能力性质上不受显式正则化（explicit regularization）的影响，即使我
2020-12-15 22:43:37
1474
原创 关于常见离散分类损失函数之间的区别与联系
常见的分类损失函数：以下主要阐述基于逻辑回归和交叉熵相关的四个损失函数torch.nn.BCELoss和torch.nn.BCEWithLogitsLoss，nn.NLLLoss和torch.nn.CrossEntropyLoss。首先针对常见的nn.NLLLoss和torch.nn.CrossEntropyLoss函数简言之：CrossEntropyLoss= softmax+log+NLLLosstorch.nn.BCELoss和torch.nn.BCEWithLogitsLoss函数
2020-12-14 21:46:57
614
1
原创 噪声标签学习（一）
噪声标签学习（一）在有监督学习过程中，大量的准确标注的样本训练样本至关重要。但在实际应用过程中，标记数据往往需要大量的人力，物力财力。标注的数据质量某种程度上还受到人为主观因素的影响，导致实际获取的标注样本时常含有不定比例的标签噪声。然而，实验发现DNN在网络训练过程中，总是会学到标签噪声中的信息，对网络的性能带来干扰。为此，如何能够对标签噪声样本进行合理训练避免标签噪声对网络模型的训练带来干扰是近几年的又一个热门研究话题。接下来将对了解到的几篇近期了解的相关方法进行一个概述：NIPS2018 ：Co
2020-12-09 23:05:09
8712
原创 python随机生成在指定区间中排除个别数字的几个随机数
随机数生成直接进行随机数生成的方式有很多，但大多用于指定空间中的各类分布的随机数的生成，且指定空间大多为连续空间。由于代码需要，偶尔需要生成指定空间中排出个别数字的随机数的生成，为防止遗忘，记录如下：import numpy as np#获取两个列表的交集def inter(a, b): return list(set(a) & set(b))def my_custom_random(exclude): exclude=exclude randInt = np.rando
2020-11-29 12:32:28
5071
1
原创 交叉熵损失（Cross entropy loss） 与Nll_Loss之间的区别与联系
交叉熵损失通过网络卷积或全卷积直接获取的结果即可参与计算交叉熵损失。简单快捷，计算速度相对也快。Nll_LossNll_Loss的计算前，卷积或者全卷积获取的结果需要通过softmax以及log函数的计算。Nll_Loss做的事情主要是将输入数据取反，然后求均值。...
2020-11-28 21:08:43
1878
原创 生成对抗网络（GANs）简述：（一）
生成对抗网络（GANs）简述：（一）生成对抗网络（GANs）是人工智能领域最重要的研究途径之一，由于其卓越的数据生成能力受到研究学者的广泛关注。自生成对抗网络提出以来，各界学者关于GANs的改进主要包括三个方面：生成对抗网络的网络模型的改进 、生成对抗网络损失函数的改进以及基于生成对抗网络的实际应用。在本文中首先着重介绍关于常见生成对抗网络的网络模型改进的相关文章及模型汇总。生成对抗网络的网络...
2019-10-15 10:11:24
2397
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人