- 博客(41)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 推荐一个查找优秀教材的网站
独家资源：平台电子教材资源国内独有，汇集国际知名出版社理工类、科技类、管理类、医学、农学及人文社科类电子教材，阅读灵活：可实时在线阅读，离线阅读器下载阅读。多维统计：提供counter标准统计数据，同时可多角度统计数据并分析，使统计数据更客观精准。不过，没有权限的话是无法直接在线浏览的。操作便捷：下载阅读实现书架式管理，无需手工管理图书文件；本地存储：首次实现原版电子教材本地化存储，通过DRM技术实现数字资源版权保护；想要深入学习一个学科/领域的知识体系，最值得推荐的方法仍然是去看经典教材。
2023-04-06 10:36:48
414
1
原创 日读300篇文献的技巧
最近在搞毕业论文的时候，发现了一个非常好玩的东西，大大提升了我看文章搞科研（bushi）的效率。如果是英文文献的话，可能还要有点难度，毕竟英语渣渣还是需要有中文-》英文的转换过程。根据你提问的内容将对应的内容给ChatGP，然后让ChatGPT帮你分析；这个工具是基于最近爆火的ChatGPT开发的，主要就是帮你来理解PDF，对话内容还不是特别的智能，但是对于写综述或者初步阅读文章来说感觉足够了。这是我上传了一篇英文文献然后与他对话的结果。你上传PDF，Ta对PDF进行解析；简单说，可以帮助科研工作者来。
2023-03-10 13:05:58
691
原创 ResNet网络的改进版：ResNeXt
之前的文章讲过ResNet网络的基本架构，其本质就是让网络的学习目的从学习转为学习，也就是学习输入和输出之间的残差信息，从而缓解了梯度消失和网络退化问题。本文讲下ResNet网络的改进版：ResNeXt。架构下面是ResNet和ResNeXt的架构对比：引用自参考1从上图中便可以看到ResNeXt的核心：用了类似于Inception的思想，把残差块的一条路径变成多条路径。如果看原文也可以发现，其实作者最主要的对标就是Inception的模块。在Inception中，作者设计了4个不同的路径来从数
2022-12-04 10:27:11
2439
原创 DenseNet的基本思想
之前的文章介绍过残差网络的基本思想：残差网络的思想就是将网络学习的映射从X到Y转为学习从X到Y-X的差，然后把学习到的残差信息加到原来的输出上即可。即便在某些极端情况下，这个残差为0，那么网络就是一个X到Y的恒等映射。其示意图如下：ResNet后来，就有学者想到，既然输入一个残差块的X和该残差块的输出可以相加，那么为什么不能一起作为特征继续向后传递呢？所以，就有了DenseNet的基本思想，其示意图如下：DenseNet【引用自参考1】也就是说在网络前向传播的过程中，不仅每一层提取的特征图用做后面一
2022-12-03 21:42:26
475
原创 应届生如何做好一份简历？
找工作是痛苦的，尤其是投简历的过程。下面分享下自己最近投简历的一些感悟。一定要避免的错误在投简历的过程中一定要避免如下几个主要错误：一份简历打天下就当前的经济形势，我相信大多数人找工作都是海投，但是在海投的过程中一定要避免仅使用一份相同的简历用于所有的投递过程。因为对绝大多数企业来说，合适的比优秀的更重要！所以，如何让企业快速的了解你是重中之重。职业技能写一大堆不要写过多的专业词汇，一般来说最先看到你得简历的是HR，而HR绝大多数都不是你的专业的，所以尽可能地用通用词汇来写；职业技能
2022-11-28 14:25:27
313
原创 算法60天-Day24（回溯算法补充）：剪枝到底剪了什么
代码随想录（截图自参考【1】）上篇文章中讲到回溯算法的本质就是暴力搜索，但是可以通过剪枝来进行优化。那么，剪枝到底剪了什么？如何剪？我们仍然以上篇文章的组合问题来进行讨论。给定两个整数 n 和 k，返回范围 [1, n] 中所有可能的 k 个数的组合。你可以按 任何顺序 返回答案。剪枝到底剪了什么Carl师兄的网站上给出的剪枝优化的图如下：剪枝所谓的剪枝就是优化每一层的for循环。不剪枝为了对比，我们先查看原始的回溯算法输出：class Solution:&n
2022-10-17 21:08:28
374
原创 算法60天-Day24：回溯啊，退一步海阔天空。
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day24，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源可以看参考链接【1】。今日知识点回溯算法回溯法也可以叫做回溯搜索法，它是一种搜索的方式，比如在二叉树的搜索中，到叶子节点了之后我们再回到上一层；回溯法的本质是穷举；回溯法适合解决的问题有：组合：N个数里面按一定规则找出k个数的集合切割：一个字符串按一定规则有几种切割方式子集：一个N个数的集合里有多少符合条件的子集排列：N个数按一定规则全
2022-10-15 17:51:59
261
原创 算法60天-Day23：二叉搜索树！
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day23，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源可以看参考链接【1】。今日知识点二叉树基础：二叉树中的几个关键词：结点、度、叶子结点二叉树的两种主要形式包括满二叉树和完全二叉树满二叉树（完美二叉树）满二叉树只有度为0和度为2的结点；在完全二叉树中，除了最底层节点可能没填满外，其余每层节点数都达到最大值，并且最下面一层的节点都集中在该层最左边的若干位置。若最底层为第 h 层，则该层包
2022-10-13 22:20:25
335
原创 day10-重复的字符串
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day10，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源可以看参考链接【1】。今日知识点字符串基础：字符串也是一种数组，在内存上连续分布；今日题目重复的子字符串（459）给定一个非空的字符串 s ，检查是否可以通过由它的一个子串重复多次构成。来源：力扣（LeetCode）链接：https://leetcode.cn/problems/find-the-index-of-the
2022-10-06 17:17:11
141
原创 算法60天-Day16：统计二叉树的深度和结点个数
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day16，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源可以看参考链接【1】。今日知识点二叉树基础：二叉树中的几个关键词：结点、度、叶子结点二叉树的两种主要形式包括满二叉树和完全二叉树满二叉树（完美二叉树）满二叉树只有度为0和度为2的结点；在完全二叉树中，除了最底层节点可能没填满外，其余每层节点数都达到最大值，并且最下面一层的节点都集中在该层最左边的若干位置。若最底层为第 h 层，则该层包
2022-10-06 17:15:49
497
原创 算法60天-Day15：二叉树基础和遍历
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day15，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。落下了几天，需要补了。。代码随想录的资源可以看参考链接【1】。今日知识点二叉树基础：二叉树中的几个关键词：结点、度、叶子结点二叉树的两种主要形式包括满二叉树和完全二叉树满二叉树（完美二叉树）满二叉树只有度为0和度为2的结点；在完全二叉树中，除了最底层节点可能没填满外，其余每层节点数都达到最大值，并且最下面一层的节点都集中在该层最左边的若干位置。若
2022-10-05 17:29:08
187
原创 深度学习实现猫狗分类
本文使用vgg网络实现对猫狗分类。可以当做图像分类的一个baseline。一、前期工作数据：直接到kaggle上下载相应的数据集即可。1.导入模块# 数据import torchfrom torchvision.datasets import ImageFolderimport torch.utils.data as Datafrom torchvision import transfor
2022-09-28 10:42:50
1102
原创 算法60天：Day 6数组的进阶：哈希表
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day6，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源都是免费的，具体可以看参考链接【1】。今日知识点哈希表理论基础：哈希表，散列表，都指的是hash table；哈希表是根据关键码的值而直接进行访问的数据结构（比如python中的字典）；数组其实也是hash表，其key就是下标，value是对应的元素；哈希表适合用于快速查询；哈希表是以空间换时间；哈希函数比如要查询一个同学在不在一个
2022-09-26 19:07:02
260
原创 算法60天：Day 5-数组和链表小总结
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day5，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源都是免费的，具体可以看参考链接【1】。今日知识点今天是回顾前面四天的知识，因为是第一遍刷题，更多的是理解和动手。链表理论基础：链表是一种串联、线性结构；每个节点有两部分组成，值域和指针域，指针域存放指向下一个节点的指针；最后一个节点的指针域指向null（注意不同语言的写法，比如python是None）；数组理论基础：存放相同类型数据；
2022-09-25 20:37:54
301
原创 算法60天：Day 4-链表中的强大快慢指针
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day4，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源都是免费的，具体可以看参考链接【1】。今日知识点链表理论基础：链表是一种串联、线性结构；每个节点有两部分组成，值域和指针域，指针域存放指向下一个节点的指针；最后一个节点的指针域指向null（注意不同语言的写法，比如python是None）；今日题目两两交换链表中的节点（24）给你一个链表，两两交换其中相邻的节点，并返回交换后链表的
2022-09-24 22:39:17
159
原创 算法60天：Day 3-链表初识
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day3，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源都是免费的，具体可以看参考链接【1】。今日知识点链表理论基础：链表是一种串联、线性结构；每个节点有两部分组成，值域和指针域，指针域存放指向下一个节点的指针；最后一个节点的指针域指向null（注意不同语言的写法，比如python是None）；今日题目移除链表元素（203）给你一个链表的头节点 head 和一个整数 val ，请你删除
2022-09-23 21:36:41
137
原创 算法60天：Day 2-数组与双指针
代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day2，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源都是免费的，具体可以看参考链接【1】。今日知识点数组理论基础：存放相同类型数据；在内存上是连续的（二维数组视语言而定）；数组元素不能删除，只能覆盖；今日题目有序数组的平方（977）给你一个按 非递减顺序 排序的整数数组 nums，返回 每个数字的平方 组成的新数组，要求也按 非递减顺序 排序。链接：https://leetc
2022-09-23 09:04:51
126
原创 用R语言下载任意地区DEM数据
地学相关的科研中经常用到DEM数据以及其衍生数据，比如坡度、坡向等数据，同时公众号、博客等等也在不断的分享这些DEM等数据（包括我自己），但是我相信大多数人领取完了之后就进入收藏夹/百度云吃灰，等过了好久用的时候才想起来。本文介绍一种使用R语言获取任意地区DEM数据的方法，这样子在用的时候随时下载即可，再也不用导出找数据。工具介绍本文使用的是R包elevatr，具体介绍见参考【1】。使用方法包的使用方法非常简单，提供相应的范围和需要下载的DEM数据的等级即可（对应的是分辨率）library(s
2022-09-21 17:32:32
655
1
原创 算法60天：Day1-数组之二分查找
想成为一个程序员，算法与数据结构是必须掌握的知识。算法相关的资源网上太多了，对于非科班的人员来说如何快速、高效的学习数据结构和算法是一件非常难的事儿。先前都是自己摸索，没有系统的学习。这次跟着Carl师兄刷一遍代码随想录。代码随想录（截图自参考【1】）本系列是代码随想录算法训练营的学习笔记之day1，主要记录一下刷题的过程，以及核心知识点和一些值的记录的问题。代码随想录的资源都是免费的，具体可以看参考链接【1】。今日知识点数组理论基础：存放相同类型数据；在内存上是连续的（二维数组视语言而定
2022-09-21 11:20:30
121
原创 Inception：我全都要
本文复现一下google提出的GoogLeNet网络，注意不是GoogleNet，为什么呢？据说是google为了致敬LeNet~大佬们的世界就是这么有趣。摘要We propose a deep convolutional neural network ar-chitecture codenamed Inception that achieves the newstate of the art for classification and detection in the Im-ageNet
2022-09-10 14:53:16
139
原创 baseline分享：华为校园AI大赛赛题2车道渲染数据智能质检
上篇文章复现了vgg16模型，本文用vgg16来训练一个用于图像分类任务的baseline，因为本文是针对华为2022全球校园AI算法精英大赛的，所以先介绍下比赛。比赛简介比赛的主办方是华为，一共有三个赛道：知识驱动口语对话车道渲染数据智能质检广告-信息流跨域ctr预估赛题1赛题2赛题3看上面的介绍，可以分别对应NLP、CV、推荐算法三种类型。感兴趣的同学可以自由参加，本次比赛必须是在校学生才可以参与，相对来说可能竞争要小一点。赛题2简介报名了赛题2车道渲染数据智能质检，赛题简介：
2022-08-30 17:05:37
708
原创 模型复现：VGG-16
VGG-16是在图像分类和检测任务中很常用的一种网络结构。 本文通过pytorch来复现一下。文章摘要In this work we investigate the effect of the convolutional network depth on itsaccuracy in the large-scale image recognition setting. Our main contribution isa thorough evaluation of networks of inc
2022-08-27 17:58:43
459
原创 python：使用机器学习算法对卫星遥感影像进行分类
之前写过一篇使用R语言对卫星影像进行kmeans聚类的文章，本文来个python版本的。Python版的没有R语言版本的简单（代码多了一些），但是通过Python版的学习可以清楚了解到对卫星影像进行分类的整个流程。因为Python在机器学习/深度学习方面比较通用，学会了本文之后，就学会了任何基于机器学习对卫星影像进行分类的流程，只需要换下中间的分类算法即可。公众号《GIS与Climate》，分享R、Python、GIS和Climate的相关技术，求关注。导入需要的包因为本文用的是kmeans算法，也
2022-08-18 18:34:57
5268
1
原创 kaggle小白必看：小白常见的2个错误解决方案
本文分享下kaggle小白可能经常遇到的两个错误的解决方案。1.提交失败第一次使用的可能在测试notebook的时候没报错，但是在提交结果的时候报错了，可能为如下：解决方法这是因为save version的时候notebook是在有网环境下的，而一般的比赛在推理的时候是断网的，所以需要在保存notebook的时候把网络关掉，如下图所示:image2.找不到segmentation_models_pytorch模块等问题因为代码中用到了segmentation_models_pytorc
2022-08-07 21:11:24
2990
1
原创 GIS数据处理：用Python提取站点处的栅格值
在进行地理数据处理的时候，我们经常需要用点矢量来提取栅格数据中的值，在Arcgis或者R里面，这个很好实现，用extract工具或者函数就行，但是我看了下貌似Python里面没有现成的。那就自己写一个吧。本文示例用一个点矢量的shp文件来批量提取一个栅格数据上各点处的值。公众号《GIS与Climate》，欢迎关注和交流。读取数据分别用rasterio和geopandas包读取栅格和矢量数据：rs = rasterio.open('../input/rs_min_1km.tif'
2022-08-06 17:30:37
2956
1
原创 训练集Loss收敛，但是测试集Loss震荡的厉害？
问题场景今天在调试模型的时候发现训练集上Loss已经收敛了，但是在验证集上Loss震荡的比较厉害，如下图所示：Loss曲线原因分析查阅网上各种博客后发现验证集Loss震荡的原因可能有如下：数据问题，比如训练集和验证集相差太大，数据量太小；batchsize太小，模型学习的规律不够“普适”；loss函数不合适；学习率太大，模型陷入了局部最优点；模型的网络结构存在问题；......知道了大概的原因之后，就可以逐个进行排查了。数据上，检查自己的数据集train和valid的划分情况，基本上数据的
2022-08-05 10:36:39
14048
2
原创 文章复现：超分辨率网络-VDSR
VDSR全称Very Deep Super Resolution，意思就是非常深的超分辨率网络（相比于SRCNN的3层网络结构），一共有20层，其文章见参考链接【1】。摘要We present a highly accurate single-image super-resolution (SR) method. Our method uses a very deep con-volutional network inspired by VGG-net used for ImageNet clas
2022-08-04 19:50:57
1944
原创 深度学习中数据到底要不要归一化？实测数据来说明！
在做超分这种回归类的模型时候，对于数据要不要做标准化预处理，网上也没个专业的说法，令人头大。CV里面一般的图像都是0-255的范围，这个比较好处理了，不好进行标准化就直接除以255进行归一化，但是在其他领域的话，有时候数据集的极差比较大，比如降雨这种。那么，在深度学习中处理图像数据的时候，到底要不要对数据进行标准化？下面记录一些自己的实验。测试按照控制变量法的原理来做，其他的参数都不进行调整，只调整2个部分：是否对输入数据（X）做标准化？是否在网络中加入BN层？模型使用FSRCNN（之
2022-08-03 11:00:01
3318
1
原创 来亲自手搭一个ResNet18网络
在何大佬的文章中，提出了下面两种残差块：残差块左边的称为building block，右边的称为bottleneck building block。左边的输入和输出都是64个channel的，四四方方的，像个建筑物；右边的就好像通过了一个瓶颈一样，输入残差块的网络通道数会先从256变成64，然后最终再升到256，其中降维和升维使用的是1x1的卷积，可以减少参数量；代码Building Block，就是之前写的（换了激活函数）:class ResidualBlock(nn.Modul.
2022-08-02 15:17:30
995
原创 ResNet的基础：残差块的原理
在深度学习中，为了增强模型的学习能力，网络层会变得越来越深，但是随着深度的增加，也带来了比较一些问题，主要包括：模型复杂度上升，网络训练困难；梯度消失/梯度爆炸网络退化，也就是说模型的学习能力达到了饱和，增加网络层数并不能提升精度了。为了解决网络退化问题，何凯明大佬提出了深度残差网络，可以说是深度学习中一个非常大的创造性工作。残差网络残差网络的思想就是将网络学习的映射从X到Y转为学习从X到Y-X的差，然后把学习到的残差信息加到原来的输出上即可。即便在某些极端情况下，这个残差为0，那么网络就是一个X
2022-07-31 17:24:11
3822
原创 深度学习模型训练前的必做工作：总览模型信息
在使用深度学习模型处理图像数据的时候，输入数据的大小在整个网络中是怎么变化的非常重要，但是如果只看代码的话，我们算起来比较麻烦，比如我们经过了各种上采样、下采样等，中间过程可能有几十个网络层，算过来算过去一来是麻烦，二来是不清晰明了。今天介绍一个用来查看模型概览信息的包，对新手学习非常有帮助！ 这就是torchsummary包（https://github.com/sksq96/pytorch-summary）。直接上用法。安装安装没什么难的，直接用pip即可。pip install&.
2022-07-30 19:30:30
295
原创 使用Tenserboard可视化深度学习训练过程
在深度学习训练的过程中，如果能够可视化一些过程的变化，比如loss的变化过程等，将会对模型的性能表现有更加清晰的认识。目前， 最常用的深度学习训练过程可视化工具是tensorboard，这个是tensorflow配套的可视化工具，但是Pytorch目前也支持该工具。下面讲下如何使用该工具来进行训练过程的可视化。安装一般来讲如果配置好了Pytorch的深度学习环境，直接用pip安装即可：pip install tensorboard使用总得来说tensorboard的使用过程
2022-07-29 09:21:28
463
原创 文章复现：超分辨率网络FSRCNN
SRCNN通过三个卷积层来完成对图像的超分，也就是特征提取、特征映射和图像重建。但是其输入需要预先插值为目标尺寸，在速度上有一定的缺陷，难以应用到实时的研究中，因此Dong等人（SRCNN的第一作者）又改进了SRCNN，于是有了FSRCNN，其中的F代表Fast。原文摘要As a successful deep model applied in image super-resolution(SR), the Super-Resolution Convolutional Neural Networ
2022-07-27 21:25:32
1024
2
原创 文章复现：SRCNN
12 年，AlexNet 在 ImageNet 图像分类比赛上的超神表现（参考链接【1】），证明了卷积神经网络在图像分类方面的强大能力，之后各个学者在 CNN 的基础上提出了多种改进的图像分类网络架构。14 年，DONG 首次提出用 CNN 来进行图像的超分辨率重建工作（参考链接【2】），文章提出了 SRCNN 的架构。图像的超分可以认为是一种像素级的回归任务。在 climate 领域，一般是回归任务，毕竟多数是连续值。本文来复现一下 SRCNN。文章摘要We propose a deep lea
2022-07-27 10:49:32
431
原创 深度学习中的学习率调整策略（1）
学习率(LearningRate, LR/lr)是深度学习中很重要的一个超参数了。其公式：也就是说它是在训练过程中更新网络权重的一个调整因子，为什么说其重要呢？简单说：学习率太大，梯度容易爆炸，loss的振幅较大，模型难以收敛；学习率太小，容易过拟合，也容易陷入“局部最优”点；因此选择一个合适的学习率是非常重要的。对于新手来说，一般可能是看网上的经验或者开源代码选择一个差不多的lr（比如0.1-0.001之间）。但是，真正用自己的数据来进行模型调试的时候就会发现，学习率也是一个非常重要的超参.
2022-07-24 11:37:42
3587
原创 Ubuntu系统安装最新版的R 4.2
最近需要在服务器（Ubuntu 20.04 LST）上使用R，但是如果直接用apt安装的话，会默认安装的是R 3.6版本，太老了。文本讲下怎么在服务器上安装最新版本的R。查看可以安装的R版本：首先，我们在安装之前，可以用如下命令查看下当前我们的apt库中有的R版本：apt policy r-base结果如下：上面的意思也就是说我们当前只能从Ubuntu的官方软件源中安装3.6版本的R，但是这个版本比较老了，比起来最新的R4.2有很多不爽的地方。下面我们安装R 4.2。.
2022-07-22 21:49:35
2410
原创 Linux统计程序运行时间
预估程序的运行时间是很常见的一个需求。在Linux下我们可以很方便的用一个命令来统计程序的运行时间：time。如果我们需要测试test.sh这个脚本的执行时间，就可以用如下命令：time bash test.sh脚本的内容如下： 1 #!/bin/bash 2 3 for i in {01..10000};do 4 &n
2022-07-22 21:48:23
4519
原创 Linux-挂载硬盘
Linux与Windows有很大不同，Linux是一个文件操作系统，一切皆文件。在windows下如果我们对硬盘进行分区，系统会帮我们分配盘符，比如C、D、E...等等，我们双击盘符就可以使用，但是在Linux下，我们有了硬盘之后，还需要将硬盘挂载到系统的某一个目录中，这样子才可以使用。简单来说，Linux下的硬盘挂载就相当于建立起系统的目录和真实物理硬盘的一个映射。这样子，就把虚拟空间和真实的物理空间对应起来了。只有这样子，我们才能使用这块硬盘（windows其实也一样，只不过自动帮我们完成了这个过
2022-07-22 15:33:42
1930
原创 小记录：Pytorch做深度学习必要加载的包
根据深度学习模型训练的五个阶段，记录下每个阶段需要加载的包，方便后续总结。1. 数据如果不包括数据预处理阶段，只包括数据加载的话，主要用到的就是Dataset和DataLoader，那么就需要导入：import torch.utils.data as Data如果需要进行预处理的话，比如标准化这些的话，就还需要导入transform：import torchvision.transforms as transforms2. 模型模型.
2022-07-22 15:26:24
496
原创 用Pytorch从0到1实现逻辑回归
在机器学习/深度学习中，二分类也是经常遇到的任务，逻辑回归就是二分类中常用的模型。本文简单回顾下逻辑回归，并且用Pytorch实现。逻辑回归Logistic Regression逻辑回归是机器学习中常用的一种二分类算法，常用于疾病预测等“非黑即白”的分类，简单说就是在使用逻辑回归的任务中，标签数据的Y值要么是0要么是1。Sigmoid函数逻辑回归，不管怎么着，还是一个回归，而我们是用它来进行分类的。回归一般的得到的是一个连续值，二分类需要的是0或者1（类别），那么怎么建立起连续值到类别的映射关系
2022-07-22 15:20:19
980
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人