脑电信号分类问题的数据预处理方法
脑电信号分类问题的数据预处理方法
细粒度图像分类论文研读-2022
目前的工作主要通过关注如何定位最具识别度的区域并依靠它们来提高网络捕捉细微变化的能力来完成FGVC。这些工作中的大部分是通过RPN模块来提出绑定框并重新使用主干网络来提取所选框的特征。近年来，ViT在传统分类任务重大放异彩，其自我关注机制将每个patch的token连接到分类token。注意力连接的
深度学习和高光谱图像分类
深度学习算法对高光谱图像进行分类的一些问题和方法。
【跟着ChatGPT学深度学习】ChatGPT教我文本分类
总的来说，关于知识点方面，该说不说，它并不能完全替代我的老师，对于这些知识点，只能说达到及格的水平（作为一个老师的标准），尤其是对知识不能做到实时更新，官方说它的知识只能到2021年，后续的知识它并不能做到自学，只能通过不断地喂入数据才能精进。关于代码生成方面，虽然每次都能给我生成出来我想要的代码，
机器学习：基于KNN对葡萄酒质量进行分类
KNN对葡萄酒质量进行分类。该数据集采集于葡萄牙北部“Vinho Verde”葡萄酒，由于隐私和物流问题，只有理化变量特征是可以进行使用的(例如，数据集中没有关于葡萄品种、葡萄酒品牌、葡萄酒销售价格等的数据)。本篇notebook使用了红葡萄酒质量的数据集，并用KNN进行分类模型的训练。
多分类损失函数（机器学习）
预测值越接近真实标签值，交叉熵损失函数值越小，反向传播的力度越小。为什么不能使用均方差损失函数作为分类问题的损失函数？凸性与最优解求导运算的复杂性和运算量则损失函数为：可以看到由于分类错误，loss2的值比loss1的值大很多。反向传播误差矩阵为：本来是第二类，误判为第一类，所以前两个元素的值很大
【软件测试】测试基础讲解
软件测试岗位的讲解
【个人笔记】UNet使用自己数据集训练（多分类）
参考链接：Pytorch下实现Unet对自己多类别数据集的语义分割_brf_UCAS的博客-CSDN博客_pytorch unet多类分割一、UNet代码链接UNet代码：二、开发环境Windows、cuda :10.2 、cudnn:7.6.5 pytorch1.6.0 python 3.7pyt
yolov5 训练结果解析
yolov5 训练结果解析在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图：一：weights包含best.pt（做detect时用这个）和last.pt（最后一次训练模型）二：confusion1：混淆矩阵：①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确
基于Halcon的MLP（多层感知神经网络）分类器分类操作实例
【代码】基于Halcon的MLP（多层感知神经网络）分类器分类操作实例。
初识图像分类——K近邻法(cs231n assignment)
图像分类是计算机视觉中的一项重要任务，但是图像分类一定要用到CNN吗？并不是，最初的分类方法是采用了KNN！
垃圾分类模型训练部署教程，基于MaixHub和MaixPy-k210
本文是图文演示内容，将给大家介绍 ，在MaixHub上训练模型，然后部署到Maix duino开发板上的流程。 .串口终端，占用板子内存更少，二进制文件，刷固件，烧录地址是0x300000，main.py，report.json，kmodel，迭代次数，数据均衡，浏览器，tfjs，部署平台，模
【自然语言处理（NLP）】基于GRU实现情感分类
【自然语言处理（NLP）】基于GRU实现情感分类，基于百度飞桨开发，参考于《机器学习实践》所作。
【自然语言处理（NLP）】基于循环神经网络实现情感分类
【自然语言处理（NLP）】基于循环神经网络实现情感分类，基于百度飞桨开发，参考于《机器学习实践》所作。
图像分类方法总结
1. 图像分类问题描述图像分类问题是计算机视觉领域的基础问题，它的目的是根据图像的语义信息将不同类别图像区分开来，实现最小的分类误差。具体任务要求是从给定的分类集合中给图像分配一个标签的任务。总体来说，对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分
基于 BERT 实现的情感分析(文本分类)----概念与应用
一文详解Bert的发展由来，及如何使用Bert模型实现情感分析(文本分类任务)
人工智能导论(6)——机器学习(Machine Learning)
机器学习按照学习任务可以分为回归、分类、聚类、降维、密度估计、排序、优化。机器学习按照学习方式可以分为有监督学习、无监督学习、半监督学习、强化学习。机器学习按照模型可以分为几何模型、逻辑模型、网络模型、概率模型。回归、分类、排序都是有监督学习。聚类、降维、密度估计都属于无监督学习。线性回归、多项式回
Python图像识别实战（五）：卷积神经网络CNN模型图像二分类预测结果评价（附源码和实现效果）
Python图像识别实战：卷积神经网络CNN模型图像二分类预测结果评价（附源码和实现效果）
【深度学习】（三）图像分类
上一章介绍了深度学习的基础内容，这一章来学习一下图像分类的内容。图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务。从最开始比较简单的10分类的灰度图像手写数字识别任务mnist，到后来更大一点的10分类的cifar10和100分类的cifar100任务，到后来的image
机器学习——图像分类
1 图像分类的概念1.1 什么是图像分类？图像分类，根据图像信息中所反映出来的不同特征，把不同类别的目标区分开来的图像处理方法1.2 图像分类的难度●任何拍摄情 况的改变都将提升分类的难度1.3 CNN如何进行图像分类●数据驱动型方法通用流程1.收集图像以及对应的标签，形成数据集2.使用机器学习训练
