周志华《机器学习》第三章课后习题
目录3.1 试析在什么情形下式(3.2) 中不必考虑偏置项 b.3.2、试证明，对于参数w,对率回归的目标函数(3.18)是非凸的,但其对数似然函数(3.27)是凸的. 3.3、编程实现对率回归,并给出西瓜数据集3.0α上的结果.3.4 选择两个 UCI 数据集，比较 10 折交叉验证法和留一法所估
学习率设置
本篇主要学习神经网络超参数学习率的设置，包括人工调整和策略调整学习率。在模型优化中，常用到的几种学习率衰减方法有：分段常数衰减、多项式衰减、指数衰减、自然指数衰减、余弦衰减、线性余弦衰减、噪声线性余弦衰减。......
安装Pytorch-gpu版本（第一次安装 或 已经安装Pytorch-cpu版本后）
由于已经安装了cpu版本了，如果再在该环境下安装gpu版本会造成环境污染.因此，再安装gpu版本时，需要再新建一个虚拟环境才能安装成功。然后去官网下载所适配的版本。 安装完cuda和cudnn后，开始安装pytorch的gpu版本。1.安装cude首先查看windows电脑之前是否成功安装了CUDA
U-Net在2022年相关研究的论文推荐
UNet 可以算是 FCN 的一种变体，是最常用、最简单的一种分割模型，简单、高效、易懂、容易构建，且可以从小数据集中训练。2015 年，UNet 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出 。
电力系统的常用仿真模块MATLAB/SIMULINK（1）
在进行电力系统的仿真时，先要了解构成电力系统的各元件。本章描述了相关的电力系统模块在MATLAB/SIMULINK里面的使用。其中包括：1. 同步发电机模块 2. 电力变压器 3. 输电线路 4. 负荷1. 同步发电机模块1.1 简化的同步电机模块简化的同步电机模块忽略了电枢反应电感、励磁和阻尼绕组
python+neo4j构建基于知识图谱的电影知识智能问答系统
~~~~~~~~ 最近，课程设计要求做关于知识图谱的调研工作。调研过程中，在网络上发现诸多同学自行构建知识图谱的相关内容，就考虑自己自行搭建一个。经过调研和基于自己技术的考量，最终还是打算做基于知识图谱的电影知识智能问答系统(主要是数据集比较好构建)。虽然比较
Deformable DETR源码解读
Deformable DETR源码解读
PointNet解读
PointNet解决的问题：如上图所示：1.点云图像的分类（整片点云是什么物体）2.点云图像的部件分割（整片点云所代表的物体能拆分的结构）3.点云图像的语义分割（将三维点云环境中不同的物体用不同的颜色区分开）论文中展示的输入输出效果：1.部件分割的效果（左边是输入不完整的点云，右边是输入完整的点云）
pytorch-lightning安装
一般pytorch-lightning 需要torch版本≥1.8.0。在安装pytorch-lightning时一定注意自己的torch是pip安装还是conda安装，两者要保持一致，不然会导致安装pytorch-lightning时会直接卸载掉你的torch，安装cpu版本的torch。http
Cuda与GPU显卡驱动版本一览
cuda版本是？？gpu 驱动？ 两者怎么对应
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
YOLOv5训练自己的数据集详解
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。一、YOLOv5源码下载网址指路：GitHub - ultralytics/yolov5: YOLOv5 ???? in PyTorch > ONNX > CoreML > TF
【机器学习】9种回归算法及实例总结，建议学习收藏
我相信很多人跟我一样，学习机器学习和数据科学的第一个算法是线性回归，它简单易懂。由于其功能有限，它不太可能成为工作中的最佳选择。大多数情况下，线性回归被用作基线模型来评估和比较研究中的新方法。在处理实际问题时，你应该了解并尝试许多其他回归算法。一方面可以系统学习回归算法，另外一方面在面试中也常用到这
CoCo数据集下载
文章目录1.介绍2.下载2.1 官网2.2 百度网盘2.3 下载到linux服务器1.介绍MS COCO的全称是Microsoft Common Objects in Context，起源于微软2014年的Microsoft COCO数据集COCO is a large-scale object d
联邦学习（FL）+差分隐私（DP）
联邦学习+差分隐私（FL+DP）
论文阅读笔记：ShuffleNet
背景由于深度学习模型结构越来越复杂，参数量也越来越大，需要大量的算力去做模型的训练和推理。然而随着移动设备的普及，将深度学习模型部署于计算资源有限基于ARM的移动设备成为了研究的热点。ShuffleNet[1]是一种专门为计算资源有限的设备设计的神经网络结构，主要采用了pointwise group
特征融合的分类和方法
1、特征融合的定义特征融合方法是模式识别领域的一种重要的方法，计算机视觉领域的图像识别问题作为一种特殊的模式分类问题，仍然存在很多的挑战，特征融合方法能够综合利用多种图像特征，实现多特征的优势互补，获得更加鲁棒和准确性的识别结果。2、特征融合的分类按照融合和预测的先后顺序，分类为早融合和晚融合（Ea
时间序列模型-ARIMA
主要介绍了ARIMA模型的基本概念和建模流程。
基于时序模式注意力机制（TPA）的长短时记忆（LSTM）网络TPA-LSTM的多变量输入风电功率预测
0 前言1、TPA理论注意力机制（Attention mechanism）通常结合神经网络模型用于序列预测，使得模型更加关注历史信息与当前输入信息的相关部分。时序模式注意力机制（Temporal Pattern Attention mechanism, TPA）由 Shun-Yao Shih 等提出
【Attention机制】YOLOX模型改进之(SE模块、ECA模块、CBAM模块)的添加
YOLOX模型改进论文地址：https://arxiv.org/pdf/1709.01507.pdf官方代码地址：https://github.com/hujie-frank/SENetPytorch代码地址：https://github.com/moskomule/senet.pytorchSE模
