文 / Deepak Kanungo，Hedged Capital LLC 创始人兼首席执行官作为采用 “AI 先行” 战略的金融交易和咨询公司，Hedged Capital 使用概率模型在金融市场中进行交易。我们将在本文中探讨所有金融模型中固有的三类误差，并会以 Tensorflow Probability (TFP) 中的简单模型作为例子来进行说明。金融学并非物理学亚当·斯密是公认的现代经济学
深度学习（16）—— 权重加载model.load_state_dict(torch.load('/home/yangjy/projects/Jane_git_tf/weights/con_model/best1_2022-12-02-09-36.pth', map_location=device))Question?情形： 新的model是需要两个模型作前期的处理后的结果，如model1得到fe
本文介绍较简单的优化模型，归结微积分中函数的机制问题，可以直接用微分法求解。1. 存贮模型 工厂订购原料，出售商品，都需要确定贮存量。 1.1不允许缺货的存贮模型 经济批量订货公式（EOQ公式） 用于订货、供应、存贮情形 每天需求量 r，每次订货费 c1,每天每件贮存费 c2 T天订货一次(周期), 每次订货Q件，当贮存量降到零时，Q件立即到货。 1.2允许缺货模型 原理
本文是我对使用软件计算模型中参数的过程概念理解的简介~！了解这有利于软件的使用者理解软件使用软件求解参数进行模型时的一堆琐碎的选项有帮助，也便于将药动学模型中的一些概念与数学中常用的一些概念联系起来。模型估计参数的前提条件：估算的前提条件：自变量(时间，给药方案)+因变量（浓度）+模型结构对于药动学模型，自变量为：时间，给药方案，（给药方案就是给药的时刻+剂量）;因变量为：采集得到的样品的血药浓度
Alias Concept 2021是一款工业设计和建模软件，该软件基于Alias基础上开发的，主要侧重于产品的概念设计，拥有集成式SUBD建模工具，支持从草图到概念模型的设计过程，支持探索，交流和可视化设计方案，还可以通过HMD查看虚拟现实中的内容，以及使用Dynamo进行生成建模的新建模技术，可以帮助设计人员快速完成产品的概念设计。与上一版本相比较，Alias Concept 2
随着深度学习越来越流行，工业生产不光在PC端应用场景丰富，在移动端也越来越凸显出深度学习的重要性及应用价值。由于嵌入式平台受存储、指令集限制，需要提供更小的网络模型，并且某些DSP平台不支持float指令。tensorflow提供TOCO转换工具能够自动生成量化为U8的TFLite文件。本文将介绍如何解析tflite的网络结构以及权重信息。一
tensorflow笔记04:神经网络搭建的模块化过程1.前向传播模块(forward.py)定义前向传播首先要定义三个函数：1.1 forward()def forward(x, regularizer):
w= #权重参数
b= #偏置项bias
y= #网络输出结果，或预分类结果
return y第一个函数 forward()完成网络结构的
先写在前面的话这篇笔记写下来，感觉似乎在我所学范围内对着两种模型简单模式的使用好像并不广泛，也不见什么复杂的例子。复杂的模式也没有去讲……看看之后还有没有相关的内容吧，之后再补。评价模型加权平均适用于每一项权重和评分都容易获得 对应的权重乘以对应的数值再求和。层次分析适用于没有给出权重和分析，需要自己定义的情况构造判断矩阵准则颜值C1 稀有度C2 知识C3 趣味性C4两两比价：Ci相对于Cj的重要
1 模型训练基本步骤进入了AI领域，学习了手写字识别等几个demo后，就会发现深度学习模型训练是十分关键和有挑战性的。选定了网络结构后，深度学习训练过程基本大同小异，一般分为如下几个步骤定义算法公式，也就是神经网络的前向算法。我们一般使用现成的网络，如inceptionV4，mobilenet等。定义loss，选择优化器，来让loss最小对数据进行迭代训练，使loss到达最小在测试集或者验证集上对
使用了一段时间PyTorch，感觉爱不释手（0-0），听说现在已经有C++接口。在应用过程中不可避免需要使用Finetune/参数初始化/模型加载等。 模型保存/加载 1.所有模型参数训练过程中，有时候会由于各种原因停止训练，这时候我们训练过程中就需要注意将每一轮epoch的模型保存(一般保存最好模型与当前轮模型)。一般使用pytorch里面推荐的保存方法。该方法保存的是模型的参数。#保存模型到c
本文就TF-IDF算法的主要思想，步骤和应用做了简单介绍，并简要说明了其优缺点，
假设现在有一篇很长的文章，要从中提取出它的关键字，完全不人工干预，那么怎么做到呢？又有如如何判断两篇文章的相似性的这类问题，这是在数据挖掘，信息检索中经常遇到的问题，然而TF-IDF算法就可以解决。这两天因为要用到这个算法，就先学习了解一下。 TF
转载
2023-07-04 22:46:24
130阅读
这篇文章对mmdetection（包括mmlab的其他例如mmclassification等）训练得到的模型权重，或者说checkpoints文件进行分析，一般模型保存在work-dir文件夹下，具体路径要参考训练用到的config，即配置文件。保存的模型一般是.pt的文件。读取.pth文件具体数值修改.pth文件具体数值（比如修改卷积核通道数）读取.pth文件具体数值.pt模型文件读取方法这种模
TOPSIS模型评价方法大体上可分为两类，其主要区别在确定权重的方法上。一类是主观赋权法，多数采取综合咨询评分确定权重，如综合指数法、模糊综合评判法、层次分析法、功效系数法等。另一类是客观赋权，根据各指标间相关关系或各指标值变异程度来确定权数，如主成分分析法、因子分析法、理想解法 (也称TOPSIS 法)等。目前国内外综合评价方法有数十种之多，其中主要使用的评价方法有主成分分析法、因子分析、TOP
1、一般训练模式：import tensorflow as tf
import numpy as np
import time
from sklearn import metrics
from keras.callbacks import ModelCheckpoint
# from tensorflow.keras.callbacks import ModelCheckpoint
# 建立mo
转载
2023-11-20 13:25:57
61阅读
样本权重是对损失函数来说的对于类别少的样本 通过调节其对 损失函数的影响程度来达到提高预测精度 类型权重参数： class_weight class_weight有什么作用？在分类模型中，我们经常会遇到两类问题： 第一种是误分类的代价很高。比如对合法用户和非法用户进行分类，将非法用户分类为合法用户的代价很高，我们宁愿将合法用户分类为非法用户，这时可以人工再甄别，但是却不愿将非法用户分类为合法用户
目录：topsis简介topsis法基本原理数据正向化 2.1. 极小型指标转化为极大型指标 2.2. 中间型指标转化为极大型指标 2.3. 区间型指标转化为极大型指标标准化评分构建总结0. topsis简介 Topsis法，全称为Technique for Order Preference by Similarity to an Ideal Solution中文常翻译为优劣解距离法，该方法能够根
参考l2正则L2正则化的目的就是为了让权重衰减到更小的值，在一定程度上减少模型过拟合的问题。权重衰减（weight decay）weight decay（权值衰减）的使用既不是为了提高收敛精确度也不是为了提高收敛速度，其最终目的是防止过拟合。在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，所以weight decay的作
1.“V型”测试模型 主要特点：一种古老的瀑布模型，反映了实际和测试之间的关系。 局限：仅仅把测试过程作为编码之后的一个阶段，忽视了测试对需求分析,系统设计的验证，如果前面设计错误，得一直到后期的验收测试才被发现，耗时耗力。2.“W型”测试模型 特点：测试与开发同时进行，在V模型的基础上，增加了在开发阶段的同步测试局限：仍然不支持迭代，减少了一定错误发生率，但是需按照流水线进行设计、编码和测试。3
上一篇博文中，我们使用结巴分词对文档进行分词处理，但分词所得结果并不是每个词语都是有意义的（即该词对文档的内容贡献少），那么如何来判断词语对文档的重要度呢，这里介绍一种方法：TF-IDF。 一，TF-IDF介绍 TF-IDF（Term Frequency–Inverse Document Frequency）是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一
转载
2023-10-11 16:17:26
138阅读
1、模型检验技术用于检验由模型描述语言描述的系统模型是否满足由性质说明语言描述的系统性质
（1）模型检验中的关键技术问题是如何设计数据结构和算法，用以表示和遍历大规模的系统模型的状态空间；
（2）解决由多个系统模型的并行组合而形成的状态空间爆炸问题；
&nbs
