写在前面：打算记录一下很常见的backbone网络，本篇博客用于记录自己ResNet网络的学习过程。 论文传送门：Deep Residual Learning for Image Recognition一、ResNet网络做了什么1、提出 Residual 结构（残差结构），并搭建超深的网络结构 我们在搭建更深层网络时，并不是简单堆叠就能取得比较好的效果的。 如上图，56层的网络效果反而更差，这是
介绍ResNet几乎是现在应用最广泛的特征提取网络，于2015年由何恺明等人提出拿到了ImageNet的冠军，并且发表在2016年的CVPR上，现在针对各种问题也衍生了很多新的网络。很多经典的网络也通过借鉴其思想在效果上得到了提升。一般来说，随着网络变深学习能力应该会更强，但是事实上一味地增加深度并不能继续提升性能，反而会导致模型收敛变慢，效果甚至还会变差，ResNet就是针对这样的问题。文中提出
KNN做回归和分类的主要区别在于最后做预测时候的决策方式不同。KNN做分类预测时，一般是选择多数表决法，即训练集里和预测的样本特征最近的K个样本，预测为里面有最多类别数的类别。而KNN做回归时，一般是选择平均法，即最近的K个样本的样本输出的平均值作为回归预测值。一 KNN算法概述 KNN（K-Nearest Neighbor）工作原理：存在一个样本数据集合，也称为训练样本集，并且样本集中每个数据都
转载
2024-03-20 09:59:05
20阅读
1、KNN的思想在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。 通俗点就是说，需要判断一个样本的类别，就找离他最近的K的点，对这K个点的类别进行“多数服从少数”的投票，最后所得结果的类别就是这个样本的类别。 KNN算法即可以做回归，也可以做分类。 KNN做回归和分类的主要区别在于最后做预测时候的决策方式不同。KNN做分类预测时，一
文章目录什么是RNNRNN工作原理图解多种RNN形态RNN的公式原理结合pytorch官方样例学习RNN 什么是RNNRNN工作原理图解RNN是怎样工作的？假如在t时刻，神经网络输入x(t)，神经网络会计算状态s(t)，并输出y(t)。到t+1时刻，输入为x(t+1)，神经网络会根据s(t)和s(t+1)来输出y(t+1)。多种RNN形态RNN经过适当组合，有不同的输入和输出形式，从而能解决不同
Transformer采用自注意力机制，与一般注意力机制计算分配值的方法基本相同，原理可参考 只是！Query的来源不同，一般AM中的query来源于目标语句，而self-AM的query来源于源语句本身。Encoder模块中自注意力机制计算步骤如下：把输入单词转换为带时序信息的嵌入向量 x（源单词的词嵌入 + 对应的Position Encoding）；根据嵌入向量 x 生成 q、k、v 三个
转载
2024-03-17 14:04:01
536阅读
数据源：modis的MOD9A1产品，分辨率500m，合成周期为8天NDVI（归一化植被指数）计算公式：NDVI=(NIR-R)/(NIR+R)，其中NIR为近红外波段，R为红光波段，分别对应MODIS第2和第1波段。NDBI（归一化建筑指数）计算公式：NDBI=(M IR - N IR ) /(M IR + N IR )，其中MIR为中红外波段，NIR为近红外波段，分别对应MODIS第6和第1波
RNN定义理解RNNRNN激活函数 定义RNN（Recurrent Neural Network）循环神经网络 是一类用于处理序列数据的神经网络。 首先我们要明确什么是序列数据，摘取百度百科词条：时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。这是时间序列数据的定义，当然这里也可以不是时间，比如文字序列，但总归序列数据有一个特点——后面的数据跟前
转载
2024-03-20 19:38:31
13阅读
自然科学中的生成模型已经取得了巨大进步，但它们的可控性仍然具有挑战性。分子、蛋白质生成模型的一个巨大缺陷是缺少连续属性的归纳偏差。IBM 欧洲研究院和苏黎世联邦理工学院的研究人员提出了 Regression Transformer（RT），这是一种将回归抽象为条件序列建模问题的方法。这为多任务语言模型引入了一个新方向——无缝桥接序列回归和条件序列生成。尽管该团队使用了限定规模的训练目标，但是 RT
一、如何学习回归分析？1.学习回归分析之前，我们需要先明白什么是回归分析? 为什么要学习回归分析？简单线性回归初中时期，我们都学习过简单的线性方程。例如，一元一次方程、一元二次方程等。这些简单的线性方程就是回归分析中线性回归的一种体现，通过线性回归方程，我们可以输入一个自变量得到一个预测的因变量。简单线性回归的自变量和因变量也被称为特征和标签。因为线性回归具有预测功能，所以线性回归时常运用到生活当
转载
2023-11-21 19:09:23
65阅读
原始数据输入spass：View Code 0.25 1200.000.30 1000.000.35 900.000.40 800.000.45 700.000.50 600.000.55 550.000.60 500.000.65 450.000.70 400.000.75 350.000.80 300.000.85 250.000.90 200.000.95 150.001.00 100.00然后进行回归分析：把自变量和因变量拖进相关行，点击确定：双击自动产生的回归图：双击曲线，就出现属性窗口，最后就看到拟合方程了：ok！就是这样！
转载
2011-08-12 15:30:00
134阅读
2评论
在目前的机器学习领域中，最常见的三种任务就是：回归分析、分类分析、聚类分析。在之前的文章中，我曾写过一篇<15分钟带你入门sklearn与机器学习——分类算法篇>。那么什么是回归呢？回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。回归分析在机器学习领域应用非常广泛，例如，商品的销量预测问题，交通流量预测问题。那么，如何为这些回归问题选择最合适的机器
目录1、回归的定义2、回归的例子3、建模步骤1）模型假设，选择模型框架（线性模型）2）模型评估，如何判断众多模型的好坏（损失函数）3）模型优化，如何筛选最优的模型（梯度下降）4、步骤优化1）向量化Vectorization2）引入更多参数，更多input3）优化：引入正则化Regularization1、回归的定义回归官方定义：指研究一组随机变量(Y1 ，Y2 ，…，Yi)和另一组(X1，X2，…
一、偏差bias和方差variance简书中记录回归分析1.回归任务： 对于下面图中的数据，我们希望寻找一个函数来拟合这些数据，也就是回归任务：我们尝试使用一次、二次直至五次的函数集来拟合一个简单的回归问题，在实验过程中发现对于低阶的函数效果不是太好，增加函数的复杂度后效果有了好转，但当函数过于复杂时，效果又会变差：事实上模型的损失主要来自两个方面：偏差（bias）和方差（variance）。以打
使用 tensorflow.keras 进行逻辑回归1. 加载数据2. 可视化数据3. 创建模型4. 开始训练5. 使用训练好的模型进行预测6. 完整源代码附录1. 关于 全连接层[`tf.keras.layers.Dense()`](https://tensorflow.google.cn/api_docs/python/tf/keras/layers/Dense?hl=zh-CN)1. 关于
1. 图卷积网络1.1. 为什么会出现图卷积网络普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。然而，现实生活中很多数据不具备规则的空间结构，称为Non Euclidean
LIBSVM做回归预测--终于弄通（原创） 看了网上很多帖子和博客，自己琢磨了很久到现在才弄明白怎么用libsvm来做预测。因为网上的帖子一般都是转来转去的，所以第一个人感觉这样写详细了， 之后的人不管懂不懂照搬不误，这就苦了我们笨的人啦。不过我研究了一天，终于有点眉目，写点体会，应该会比较详细吧，至少是过来人碰到的问题。 p.s.这里暂且不讨论分类问题，其实分类比预测简单，下载
原创
2023-07-04 20:51:19
74阅读
线性回归线性回归原理：线性回归通过一个或者多个自变量与因变量之间进行建模的回归分析。其中特点为一个或多个称为回归系数的模型参数的线性组合 特点：只有一个自变量的情况称为单变量回归，大于一个自变量情况的叫做多元回归。 &nbs
本文介绍如何构建简单线性回归模型及计算其准确率，最后介绍如何持久化模型。线性回归模型线性回归表示发现函数使用线性组合表示输入变量。简单线性回归很容易理解，使用了基本的回归技术，一旦理解了这些基本概念，可以更好地学习其他类型的回归模型。回归用于发现输入变量和输出变量之间的关系，一般变量为实数。我们的目标是估计映射从输入到输出的映射核函数。下面从一个简单示例开始：1 --> 2
3 -->
转载
2023-07-11 20:05:50
146阅读
1.生成R_net数据集，并喂入R_net网络训练为了提高R_net数据的质量，我们的R_net数据集会通过P_net精炼一下。把回归框中对应的图片从原理图片中crop出来，resize生成24*24的大小。运行P_Net，得到每个回归框的分类得分和坐标的回归值。P_Net中推理出来的 bounding box 坐标可能超出元素图片的大小，这时候需要做图片处理，把坐标值限定在元素图片内，而空出来的
