调参

0基础文科生，如何在国际级【机器学习】赛事夺得前20%？

成绩是真实的，排行榜是我用HTML代码改的，因为提交不上去最开始的参赛的时候成绩是1661名，提交了23次，成绩才一点点上去了，如果我继续调参的话，成绩应该
向瑶函·2023-07-17 06:48

强化学习从基础到进阶-案例与实践[6]：演员-评论员算法（advantage actor-critic，A2C），异步A2C、与生成对抗网络的联系等详解

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-07-17 04:20

强化学习从基础到进阶--案例与实践[7]：深度确定性策略梯度DDPG算法、双延迟深度确定性策略梯度TD3算法详解

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-07-16 14:02

pytorch+CRNN实现

CRNN前期训练极其离谱，需要良好的调参，loss才会慢慢下降。我给出了一个训练曲线，可以看到确实贼几把怪，七拐八拐的。2）千万不要用百度开源的那个ctc！！
qq_33782623·2023-07-16 11:28

强化学习调参技巧二：DDPG、TD3、SAC算法为例：

1.训练环境如何正确编写强化学习里的env.reset()env.step()就是训练环境。其编写流程如下：1.1初始阶段：先写一个简化版的训练环境。把任务难度降到最低，确保一定能正常训练。记录正常训练的智能体的分数，与随机动作、传统算法得到的分数做比较。DRL算法的分数应该明显高于随机动作（随机执行动作）。DRL算法不应该低于传统算法的分数。如果没有传统算法，那么也需要自己写一个局部最优的算法评
汀、人工智能·2023-07-16 10:31

强化学习调参技巧一： DDPG算法训练动作选择边界值_分析解决

1.原因：选择动作值只在-11之间取值actor网络输出用tanh，将动作规范在[-1,1]，然后线性变换到具体的动作范围。其次，tanh激活区是有范围的，你的预激活变量（输入tanh的）范围太大，进入了tanh的饱和区，会导致梯度消失，而且tanh输出的自然就靠近边界了2.解决方案：1、网络的输入输出都是归一化之后的，buffer里的{s,a,r,s_}都是同一个数量级的，2、修改reward能
汀、人工智能·2023-07-16 10:30

强化学习从基础到进阶–案例与实践[11]：AlphaStar论文解读、监督学习、强化学习、模仿学习、多智能体学习、消融实验

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-07-16 08:21

强化学习从基础到进阶-案例与实践[4.2]：深度Q网络DQN-Cart pole游戏展示

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-07-16 07:46

机器学习之随机森林（Random Forest）

文章目录1.随机森林概念2.随机森林实操2.1随机森林分类及调参2.2随机森林回归2.3利用随机森林填补缺失值1.随机森林概念随机森林和随机有放回的采样（Bagging）息息相关，是从原始样本中进行m次随机有放回地提取
`AllureLove·2023-07-16 03:23

【机器学习小论文】sklearn随机森林RandomForestRegressor代码及调参

一、前言前一篇是写的线性回归模型，这一篇为随机森林，下一篇为xgboost。二、算法简介2.1随机森林概述随机森林是集成学习方法bagging类中的翘楚。与集成学习boosting类的GBDT分庭抗礼。bagging类集成学习采用的方法是：用部分数据or部分特征or多个算法训练一些模型；然后再组合这些模型，对于分类问题采用投票多数表决，回归问题采用求平均。各个模型训练之间互不影响，天生就适合并行化
小胡同1991·2023-07-16 02:22

PID参数解析+调参经验笔记（经验法）

在最前面推荐一个大佬的讲解，真的很浅显易懂，建议先看了解大概PID：链接ps：2022/1/2更新pid通俗理解：out_speed=p*err+d*now_speed;//pid最核心算法运动员参加100米跑步，假设这个人可以瞬间提速，但是无法瞬间减速到0起点：0米终点：100米/*************************************************/p=0.5，i=
Xuan-ZY·2023-07-16 00:43

机器学习学习笔记——第一章：绪论

机器学习机器学习学习笔记——第一章：绪论文章目录机器学习机器学习学习笔记——第一章：绪论机器学习即为构建一个机器调参的映射函数。要进行机器学习，先要有数据。
福旺旺·2023-07-15 17:26

机器学习学习笔记——第二章：模型评估与选择

经验误差与泛化误差1.2、过拟合与欠拟合二、三个问题三、评估方法3.1、留出法（hold-out）3.2、k折-交叉验证法（k-foldcrossvalidation）3.3、自助法（bootstrap）3.4、调参与最终模型四
福旺旺·2023-07-15 17:19

STM32控制编码器电机速度闭环实现

STM32编程直流有刷电机PID速度闭环精准变速控制电机控制例程分享（第十一期）STM32编程利用HMI做上位机调参精准PID闭环控制（第十二期）模块连接图（够乱的吧*-*）利用STM32高级定时器的互补输出模式驱动电机运行
老白同学·2023-07-15 16:30

机器学习（13）--支持向量机

五、核函数1、概述2、在不同类型数据集下使用不同核函数，进行可视化3、核函数调参4、惩罚项系数C一、支持向量机概述支持向量机（SVM）是按监督学习方式对数据进行二元分类的广义线
Struart_R·2023-07-15 08:52

强化学习从基础到进阶-案例与实践[4]：深度Q网络-DQN、double DQN、经验回放、rainbow、分布式DQN

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-07-15 05:44

深度学习调参经验：优化神经网络性能的关键八大步骤

深度学习调参经验：优化神经网络性能的关键八大步骤欢迎大家来到安静到无声的《模式识别与人工智能（程序与算法）》，如果对所写内容感兴趣请看模式识别与人工智能（程序与算法）系列讲解-总目录，同时这也可以作为大家学习的参考
安静到无声·2023-07-15 04:53

人工智能-反向传播

在设计好一个神经网络后，参数的数量可能会达到百万级别，利用梯度下降去更新参数计算复杂，算力不足，因此需要一种有效计算梯度的方法，这种方法就是辛顿提出的反向传播（简称BP），BP在调整参数时候，不用像以前一样调参
爱吃面的猫·2023-07-14 18:03

深度强化学习调参技巧：以DQN、DDPG、TD3、PPO、SAC等算法为例

深度强化学习DeepReinforcementLearning简称为DRL运行DRL算法代码（实际使用+调整参数），需要更多DL基础阅读DRL算法论文（理解原理+改进算法），需要更多RL基础深度强化学习算法能训练能智能体:机械臂取物、飞行器避障、控制交通灯、机器人移动、交易股票、训练基站波束成形选择合适的权重超越传统算法。实际使用时，问题却很多:一开始会问：算法那么多，要选哪个？训练环境怎么写？选
汀、人工智能·2023-07-14 15:18

多智能体强化学习（MARL）研究汇总：行为分析、通信学习、协作学习、智能体建模

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-07-14 15:48

基于 BPF 的 Linux 系统自动调优工具：Oracle 开发了 “bpftune”

Linux内核包含超过1,500个可调参数，bpftune会随着系统的状态不断地
云计算运维工程师·2023-07-14 12:47

有没有后端程序员想要兼职的？

有一个非常有意思的现象：后端看不起前端，认为前端是好入门，含金量低，一下就能学会的页面侠；前端看不起后端，认为后端是每天CRUD、调参、拿来主义的搬砖工；而实际上，大家都是给老板打工的，最后都是要被chatgpt
程序员小范·2023-07-14 04:15

深度学习调参技巧

一、常用的网络模型训练技巧？使用更大的batchsize。使用更大的batchsize可以加快训练的进度。但是对于凸优化问题，收敛速度会随着batchsize的增加而降低。所以在相同的epoch下，使用更大的batchsize可能会导致验证集的acc更低。所以可以使用以下技巧来解决问题。(1)linearscalinglearningrate。使用更大的学习率，例如，当我们选择初始学习率为0.1，
小小小~·2023-07-13 22:55

Layui之可调参数的动态轮播图---好玩的小玩意儿~

⭐本期精彩：利用Layui制作轮播图效果图：前台代码：JS代码：设置长宽高的事件代码：//事件carousel.on('change(test1)',function(res){console.log(res)});var$=layui.$,active={set:function(othis){varTHIS='layui-bg-normal',key=othis.data('key'),opt
姿势不太差·2023-07-13 15:58

关于PID算法的一些调参经验总结

关于PID算法的一些调参经验总结前言：该文为经验学，经验学并不为理论。不涉及理论，并仅分析过程中遇到的各种问题，以及问题的解决方法。
衾许°·2023-06-24 05:52

数学建模经验总结

所为的学习就是不断调整参数的过程，调参的方法还是那些几百年前牛顿、拉格朗日等研究出来的算法，还有巨多的数学方法没用到算法中。数学建模各种算法实现过程中，我的大部分时间都花在特征工程上。
·2023-06-24 04:22

机器学习的学习曲线

2.绘制学习曲线3.使用学习曲线调整模型超参数4.使用学习曲线诊断模型性能4.1良好拟合4.2诊断不具代表性的数据集1.不具代表性的训练集2.不具代表性的验证集5.问题总结6.参考1.简介  通常模型调参可通过网格搜索的方式进行搜索实验
tinstone·2023-06-24 02:37

vue v-model.number 和 type=“number“详解

v-model.number和v-model的值都不会转为Number类型当两个input都输入数字时，v-model.number的值会转为Number类型，v-model的值还是String类型（注意：change方法的回调参数
qq_46302247·2023-06-23 22:27

强化学习从基础到进阶-案例与实践[3]：表格型方法：Sarsa、Qlearning；蒙特卡洛策略、时序差分等以及Qlearning项目实战

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-06-23 21:00

强化学习从基础到进阶-常见问题和面试必知必答[3]：表格型方法：Sarsa、Qlearning；蒙特卡洛策略、时序差分等以及Qlearning项目实战

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-06-23 21:30

Makefile:140: recipe for target ‘all‘ failed make: [all] Error 2 Invoking “make -j4 -l4“ failed

  当我在Ubuntu20.04中对全局规划器global_planner的参数文件GlobalPlannerConfig.h进行修改后，编译成功，并可正常使用，新增的动态调参功能，但当我将功能包放置到
慕羽★·2023-06-23 21:20

清华青年AI自强项目核心内容总结

文章目录讲座梗概第1讲：AI鸟瞰与升级指南第2讲：机器学习入门第3讲：经典神经网络第4讲：深度神经网络第5讲：卷积神经网络第6讲：视觉分类任务第7讲：视觉探测任务第8讲：实例与调参本文主要梳理总结学习清华大学青年
来知晓·2023-06-23 13:35

matlab调用c语言步骤以及传递图像数组时遇到的bug

MexFunction函数5.编写.m文件6.bug7.结果参考链接前言今天用了一天的时间在如何在matlab脚本上调用c语言，遇到了几个bug，原本想的是用c语言去处理图像，matlab显示图像的处理结果，方便调参
LXJSWD·2023-06-23 06:58

机器学习实践(1.1)XGBoost分类任务

相比越来越流行的深度神经网络，XGBoost能更好的处理表格数据，并具有更强的可解释性，还具有易于调参、输入数据不变性等优势。
赫加青空·2023-06-22 08:38

机器学习实践(1.2)XGBoost回归任务

相比越来越流行的深度神经网络，XGBoost能更好的处理表格数据，并具有更强的可解释性，还具有易于调参、输入数据不变性等优势。
赫加青空·2023-06-22 08:06

“房地一体”专用系列：DG3M、D2M产品发布

功能介绍M系列具备部分高端Pros系列的功能，开放了调参功能和快速存储功能，具备更强的环境适应能力和便捷性。1▪统一存储模块M系列配备两组Pros系列特有的插
智慧园区·2023-06-21 22:14

强化学习从基础到进阶-常见问题和面试必知必答[2]：马尔科夫决策、贝尔曼方程、动态规划、策略价值迭代

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-06-21 04:16

强化学习从基础到进阶-案例与实践[1]：强化学习概述、序列决策、动作空间定义、策略价值函数、探索与利用、Gym强化学习实验

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-06-21 04:15

2018年我交出了一份成绩单:迷茫与坚定

在市里借调时展露头角，多次借调参与市里工作，得到领导认可。(2)问题:新工作似乎不是
呆呆小蘑菇·2023-06-21 02:40

强化学习从基础到进阶-案例与实践[2]：马尔科夫决策、贝尔曼方程、动态规划、策略价值迭代

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-06-20 14:35

大模型高效调参—PEFT库（ Parameter-Efficient Fine-Tuning）

介绍在面对特定的下游任务时，如果进行FullFineTuning（即对预训练模型中的所有参数都进行微调），太过低效；而如果采用固定预训练模型的某些层，只微调接近下游任务的那几层参数，又难以达到较好的效果。PEFT（Parameter-EfficientFine-Tuning）是一个用于在不微调所有模型参数的情况下，有效地将预先训练的语言模型（PLM）适应各种下游应用的库。PEFT方法只微调少量（额
桂花很香,旭很美·2023-06-20 12:59

大模型-DeltaTuning：①增量式（原模型参数不变，插入可微调参数层）、②指定式（原模型参数冻结一部分参数，微调一部分参数）、③重参数化式（将原模型参数层改造，比如插入低秩）

【随着模型增大，各方案区别不大】统一框架：《TowardsaUnifiedViewofParameter-EfficientTransferLearning》GitHub-thunlp/PromptPapers:Must-readpapersonprompt-basedtuningforpre-trainedlanguagemodels.GitHub-thunlp/DeltaPapers:M
u013250861·2023-06-20 12:28

Git基础命令操作：创建本地分支、更新合并、远程提交

为什么要用Git软件开发，深度学习调参，代码肯定会有各种各种的改变，说不定这个版本还能运行，下个版本就GG了，与其找半天bug甚至根本找不出来还不如回滚旧版本。Git有两种使用
·2023-06-19 15:55

强化学习调参技巧二：DDPG、TD3、SAC算法为例：

1.训练环境如何正确编写强化学习里的env.reset()env.step()就是训练环境。其编写流程如下：1.1初始阶段：先写一个简化版的训练环境。把任务难度降到最低，确保一定能正常训练。记录正常训练的智能体的分数，与随机动作、传统算法得到的分数做比较。DRL算法的分数应该明显高于随机动作（随机执行动作）。DRL算法不应该低于传统算法的分数。如果没有传统算法，那么也需要自己写一个局部最优的算法评
·2023-06-19 12:51

【技术博客】GPU 编程之从零开始实现 MNIST-CNN

从事深度学习的工作者常常自嘲自己为“炼丹师”，因为日常工作是：搭网络，调参，调参，调参......作为刚入
·2023-06-19 12:40

使用 CPU 本地安装部署运行 ChatGLM-6B 获得自己的专属 AI 宠物

可以本地安装部署运行在消费级的显卡上做模型的推理和训练（全量仅需14GB显存，INT4量化级别下最低只需6GB显存）虽然智商比不过openAI的ChatGPT模型，但是ChatGLM-6B是个在部署后可以完全本地运行，可以自己随意调参
柴神·2023-06-19 06:54

Grid-search 用于参数选择

转:https://www.cnblogs.com/ysugyl/p/8711205.html定义GridSearch：一种调参手段；穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果
dimmy·2023-06-19 02:46

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等)、趣味项目实现、学术应用项目实现

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现对于深度强化学习这块规划为：基础单智能算法教学（gym环境为主）主流多智能算法教学
汀、人工智能·2023-06-18 11:18

强化学习基础篇【1】：基础知识点、马尔科夫决策过程、蒙特卡洛策略梯度定理、REINFORCE 算法

【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理+项目实战、相关技巧（调参、画图等、趣味项目实现、学术应用项目实现专栏详细介绍：【强化学习原理+项目专栏】必看系列：单智能体、多智能体算法原理
汀、人工智能·2023-06-18 11:45

【AI实战营第二期】第三次作业——基于 RTMDet 的气球检测（包含数据集）

任务：基于提供的notebook，将cat数据集换成气球数据集;按照视频中notebook步骤，可视化数据集和标签;使用MMDetection算法库，训练RTMDet气球目标检测算法，可以适当调参，提交测试集评估指标
AI浩·2023-06-17 15:05
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他