调参第17页

实用 Kaggle 竞赛之随机森林 Random Forrest 的评估及调参

“本文内容的诉求为实用、易上手，所以理论的内容以及公式只做少量的解释，并不着重涉及。“本节内容：1。评价函数——如何评价模型的好坏2。测试集、验证集、训练集——防止过拟合的验证集3。RF的超参数设置——如何tune模型-一颗决策树的形成n_estimators-随机森林bootstrapping-数据量太小怎么办oob_score-max_samples_leaf,max_features上一节我

Rita_曾小辰·2023-02-06 02:44

线性回归、交叉验证、最优调参

一、普通的线性模型importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromsklearn.linear_modelimportLinearRegressionfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStanda

ss_6bda·2023-02-05 21:18

廿柒- 客制化爬虫以及爬虫调参

1.前文提要前期用Python做了某些爬虫，但是发现有几个问题：爬的内容有很多未完全读取网页内容的信息前期只爬取tag为的信息，但其实很多内容在中，但直接爬会有很多垃圾信息广告页面信息清理前期文章：廿陆-Python爬虫异步改为同步加多进程以及某著名社交网站爬虫设想廿伍-爬虫接受JS渲染2.关于客制化爬虫2.1信息内容捉取例如天涯论坛，你会看到很多内容均存在在div中而不是在p中，但如果把所有di

小秉子·2023-02-05 18:28

模型调参——随机森林在乳腺癌数据集上的调参应用

一、数据集Sklearn自带数据集——乳腺癌数据集二、模型选择乳腺癌数据集是二分类模型，选择随机森林模型进行调参三、调参流程1）简单建模，观察模型在数据集上具体的表现效果2）调参——n_estimators3

YUENFUNGDATA·2023-02-05 14:20

【数据聚类】第四章第一节3：DBSCAN性能分析、优缺点和参数选择方法

文章目录七：性能分析八：优缺点（1）优点（2）缺点九：参数选择（1）修改参数的基本原则（2）根据`K-dist`图调参十：DBSCAN算法和K-Means算法比较七：性能分析DBSCAN算法对数据集中的每个点都要检索其邻域内的所有点

快乐江湖·2023-02-05 14:25

构建我的图像分类框架记录

构建我的图像分类框架记录参考资料数据集cifar10模型选择mobilnet系列参考博客评价指标训练trick整理调参网络结构调优resnet系列学习衰减策略标签平滑知识蒸馏数据增强ｍｉｘｕｐ参数值的设置优化批归一化

慕一Chambers·2023-02-05 10:43

超级全面的 AI 绘画工具合集

国内外可使用绘画的平台国内国外使用教程自建教程调参教程新闻资料（周更）Notion地址：https://www.notion.so/qiufeng/06fab45ec290447ba41c3fd

最常用·2023-02-05 09:19

Vision Transformer详解 VIT详解

VisionTransformer详解VIT详解通用深度学习网络效果改进调参训练公司自己的数据集，训练步骤记录：代码实现version-Transformer网络各个流程，以此实现一下模块：1、PathEmbedding

郭庆汝·2023-02-04 12:24

机器学习10-信用卡反欺诈模型

文章目录1.数据准备2.数据采样3.建模与调参最终代码1.数据准备#信用卡反欺诈模型#识别数据中的虚假信息importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt

哎呦-_-不错·2023-02-04 10:57

关于第一次深度学习项目的总结

这是第一次从头开始操作一个深度学习项目，从数据预处理，model设计，搭建，训练，调参，基本上整个流程都走了一遍半年之前我将计算机视觉几个任务的主要模型都熟悉了，像分类任务的vgg,alexnet,目标检测的

hands_up_down·2023-02-04 09:22

OpenMMLab AI 实战营 Day 2 笔记

我最先想到的就是先提取特征，然后做Clustering&Classifying，但是毕竟，传统的对矩阵提取特征的方法（PCA，RDA等）容易丢失太多信息，而且大部分聚类还是离不开距离或者传统的概率模型，往往还要各种调参

Ecron·2023-02-04 07:11

非畅6 1·2023-02-04 00:03

ccc-sklearn-17-XGBoost（3）

文章目录XGBoost的应用中的问题1.过拟合：剪枝参数与回归模型调参2.默认参数下交叉验证曲线3.通过剪枝与对比来展示参数调节的结果4.XGBoost模型的保存与调用pickle保存pickle调用Joblib

扔出去的回旋镖·2023-02-04 00:52

多旋翼无人机APM(PIX)飞控ardupilot missionplanner扩展调参、基本调参（PID调参)

目录1APM(PIX)飞控ardupilotmissionplanner扩展调参、基本调参默认值2CopterHome3调参各部分的解析示意图4在飞行中调roll和pitch（以遥控输入第六通道调参为例

WQUAV·2023-02-03 16:15

OpenMMLab训练营笔记（一）

二、OpenMMLab简介OpenMMLab算法训练--部署一体化，集成了多数视觉算法，省去了调参等步骤，极大程度上简化了模型训练部署流程

薛定谔的 code·2023-02-03 15:02

PaddlePaddle之图像分割7日打卡营（学习笔记）

https://aistudio.baidu.com/aistudio/course/introduce/1767课程介绍：全球顶会审稿人亲授，全直播手把手理论指导+现场逐行coding，带大家告别只会调参和调包

LOVECTGU·2023-02-03 14:53

深度学习调参经验分享（遥感建筑提取）

1.1初识明确遥感解译任务目标，观察遥感影像和标注的基本形态和分布，地物特征（1）看数据标注是否存在噪声？（因为比赛时他的影像和标注时间不一定一致，导致标注本身不一定完全正确）1对于标记噪声是否进行人工清洗（不推荐，比赛中A榜存在问题，我么清洗了在A榜精度提升了，但是B榜也可能存在问题，那时候我们没有办法在改了）；2考虑labelsmoothing降低对于标签的信心（2）数据之间是否存在同物易谱（

遥感干饭打工人·2023-02-03 12:29

【ROS-Navigation】—— DWA路径规划算法解析

path.launch1.3nav04_amcl.launch1.4nav05_path.launch1.5move_base_params.yaml1.6dwa_local_planner_params.yaml2.调参时的一些经验与心得

yuan〇·2023-02-03 07:40

我的自白：爱拼才会赢

７、８、９月份正是处理厂技改项目施工关键阶段，如果被抽调参加集训，手头工作需要全部交由同事承担，一定会增加同事的工作量，同时也会影响到他的轮休时间。

静儿歌·2023-02-03 04:07

视觉slam线匹配算法

该算法被设计成自适应模式，无需手动调参。opencv使用头文件及命

Kris_u·2023-02-02 23:37

2018-09-03 阅读笔记

PostgreSQL调参原文链接摘要：PostgreSQL默认的配置并没有为应用做特殊的优化，然而有许多参数是有优化空间的，譬如：shared_bufferPostgreSQL有两级缓存，自己的缓存shared_buf

康某·2023-02-02 09:54

核函数与核方法整理

lagoon_lala·2023-02-01 20:10

pytorch-lightning中使用wandb实现超参数搜索

vision-languagemodeling)的训练架构，如Vilt代码中：https://github.com/dandelin/ViLT，这类架构中只涉及到预训练，但是在下游任务中微调没有出现如何调参的过程

羊飘·2023-02-01 20:36

2020年深度学习调参技巧合集

文|山竹小果源|NewBeeNLP编|夕小瑶的卖萌屋重点说明：本文主要为整理总结，大部分参考文末资料，感谢分享。寻找合适的学习率学习率是一个非常非常重要的超参数，这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。比如下图利用fastai中的lr_

人工智能与算法学习·2023-02-01 17:13

***机器学习/深度学习调参方法

本文主要整合了网络资源关于调参的一些见解，具体内容如下：一、机器学习调参方法1、超参数调节方法：手动调参需要experiencegridsearch类深度学习“规则搜索”随机搜索类深度学习“随机搜索”自动贝叶斯调参假设我们要调节的参数集为

Sarah ฅʕ•̫͡•ʔฅ·2023-02-01 17:12

深度学习这么调参训练_天桥调参师秘籍：一份深度学习超参微调技术指南

有时候他们自嘲自己为“天桥调参师”。当然，算法工程师的工作内容并没有那么简单，因为设置超参数的过程需要专业知识和广泛的试验和试错过程。

吾酔淸風·2023-02-01 17:41

深度神经网络调参——实用指南

整理自《HandsOnML》——chapter11DNN有很多参数可以调节，如何选择各种参数的设置是个难题。（1）Table11-2在很多问题中表现都很好。表中的参数有时候需要调节：（a）如果找不到合适的learningrate（太小收敛太慢；太大不够准确），可以尝试指数衰减（exponentialdecay）的learningschedule。（b）如果训练集太小了，可以尝试dataaugmen

南瓜派三蔬·2023-02-01 17:38

深度学习调参指南《Deep Learning Tuning Playbook》

项目地址：https://github.com/google-research/tuning_playbook「大量的实践经验已被提炼成这份强大的深度学习模型调参指南。」

mingo_敏·2023-02-01 17:03

LSTM预测中国疫情确诊数据调参分析

0.如何调参基础参数model=Sequential()model.add(GRU(1000,input_shape=(train_X.shape[1],train_X.shape[2])))model.add

立志当大佬·2023-02-01 14:17

谷歌大脑深度学习炼丹指南出炉，Hinton点赞！

编辑|机器之心点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群「大量的实践经验已被提炼成这份强大的深度学习模型调参指南。」

自动驾驶之心·2023-02-01 12:24

深度学习调参（炼丹）指南来了！

Datawhale干货方向：深度学习调参，编辑：机器之心「大量的实践经验已被提炼成这份强大的深度学习模型调参指南。」——GeoffreyHinton。众所周知，AI的超参数决定着模型学习效果和速度。

Datawhale·2023-02-01 12:24

Deep Learning Tuning Playbook（深度学习调参手册中译版）

前言由五名研究人员和工程师组成的团队发布了《DeepLearningTuningPlaybook》，来自他们自己训练神经网络的实验结果以及工程师的一些实践建议，目前在Github上已有1.5k星。原项目地址本文为《DeepLearningTuningPlaybook》中文翻译版本，全程手打，非机翻。因为本人知识水平有限，翻译过程中可能有误，随时欢迎大家指出错误，我会随时更正。我将markdown文

羽星_s·2023-02-01 12:22

bert-lstm调参记录

11-6第一次跑全量数据#定义全局超参数batch_size=64lr=4e-5dropout=0.15epoch=5max_length=512#句子长度sent_hidden_size=512#隐藏层维度sent_num_layers=2lstm_dropout=0.5-------------------------------*****Runningtrainingepoch1*****E

神洛华·2023-02-01 10:05

【调参Tricks】WhiteningBERT: An Easy Unsupervised Sentence Embedding Approach

总述该文主要介绍了三种使用BERT做SentenceEmbedding的小Trick，分别为：应该使用所有tokenembedding的average作为句子表示，而非只使用[CLS]对应位置的表示。在BERT中应该使用多层的句向量叠加，而非只使用最后一层。在通过余弦相似度做句子相似度判定的时候，可以使用Whitening操作来统一sentenceembedding的向量分布，从而可以获得更好的句

lwgkzl·2023-02-01 10:34

学习笔记-Bert及其变体调参经验

Bert调参：1、bert的微调可以将参数设置为：bachsize：设置为16或者32learningrate（Adam）：5e-5、3e-5、2e-5（比较小的学习率）numofepochs：2，3，

吉庆@数据安全·2023-02-01 10:04

RoBERTa：一种鲁棒地优化BERT预训练的方法

RoBERTa：一种鲁棒地优化BERT预训练的方法前言背景实验静态VS动态Masking输入形式与NSP任务更大的batch_size更大的BPE词汇表总结使用最后前言本文提出了一种对BERT预训练进行精细调参和调整训练集的方法

beyourselfwb·2023-02-01 10:04

天池&Datawhale-零基础入门数据挖掘Task4

评价函数与目标函数；交叉验证方法；留一验证方法；针对时间序列问题的验证；绘制学习率曲线；绘制验证曲线；3、嵌入式特征选择：Lasso回归；Ridge回归；决策树；4、模型对比：常用线性模型；常用非线性模型；5、模型调参

微微微微辣·2023-02-01 03:59

（笔记）深度学习基本概念理解01

（这种规律：通过模型架构+调参得到)深度学习步骤1.初始化一个模型（参数可随机取）+带标签的训练集和测试集（验证集）。2.训练集带入模型得到结果。3.得到的结果和真实结果做比较，其中的差距就是损失。

·2023-02-01 00:54

【Cartographer参数详解，调参，降低计算量调优笔记记录】

Cartographer学习记录文章目录Cartographer学习记录前言一、cartographer参数详解二、.lua文件参数详解1.rs16_2d_outdoor.lua2.trajectory_builder.lua3.trajectory_builder_2d.lua3.trajectory_builder_3d.lua4.map_builder.lua5.pose_graph.lua

xjblalala·2023-01-31 19:47

【李宏毅2022 机器学习春】hw4_Self-Attention（接近 strong baseline，等待改进中）

4Self-Attention】Speakerclassification记录（双过strongbaseline）（待改进）做了conformer却没达到strongbaseline，参数用的默认参数（没有调参

I"ll carry you·2023-01-31 18:54

几乎0操作体验AI生成绘画，不能再小白了！#playgroundai

‍‍用DiscoDiffusion不会调参数，StableDiffusion不会找关键词，Midjourney要付费，DALLE2没申请到体验名额......尽管现在AI生成工具已经遍地开花，也几乎是0

shadowcz007·2023-01-31 17:47

CatBoost自动调参—Optuna和Hyperopt耗时和效果对比

1、摘要本文主要讲解：Optuna和Hyperopt性能对比2、数据介绍如需数据请私聊3、相关技术optuna主要的调参原理如下：1采样算法（随机搜索）利用suggested参数值和评估的目标值的记录，

AI信仰者·2023-01-31 17:17

我的开源之路：耗时 6 个月发布线程池框架，GitHub 1.7k Star！

对这方面功能有需求的小伙伴可以入手了哈～Hippo4J简介Hippo4J基于美团动态线程池设计理念开发，针对线程池增强动态调参、监控、报警功能。

是龙台呀·2023-01-31 17:26

手把手带你调参Yolo v5（一）

来源：投稿作者：王同学编辑：学姐YOLO系列模型在目标检测领域有着十分重要的地位，随着版本不停的迭代，模型的性能在不断地提升，源码提供的功能也越来越多，那么如何使用源码就显得十分的重要，接下来我会通过两篇文章带大家手把手去了解Yolov5（v6.1）的每一个参数的含义，并且通过具体的图片例子让大家明白每个参数改动将会给网络带来哪些影响。1.代码获取方式项目地址：https://github.com

深度之眼·2023-01-31 12:08

谷歌&HuggingFace | 零样本能力最强的语言模型结构

但有一件事让人非常疑惑：19年T5通过“调参”发现

数据派THU·2023-01-31 10:04

数据挖掘实践任务3

（不需要考虑模型调参）时间:2天我的结果importpandasaspdimportwarningsfromsklearn.preprocessingimportscalefromsklearn.model_selectionimportcross_val_scorefromsklear

乌和兔·2023-01-31 00:54

手把手带你调参Yolo v5 (v5.0-v7.0)（一）

手把手带你调参Yolov5(v5.0-v7.0)（一）如果感觉有帮助的话请点赞支持下更新日志：2022/5/3修改了4.2.12一处图片标注错误更新日志：2022/5/17对部分图片添加水印更新日志：2022

AiCharm·2023-01-30 12:26

GCDMulticastDelegate使用（多播委托）

有什么方式即可以“一对多”回调，又可以明确回调参数类型呢！答案是有的，就是我们今天介绍的GCDMulticastDelegate1、GCDMult

落寞绅士·2023-01-29 23:37

Xgboost原理与Sklearn参数详解

目录1、Xgboost原理2、总结1、Xgboost原理Xgboost2、总结：本文主要分析了Xgboost和GBDT原理上的区别，并总结了Xgboost核心参数，以及调参的主要流程及方法。

易码当先·2023-01-29 21:06

SVM.SVC调参实战总结与指南

一、APISVC(C=1.0,kernel=’rbf’,degree=3,gamma=’auto_deprecated’,coef0=0.0,shrinking=True,probability=False,tol=0.001,cache_size=200,class_weight=None,verbose=False,max_iter=-1,decision_function_shape=’ov

NanciZhao·2023-01-29 16:50

推荐频道

调参

实用 Kaggle 竞赛之 随机森林 Random Forrest 的评估及调参