过拟合

三、多层感知机及模型优化

多层感知机1.1隐藏层1.1.1什么叫隐藏层1.1.2为什么需要隐藏层1.2激活函数1.2.1ReLU函数1.2.2Sigmoid函数1.2.3tanh函数1.3多层感知机的代码实现二、模型选择、欠拟合和过拟合
穆_清·2023-06-23 05:45

对正则化的理解

在训练模型的时候，可能会遇到网络过拟合的问题，解决这个问题主要的方法有数据增强、Dropout、DropConnect、早停、以及正则化，这里记录一下常见的正则化方法及其特点。
静待梅花开·2023-06-22 23:02

基于python的数据集扩充增强

前言  数据增强技术在深度学习中得到了广泛的应用，它能够有效地扩充训练数据集的大小，提高模型的泛化能力，同时也能够有效地防止过拟合现象的发生。
小张Tt·2023-06-22 22:49

【机器学习】——续上：卷积神经网络（CNN）与参数训练

权值共享能够避免算法过拟合，通过拓补结构建立层与层间非全连接空间关系来降低
柯宝最帅·2023-06-22 21:45

机器学习思考题目——13卷积神经网络（CNN）

（a）由于只是局部连接，同时高度复用weight，CNN比全连接DNN少很多参数，这使得它训练更快，减少了过拟合的风险，需要的训练集小得多。
南瓜派三蔬·2023-06-22 21:15

机器学习入门（九）——正则化：L1正则、L2正则

在系列（八）中提到了机器学习最重要就是降低模型的方差，即解决过拟合的问题，其中最重要的一种方法就是模型正则化，通常有L1正则和L2正则。
yyoung0510·2023-06-22 11:20

四、卷积神经网络整体基础结构

一、计算机发展应用神经网络主要用于特征提取卷积神经网络主要应用在图像领域，解决传统神经网络出现的过拟合、权重太多等风险1，CV领域的发展Computervision计算机视觉的发展在2012年出现的AlexNet
beyond谚语·2023-06-22 10:03

神经网络：正则化

作用：正则化在计算机视觉中的作用是控制模型的复杂度，减少过拟合，提高模型的泛化能力。过拟合是指模型在训练数据上表现良好，但在未见过的测试数据上表现较差的情况。
Make_magic·2023-06-22 07:11

【深度学习】5-3 与学习相关的技巧 - Batch Normalization

抑制过拟合(降低Dropout等的必要性)。BatchNorm的思路是调整各层的激活值分布使其拥有适当
loyd3·2023-06-21 16:55

【深度学习】5-4 与学习相关的技巧 - 正则化解决过拟合（权值衰减，Dropout）

机器学习的问题中，过拟合是一个很常见的问题。过拟合指的是只能拟合训练数据，但不能很好地拟合不包含在训练数据中的其他数据的状态。
loyd3·2023-06-21 16:55

【深度学习】5-2 与学习相关的技巧 - 权重的初始值

可以将权重初始值设为0吗后面我们会介绍抑制过拟合、提高泛化能力的技巧——权值衰减。权值衰减就是一种以减小权重参数的值为目的进行学习的方法。如果想减小权重的值，一开始就将初始值设为较小的值才是正途。
loyd3·2023-06-21 16:25

【MindSpore:跟着小Mi一起深度学习吧！】正则化

向全局最小值的收敛过程较慢，容易掉入局部极小值的陷阱导致预测结果不好而产生测试数据过拟合等现象。因此深度学习中的正则化与优化策略一直是非常重要的部分，它
·2023-06-21 14:10

文本生成过拟合，泛化时语句不通！文本生成欠拟合，泛化时多样性差！

文本生成模型的过拟合，会导致泛化时语句不通！文本生成模型的欠拟合，会导致泛化时多样性差！经验之结论：随着train-loss降低，对测试集生成的多样性确实会提升，但语句不通率也在提升。
CoderOnly·2023-06-21 13:06

NeurIPS 2022｜DeepMind最新研究：大模型背后的ICL可能与数据分布密切相关

：大模型背后的ICL可能与数据分布密切相关大模型自然语言处理机器学习传统的文本语言模型倾向于两阶段的训练模式，即首先在大规模语料库上进行预训练，然后在目标下游任务上进行微调，这种方式会受数据标注质量和过拟合等多方面的影响
AI生成曾小健·2023-06-21 13:55

深入解析线性回归（Linear Regression）实现

在线性回归中，我们尝试通过拟合一个线性方程来预测目标变量的数值。对于简单线性回归，假设只有一个输入特征和一个目标变量，线性
旧言.·2023-06-21 06:28

R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归应用分析|附代码数据

可以通过拟合模型进行各种预测。
·2023-06-20 22:26

拓端数据(tecdat):R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归应用分析

可以通过拟合模型进行各种预测。它还可以拟合多元线性回归。”例子加载数据这里加载了一个高斯(连续Y)
·2023-06-20 22:19

R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归应用分析|附代码数据

可以通过拟合模型进行各种预测。
·2023-06-20 22:48

积神经网络 GoogLeNet

但这种方式存在以下问题：（1）参数太多，如果训练数据集有限，很容易产生过拟合；（2）
·2023-06-20 16:06

【白话机器学习系列】白话 Dropout

该思想是为了防止共同适应（co-adaptation），神经网络变得过于依赖特定的连接，因为这可能是过拟合的症状
JarodYv·2023-06-20 13:22

YOLOv3

4、BN层接在每次卷积层后面，作为正则化、加速收敛、避免过拟合的方法。5、多尺度训练，在速度和准确率之
Mr_Stark的小提莫·2023-06-19 19:32

线性分类器

目录结构图图像类型：什么是线性分类器线性分类器的矩阵表示线性分类器的权重向量线性分类器的决策边界损失函数多类支撑向量机损失正则项损失L0、L1、L2正则化参数优化更新权重W优化方法梯度算法改进权重初始化应对过拟合结构图图像类型
小鹿学程序·2023-06-19 14:48

如何基于stable diffusion训练出自己的模型，给出详细的python代码

Stablediffusion是一种基于最小化相对熵的机器学习方法，旨在解决在机器学习中常见的过拟合问题。它通过在模型训练过程中引入一个惩罚项来限制模型的复杂度，从而使模型更稳定。
Jacob Piao·2023-06-19 12:26

【人工智能】— 神经网络、前向传播、反向传播、梯度下降、局部最小值、多层前馈网络、缓解过拟合的策略

【人工智能】—神经网络、前向传播、反向传播前向传播反向传播梯度下降局部最小值多层前馈网络表示能力多层前馈网络局限缓解过拟合的策略前向传播和反向传播都是神经网络训练中常用的重要算法。
之墨_·2023-06-19 06:23

【期末总复习】神经网络与深度学习蒲公英书

浅层学习one-hot向量相似度的概念局部表示和分布式表示示例学习器准确率机器学习的三个基本要素：模型、学习准则、优化算法【概念】期望风险【概念】损失函数【运用】三分类问题【概念】过拟合【概念】欠拟合超参数
hellenionia·2023-06-18 23:23

深度学习模型训练的一些小技巧（过拟合如何处理，超参数的选取）

四、本轮学习中学到的一些小技巧：1.过拟合问题如何处理过拟合是指模型对训练数据拟合程度过当的情况，反映在评估指标上，就是模型在训练数据上表现很好，但是在测试数据和新数据上表现较差。
机器herry_y·2023-06-18 18:34

pytorch搭建AlexNet网络实现花分类

网络概述分析二、数据集准备下载划分训练集和测试集三、代码model.pytrain.pypredict.py一、AlexNet网络概述使用Dropout的方式在网络正向传播过程中随机失活一部分神经元，以减少过拟合分析对其中的卷积层
张嘉烘·2023-06-18 15:07

对Pytorch中ResNet源码的探讨

不过还是得抓紧学习啊，毕竟对象找不到，那工作就是第二件大事啦ResNet的重要性应该是不言而喻：随着网络深度的增加，网络开始出现退化现象，即深层网络的性能还不及浅层网络（注意：这既不是梯度消失/爆炸，也不是过拟合
深度科研·2023-06-18 11:50

如何用 Python 和深度迁移学习做文本分类？

一文中，我为你详细介绍了迁移学习给图像分类带来的优势，包括：用时少成本低需要的数据量小不容易过拟合有的同学，立刻就把迁移学习的这种优势，联系到了自己正在做的研究中，问我：老师，迁移学习能不能用在文本分类中呢
城市中迷途小书童·2023-06-18 09:39

EdgeYOLO：边缘设备实时运行目标检测器及Pytorch实现

代码地址：https://github.com/LSH9832/edgeyolo概述研究者开发了一种增强的数据增强方法来有效抑制训练过程中的过拟合，并设计了一种混合随机损失函数来提高小目标的检测精度。
奥比中光3D视觉开发者社区·2023-06-17 14:41

d2l学习_第三章线性回归/欠拟合过拟合/权重衰减

x.1LinearRegressionTheoryx.1.1Model线性回归的模型如下：我们给定d个特征值x1,x2,...,xdx_1,x_2,...,x_dx1,x2,...,xd，最终产生输出yhat，我们产生的yhat要尽量拟合原来的值y，在这一拟合过程中我们通过不断修改w1,...,wd和bw_1,...,w_d和bw1,...,wd和b来实现。x.1.2StategyorLoss如何
樱木之·2023-06-17 07:27

CV方向如何找到适合自己的研究创新点？

用它的模型去尝试一个新场景的数据集，因为它原来的模型很可能是过拟合的。如果在新场景下精度下降的厉害
呼叫冰河谷·2023-06-16 22:44

Focal Loss介绍

一.FocalLoss  在深度学习训练的时候，在遇到目标类别不平衡时，如果直接计算损失函数，那么最终计算的结果可能会偏向于常见类别，低召回率，模型过拟合等问题。
I松风水月·2023-06-16 14:51

心法利器[85] | 算法技术和职业规划

往期回顾心法利器[80]|稳定性和过拟合问题真的重要吗心法利器[81]|chatgpt下非端到端方案是否还有意义心法利器[82]|c
机智的叉烧·2023-06-16 12:34

正则化为什么能防止过拟合（重点地方标红了）

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。
婉妃·2023-06-16 09:02

Stable Diffusion web UI之X/Y/Z plot使用

一、安装环境配置PASSCFGScale配置的越高，SD生成的图会更贴用户提供的prompt来进行生成，AI的自由度会下降，生成人物的时候特别需要注意，对于手脚脸部，过高的值更容易造成过拟合还有画面崩坏
库博酱·2023-06-15 20:41

机器学习（西瓜书）简答题总结

集成学习的主要特点包括：1.模型的泛化能力的强，减少过拟合和欠拟合的风险。2.预测性能好：由于集成学习可以组合多个弱学习器，所以它可以将多个模型的优点进行整合，从而提高整体的预测性能。
IT胡图图·2023-06-15 12:33

过拟合与欠拟合

过拟合过拟合是指所建的机器学习模型或者深度学习模型在训练样本中表现的过于优越，导致在验证数据集以及测试集中表现不佳。
头大的一批·2023-06-14 15:54

day10——线性回归的改进之岭回归

线性回归的改进之岭回归一、过拟合和欠拟合二、正则化类别三、岭回归四、实操：波士顿房价预测一、过拟合和欠拟合1，欠拟合如下所示，机器学习到的天鹅特征太少了，导致区分标准太粗糙，不能准确识别出天鹅。
张嘉烘·2023-06-14 10:57

AI：拿来主义——预训练网络（二）

我们猜测和之前的实验，我们有这样的共识，数据量越少，网络的特征节点越多，会越容易导致过拟合，这当然不是我们所希望的，但对于那些预先训练好的模型，还有可能最终无法很好的完成所要做的工作，因此我们还需要对其更改
·2023-06-14 10:47

深度学习之l2正则,weight decay,momentum,batchsize,lr超参数之间的关系

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。
专注于计算机视觉的AndyJiang·2023-06-14 02:41

多分类问题与卷积模型的优化

文章目录1.创建自定义Dataset类2.基础卷积模型3.Dropout抑制过拟合4.批标准化5.学习速率衰减6.最终优化整合代码首先导入用到的库:importtorchimporttorch.nnasnnimporttorch.nn.functionalasFimporttorch.optimasoptimimportnumpyasnpimportmatplotlib.pyplotaspltim
冰履踏青云·2023-06-13 07:57

机器学习-11 BP神经网络

网络结构反馈神经网络自组织神经网络神经网络相关概念激活函数Sigmoid函数tanh双曲正切函数ReLU函数LeakyRuLU函数Maxout函数激活函数的选择损失函数Softmax交叉熵均方差损失函数自定义函数学习率过拟合模型训练中的问题神经网络效果评价神经网络介绍神经网络的训练目的是希望能够学习到一个模型
so.far_away·2023-06-13 04:12

深度学习笔记之卷积神经网络(三)卷积示例与池化操作

深度学习笔记之卷积神经网络——卷积示例与池化操作引言卷积神经网络：卷积层卷积层的计算过程池化层描述池化层的作用——降低模型复杂度，防止过拟合池化层执行过程池化层代码示例池化层的作用——平移不变性卷积加池化作为一种无限强的先验池化层的反向传播过程引言上一节介绍了卷积的另一特点
静静的喝酒·2023-06-12 19:33

应对数据不平衡和过拟合的分类模型优化策略

不平衡分类数据类别不平衡问题是指数据集中各类别样本数量不对等的情况。基于抽样的方法在处理这类问题时，可以采用基于抽样的方法来解决。以下是几种常见的基于抽样的方法：两阶段学习两阶段学习是一种解决不平衡分类问题的方法，包括特征学习阶段和分类器学习阶段。在特征学习阶段，通过学习一组规则，尽可能覆盖正类（数量较少的类别）。这些规则可以捕捉到正类的特征和模式。在分类器学习阶段，使用特征学习阶段得到的规则，结
.叹服·2023-06-12 13:00

深度学习（Deep Learning）读书思考三：正则化

概述正则化是机器学习中非常重要并且非常有效的减少泛华误差的技术，特别是在深度学习模型中，由于其模型参数非常多非常容易产生过拟合。
下一步·2023-06-12 09:18

机器学习深度学习必备之——正则化综述

切入正题，正则化说的就是对模型引入额外信息来防止模型过拟合与提高模型泛化性能的方法统称。
caizd2009·2023-06-12 09:48

机器学习期末复习 线性模型

有监督学习和无监督学习解释：线性模型要做的有两类任务：分类任务、回归任务分类的核心就是求出一条直线w的参数，使得直线上方和直线下方分别属于两类不同的样本回归就是用来拟合尽可能多的点的分布的方法，我们可以通过拟合的直线知道一个新样本的相关数值有监督的学习
JYHZZ·2023-06-12 05:19

5、学习率、过拟合

Day6知识补充代码解释每日一句：你若盛开，蝴蝶自来。知识补充在上个博客中，我们已经学会对参数进行训练。但是我们的学习率learn_rate是固定的，这就会出现一个问题。我们将参数进行某个方向上的梯度下降,没训练一次，下降一次，因为学习率是固定的，所以我们下降的高度也是一样的。如果，我们下降到了对低点上面一点，我们再下降一次，过了最低点，又上去了。这就很尴尬了。再继续训练下去，只会在最低点周围反复
贰拾肆画生·2023-06-12 00:04

模型过拟合处理方式

深度学习是一种强大的机器学习方法，但过拟合是深度学习中常见的问题之一。过拟合指的是模型在训练数据上表现良好，但在测试数据上表现不佳的现象。
江大王吹吹·2023-06-11 11:23
上一页 16 17 18 19 20 21 22 23 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他