Mxnet学习系列第5页

ChatGPT学习系列教程（一）—chatGPT简介

一、ChatGPT介绍ChatGPT是一种基于GPT（GenerativePre-trainTransformer）模型的大型语言模型，由OpenAI公司开发。它是目前世界上最先进的自然语言处理技术之一。二、ChatGPT发展历程ChatGPT是美国人工智能研究实验室OpenAI在2023年11月30日推出的一款人工智能技术驱动的语言模型应用。以下是ChatGPT的发展历程：三、ChatGPT的主

huazi99·2024-01-03 01:23

AI 训练框架：Pytorch TensorFLow MXNet Caffe ONNX PaddlePaddle

https://medium.com/jit-team/bridge-tools-for-machine-learning-frameworks-3eb68d6c6558

linzhiji·2024-01-03 00:29

gradle

Gradle学习系列之一——Gradle快速入门-无知者云-博客园Gradle学习总结——根本上看透AndroidStudio构建-

味123·2024-01-02 01:34

VUE3.0学习系列随笔（五）：自定义组件使用

VUE3.0学习系列随笔（五）：自定义组件使用VUE2.0和VUE3.0虽然在工程目录结构上存在较大差异，但是具体的代码实现逻辑相同，本文所使用的自定义组件方法，同样适用于VUE2.0。

一方通行00·2024-01-01 21:27

【深度学习】第一章：深度学习的入坑线路

所以在写深度学习系列文章之前，我觉得非常有必要先把深度学习的整个框架展示一下。这是我自己跌跌撞撞走了很多弯路，才略知一二

宝贝儿好·2024-01-01 12:26

HTML+JS好例子集锦

基础知识参见HTML5+CSS入门与提高学习系列https://blog.csdn.net/cnds123/artic

软件技术爱好者·2024-01-01 04:25

MAML 源代码解释说明 (一)

元学习系列文章optimizationbasedmeta-learning《Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks》论文翻译笔记元学习方向

田小成plus·2023-12-31 23:30

【Python机器学习系列】一文带你了解机器学习中的Pipeline管道机制（理论+源码）

一、引言对于表格数据，一套完整的机器学习建模流程如下：背景知识1：机器学习中的学习器【Python机器学习系列】一文搞懂机器学习中的转换器和估计器（附案例）背景知识2：机器学习中的管道机制简介：转换器用于数据的预处理和特征工程

数据杂坛·2023-12-31 14:36

【vim 学习系列文章 3.1 -- vim 删除 ^M】

请阅读【嵌入式开发学习必备专栏之VIM专栏】文章目录^M来源^M删除^M来源在Vim中打开文件时，您可能会遇到行尾的^M字符，这通常是因为文件使用了Windows风格的回车换行符（CRLF），而不是Unix/Linux风格的换行符（LF）。在Vim中，^M实际上是回车符（CarriageReturn，CR）的可见表示。^M删除为了删除所有行尾的^M字符，您可以使用Vim的替换命令：:%s/\r$/

CodingCos·2023-12-31 13:55

机器学习系列 - 3. 数据预处理

一.KNN优缺点及KD-Tree1)KNN优缺点：KNN的主要优点有：理论成熟，思想简单，既可以用来做分类也可以用来做回归天然解决多分类问题，也可用于回归问题和朴素贝叶斯之类的算法比，对数据没有假设，准确度高，对异常点不敏感由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合KNN的主要缺点有：

小蘑菇1962·2023-12-31 07:31

机器学习系列11：减少过拟合——L1、L2正则化

如果我们注意到模型在训练集上的表现明显优于模型在测试集上的表现，那么这就是模型过拟合了，也称为highvariance。产生的过拟合的原因是对于给定的训练集数据来说，模型太复杂了。有几种可以减少过拟合的方法：收集更多的训练数据（通常可行性不大）通过正则化引入对模型复杂度的惩罚选择一个含有较少参数的简单模型减少数据的维度假设模型的参数是向量w，那么L1和L2正则化的定义如下。L1正则化通常会产生更稀

加百力·2023-12-30 18:04

机器学习系列06：决策树

如果你很关心模型的可解释性，那么决策树（DecisionTree）算法当之无愧为首选。决策树算法如何工作套用西瓜书上的一个图来说明决策树算法是如何工作的：我们挑选西瓜时，都会考虑西瓜脐部、色泽、根蒂以及敲一敲听声音等因素（特征），决策树就是对这些考虑因素进行逐个拆解，从而判断西瓜（样本）是好瓜还是坏瓜（类别）。从上面来看，这些特征好像都是离散型的，对于Iris数据集中数值特征来说，我们可以设定一个

加百力·2023-12-30 07:00

机器学习系列13：通过随机森林获取特征重要性

你可能需要参考：《机器学习系列06：决策树》这种方法无需对特征做归一化或者标准化预处理，也不假设数据集是否线性可分。以红酒数据集为例。我们可以直接通过feature_impor

加百力·2023-12-30 07:58

机器学习系列12：减少过拟合——降维（特征选择）

对于不支持正则化的模型来说，我们可以通过降低数据的特征维度来减小模型复杂度，从而避免过拟合。有两种降维方法：特征选择（featureselection）：从原始特征集中选择一部分特征子集。特征抽取（featureextraction）：从现有的特征集中抽取信息形成新的特征空间。顺序特征选择是一种贪心算法，它通过自动选择与问题最相关的特征子集来提升计算效率，剔除不相关的特征或噪声数据来降低模型泛化误

加百力·2023-12-30 07:32

机器学习系列10：数据预处理——特征缩放

这里我们要换使用UCI上面的红酒数据集了。下载地址：https://archive.ics.uci.edu/dataset/109/wine这个数据集含有三种不同的红酒，共178个样本，每个样本由13个不同化学属性。我们首先将数据集分层采样划分70%出来作为训练集，剩余30%用作测试集。特征缩放（featurescaling）是数据预处理步骤中及其容易被忽略的一步。除了决策树和随机森林这两种不需要

加百力·2023-12-30 07:02

Open3D学习系列一：轻松安装Open3D

文章目录前言python安装安装步骤常见问题及解决方案c++安装安装步骤常见问题及解决方案总结前言欢迎来到“Open3D学习”系列的第一篇文章：“轻松安装Open3D”。在这个系列中，我们将一起深入探索Open3D——一个强大的、开源的三维数据处理库，它正在逐渐成为三维视觉和图形领域的热门工具。Open3D提供了丰富的功能，包括点云处理、三维重建、几何学分析和三维数据可视化等。无论您是一名研究人员

梦想的理由·2023-12-29 18:04

算法学习系列（十四）：并查集

目录引言一、并查集概念二、并查集模板三、例题1.合并集合2.连通块中点的数量引言这个并查集以代码短小并且精悍的特点，在算法竞赛和面试中特别容易出，对于面试而言，肯定不会让你去写一两百行的代码，一般出的都是那种比较短的，而且还不好想考验思维的那种题，那并查集就将这两点全占了，所以重要性很大，而且竞赛的话也就是将多个知识点合并起来考察，这个也很可能成为一个点，所以话不多说就开始吧。一、并查集概念并查集

lijiachang030718·2023-12-29 02:21

算法学习系列（十三）：Trie树

目录引言一、Trie概念二、Trie树模板三、例题引言这个Trie还是比较有用的，主要的功能就是高效的存储和查找字符串的数据结构。一、Trie概念假设这个Trie只存储小写字母的话：这个大概就是这么个概念，就是头结点是0号，然后每个结点都可以有26个儿子，然后每个儿子又有它们的儿子插入操作：先看0号结点的儿子有没有插入字符串的第一个字符，如果有那就进入下一个结点，如果没有那就创造出来，然后进入下一

lijiachang030718·2023-12-29 02:51

算法学习系列（十五）：最小堆、堆排序

目录引言一、最小堆概念二、堆排序模板（最小堆）三、模拟堆引言这个堆排序的话，考的还挺多的，主要是构建最小堆，并且在很多情况下某些东西还用得着它来优化，比如说迪杰斯特拉算法可以用最小堆优化，然后面试和考研用的也是挺多的，总之开始吧。一、最小堆概念本文只讲述最小堆，其一这个用的最多，而且跟最大堆来说其实都是差不多的，就一个小于一个大于最小堆：首先是一个完全二叉树，然后每个结点都小于或等于其两个儿子，性

lijiachang030718·2023-12-29 02:18

gRPC学习之一：在CentOS7部署和设置GO

Docker、Kubernetes、DevOPS等；关于《gRPC学习》系列《gRPC学习》是欣宸最新创作的实战风格原创，旨在通过一系列实战操作与读者一同掌握基于golang的gRPC开发基础知识；gRPC学习系列文章链接在

程序员欣宸·2023-12-28 21:01

【持续学习系列(三)】《Less-forgetting Learning in Deep Neural Networks》

一、论文信息1标题Less-forgettingLearninginDeepNeuralNetworks2作者HeechulJung,JeongwooJu,MinjuJung,JunmoKim3研究机构KoreaAdvancedInstituteofScienceandTechnology,RepublicofKorea二、主要内容这篇论文主要探讨了深度神经网络（DNNs）在学习新数据时出现的灾难

ZedKingCarry·2023-12-28 21:17

Android JetPack学习系列——Navigation

写在前面Google在2018年就推出了Jetpack组件库，但是直到今天我才给重视起来，这真的不得不说是一件让人遗憾的事。过去几年的空闲时间里，我一直在尝试做一套自己的组件库，帮助自己快速开发，虽然也听说过Jetpack，但是压根儿也没去了解，但是其实自己已经无形之中用到过很多Jetpack中的库了，只是自己不知道，比如说databinding、viewmodel、camerax等等所以我打算推

邵旺运·2023-12-28 20:41

【持续学习系列(四)】《Lifelong-RL》

一、论文信息1标题Lifelong-RL:LifelongRelaxationLabelingforSeparatingEntitiesandAspectsinOpinionTargets2作者LeiShu,BingLiu,HuXu,andAnniceKim3研究机构DepartmentofComputerScience,UniversityofIllinoisatChicago,USACente

ZedKingCarry·2023-12-28 20:10

机器学习系列--R语言随机森林进行生存分析（1）

随机森林（Breiman2001a）（RF）是一种非参数统计方法，需要没有关于响应的协变关系的分布假设。RF是一种强大的、非线性的技术，通过拟合一组树来稳定预测精度模型估计。随机生存森林（RSF）（Ishwaran和Kogalur，2007；Ishwaraan，Kogalur、Blackstone和Lauer（2008）是Breimans射频技术的延伸从而降低了对时间到事件数据的有效非参数分析。R

天桥下的卖艺者·2023-12-28 16:59

Java I/O系统学习系列一：File和RandomAccessFile

I/O系统即输入/输出系统，对于一门程序语言来说，创建一个好的输入/输出系统并非易事。因为不仅存在各种I/O源端和想要与之通信的接收端(文件、控制台、网络链接等)，而且还需要支持多种不同方式的通信(顺序、随机存取、缓冲、二进制、按字符、按行、按字等)。Java类库的设计者通过创建大量的类来解决这个难题，比如面向字节的类(字节流，InputStream、OutputStream)、面向字符和基于Un

编程小世界·2023-12-28 09:02

Spring MVC学习(11)—跨域的介绍以及使用CORS解决跨域问题

SpringMVC学习系列文章SpringMVC学习(1)—MVC的介绍以及SpringMVC的入门案例SpringMVC学习(2)—SpringMVC中容器的

刘Java·2023-12-28 08:54

【持续学习系列（二）】2015_ACL_LCS

一、论文信息1标题LifelongLearningforSentimentClassification2作者ZhiyuanChen,NianzuMa,BingLiu3研究机构DepartmentofComputerScience,UniversityofIllinoisatChicago二、主要内容这篇论文提出了一种基于终身学习（LifelongLearning,LL）的方法来解决情感分类问题。终

ZedKingCarry·2023-12-28 00:45

机器学习系列 - 2.如何评价模型的好坏

小蘑菇1962·2023-12-27 12:09

深度学习之TensorFlow——基本使用

一、目前主流的深度学习框架Caffe,TensorFlow,MXNet,Torch,Theano比较库名称开发语言速度灵活性文档适合模型平台上手难易Caffec++/cuda快一般全面CNN所有系统中等

人工智能小豪·2023-12-27 07:49

《Machine Learning in Action》—— 女同学问Taoye，KNN应该怎么玩才能通关

这篇是机器学习系列文章所涉及到的第六篇文章了，前面已经介绍过了支持向量机SVM以及决策树算法，一个躲在小房间里认真阅读过的读者应该对他们都有了一定的认识，算法的过程和原理也都大致了解了。

玩世不恭的Coder·2023-12-26 20:40

机器学习系列_朴素贝叶斯（1）（原理、python代码、实战）

本文经作者允许转载自公众号：月半一更链接：https://mp.weixin.qq.com/s/v-FN3rG97Hr8Ez_fnkwpTw前文中的K-近邻、决策树分类器，给出的分类决策都是确定性的，即：该数据实例确定属于哪一类。但是，再好的分类器有时候也会产生错误的分类结果，这时候我们就希望有一个分类器，它能给出一个最优的类别猜测结果，同时也能给出这个猜测的概率估计值。这种基于分类结果的概率估计

大大的肥猫·2023-12-26 07:26

Flutter学习系列——环境搭建(windows开发环境)

如果想了解flutter是什么和为什么使用flutter，可以参考这一篇文章：Flutter是什么官方文档：https://flutter.io/小提示：可以尝试看下英文的官方文档，上面的解释可以看懂，并不难，而且更新的比中文文档要快，有的中文文档翻译的不恰当，会影响理解。windows系统要求：1、Windows7SP1及以上(64位)2、磁盘空间：400M+（不包含开发环境和工具的空间）3、其

xk_一步一步来·2023-12-25 21:45

C++ 学习系列 -- C++ 中的多态行为

一多态是什么？多态是面向对象三大特征中重要一项，另外两项分别是封装与继承。所谓多态，指的是多种不同的形态，也就是去完成某个具体的行为，多个不同的对象去操作同一个函数时，会产生不同的行为，进而出现不同的状态。二C++类中的普通成员函数普通成员函数面临着两个问题：1.无法实现多态行为2.派生类同名函数会覆盖基类的同名函数，即使函数的参数不同也会导致覆盖//base.h#includeclassBase

在河之洲木水·2023-12-25 07:49

算法学习系列（九）：离散化

目录引言一、离散化概念二、离散化模板三、例题四、测试引言这个离散化我的理解就是你如果要用到数组的下标进行存数，会有多个询问针对下标进行操作，然后这个下标特别的大，而且存的数也是特别的分散，举个例子就是有三个数，1，2，3，它们对应的下标分别为1，10000，1e9，所以如果开那么大的数组肯定浪费了，而且可能会爆内存，然后就需要离散化了，那么进入正题吧！一、离散化概念引入离散化的背景已经在引言里说过

lijiachang030718·2023-12-25 04:50

算法学习系列（十一）：KMP算法

目录引言一、算法概念二、题目描述三、思路讲解三、代码实现四、测试引言这个KMP算法就是怎么说呢，就是不管算法竞赛还是找工作笔试面试，都是非常爱问爱考的，其实也是因为这个算法比较难懂，其实就是很难，所以非常个人的一个思维逻辑吧，反正就是用来区分人的，我会你不会，那么我就比你牛逼，所以那就开始吧。一、算法概念这个KMP算法就是用来匹配字符串的，在一个字符串中是否有另一个字符串的存在，如果存在返回原始字

lijiachang030718·2023-12-25 04:50

算法学习系列（六）：高精度加法、减法、乘法、除法

目录引言一、高精度加法1.题目描述2.代码实现3.测试二、高精度减法1.题目描述2.代码实现3.测试三、高精度乘法1.题目描述2.代码实现3.测试四、高精度除法1.题目描述2.代码实现3.测试引言本文介绍了高精度加法、高精度减法、高精度乘法、高精度除法，这个高精度来说还是有点用的，在一些竞赛啥的还是能用得上的，当然了这个只针对C++来说，java或者python本身就有大整数类型，没必要搞这个。一

lijiachang030718·2023-12-25 04:20

算法学习系列（一）：二分

目录：引言一、二分模板1.非递归模板2.递归模板3.二分通用模板4.测试二、例题1.查询最左边的数2.查询最右边的数三、详解二分通用模板四、附录（所有代码）五、扩展题1.机器人跳跃问题引言不论你是找工作还是考研，不论是什么专业（当然首先要是计算机大类的哈），不论是参加笔试和面试，二分这个问题是必考的，而且非常有可能会让你手撕代码（就是给你一张A4纸让你把代码手写出来），所以这个二分的重要性不言而喻

lijiachang030718·2023-12-25 04:19

Linux学习系列（六）：linux系统上C程序的编译、运行及调试

目录引言一.文件编译及运行1.编译过程2.gcc分布编译3.gcc一步编译4.一步运行5.make和makefile二.gdb调试1.调试步骤：2.调试命令：1.l行号2.b/break3.infob/break4.运行代码5.p变量6.结束调试7.调试命令（全）引言本文介绍了Linux操作系统中关于C程序的编译，通过介绍编译过程、gcc命令、分步编译、一步编译和makefile自动化编译，详细介

lijiachang030718·2023-12-25 04:49

Linux学习系列（九）：Linux进程复制和替换

目录一.main函数二.printf输出问题1.printf函数并不会直接将数据输出到屏幕，而是**先放到缓冲区**中，只有一下三种情况满足，才会输出到屏幕。2.退出：returnexit_exit三.fork进程复制，写时拷贝1.fork2.写时拷贝四.僵死进程、孤儿进程及处理方法1.僵死进程2.孤儿进程3.僵死进程处理方法五.操作系统的文件调用1.open2.close3.read4.writ

lijiachang030718·2023-12-25 04:49

算法学习系列（十）：用数组模拟链表、双链表、栈、队列、单调栈、单调队列

目录引言一、数组模拟链表1.模板2.例题3.测试二、数组模拟双链表1.模板2.例题3.测试三、数组模拟栈1.模板2.例题3.测试四、数组模拟队列1.模板2.例题3.测试五、数组模拟单调栈1.例题+模板2.测试六、数组模拟单调队列1.例题+模板2.测试引言首先说一下为什么要拿数组来模拟，最主要的原因是为了快，因为如果用stl库里的容器的话，在算法竞赛中，一般是不会给你开O2优化或者臭氧优化的，然后所

lijiachang030718·2023-12-25 04:45

【Python深度学习系列】十几行代码教你使用CTGAN模拟生成表格数据

一、问题在机器学习中，我们经常会遇到数据集数量不足的情况。CTGAN是一个生成对抗网络（GAN）的实现，它可以学习原始数据的分布并生成具有相似特征的合成数据。生成的数据将尽量保持与原始数据的统计特性一致。二、实现过程2.1安装CTGAN库pipinstallctgan使用命令在终端或命令提示符中安装CTGAN库2.2导入CTGAN类fromctganimportCTGAN在Python代码中导入C

数据杂坛·2023-12-24 20:41

【Python机器学习系列】建立决策树模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型分析特征重要性（源码）【Pytho

数据杂坛·2023-12-24 20:41

【Python机器学习系列】一文搞懂机器学习中的转换器和估计器（附案例）

一、引言表格数据一套完整的机器学习建模流程如下：在机器学习中，转换器（Transformer）和估计器（Estimator）是两个重要的概念，转换器和估计器在机器学习中扮演不同的角色，但它们通常可以结合在一起构建一个完整的机器学习流程。二、转换器转换器（Transformer）是一种用于数据转换和预处理的对象或类。它接受输入数据，并对其进行某种形式的变换。转换器通常用于数据的特征工程，包括特征缩放

数据杂坛·2023-12-24 20:38

python用while向列表输入_Python入门学习系列——Python用户输入和while循环

Python用户输入和while循环input()函数函数input()用于接收用户的输入信息。使用input()时，python将用户输入的内容解读为字符串，因此在进行其他数据类型操作时，需要进行相应的类型转换。注意：在Python2.7中，input()函数作用有所不同，input()函数会将用户输入解读为Python代码，并尝试运行它们，所以在Python2.7中，请使用raw_input(

weixin_39688687·2023-12-24 12:55

Java学习系列（七）

1.Java多态多态是同一个行为具有多个不同表现形式或形态的能力，多态就是同一个接口，使用不同的实例而执行不同操作。多态的优点1.消除类型之间的耦合关系2.可替换性3.可扩充性4.接口性5.灵活性6.简化性多态存在的三个必要条件继承重写父类引用指向子类对象：Parentp=newChild();classShape{ voiddraw(){}} classCircleextendsShape{

老蔡的菜·2023-12-23 06:13

【Active Learning - 02】Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis...

主动学习系列博文：【ActiveLearning-00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.csdn.net/Houchaoqun_XMU/article

Houchaoqun_XMU·2023-12-23 03:22

Caffe学习系列——工具篇：计算数据集的图像均值

本系列文章介绍深度学习框架Caffe及其实践，本文主要介绍Caffe的实用工具——compute_image_mean计算图像均值.1.图像预处理——零均值化数据预处理在深度学习中非常重要，数据预处理中，标准的第一步是数据归一化。特征归一化常用的方法包含如下几种：简单缩放逐样本均值消减(也称为移除直流分量)特征标准化(使数据集中所有特征都具有零均值和单位方差)特征标准化指的是（独立地）使得数据的每

Solomon1588·2023-12-23 03:41

【AI】模型结构可视化工具Netron应用

支持ONNX,TensorFlowLite,CoreML,Keras,Caffe,Darknet,MXNet,PaddlePaddle,ncnn,MNN

TopFancy·2023-12-22 10:17

【Docker学习系列教程】docker的基本命令

docker的命令和git命令很类似，如果你了解过git、使用过git那么上手将会很快。当你不知道如何加参数是你可以使用--help来查询，例如dockerrun--help,下面只是简单列出常用的命令。dockerversion查询docker版本$dockerversionClient:Version:18.06.1-ceAPIversion:1.38Goversion:go1.10.3Git

浪漫宇宙与人间日常·2023-12-22 09:00

深度学习框架の动态图 vs 静态图

Date:2020/08/03Author:CWForeword:各位炼丹者应该都会有自己常用的一种或几种深度学习框架，如MxNet、Caffe、Tensorflow、Pytorch、PaddlePaddle

CW不要无聊的风格·2023-12-21 20:00

推荐频道

Mxnet学习系列