暂时未有相关云产品技术能力~
暂无个人介绍
Zygote 是 Julia 上一个实现自动微分、自动求导的包,其中 `@adjoint` 宏是 Zygote 接口的一个重要组成部分。使用 `@adjoint` 可以自定义函数的后向传播。
`inplace` 操作是 PyTorch 里面一个比较常见的错误,有的时候会比较好发现,但是有的时候同样类似的报错,会比较不好发现。
样本特征由于来源以及度量单位不同,它们的尺度(Scale),或者说是取值范围有可能差异很大。如果一个机器学习算法在缩放全部或者部分特征后不影响它的学习和预测,我们就称该算法具有尺度不变性(Scale Invariance)。神经网络从理论上应该具有尺度不变性,可以通过参数的调整来适应不同特征的尺度。
在生成列表的时候,最好用 [0 for _ in range(n)] 的方式而不是 [0] * n 的方式生成,原因如下。
通过 ssh 的方式给远程服务器传输文件的命令为:scp -P port file_name user@ip:/dir_name
为了提高复杂关系的拟合能力,在特征工程中经常会把一阶离散特征两两组合,构成高阶组合特征。在实际问题中,需要面对多种高维特征,简单地两两组合,依然容易存在参数过多、过拟合等问题。
给定一个长度为 n 的链表,每个节点比普通的节点多了一个额外的随机指针 ramdom,该指针可以指向链表中的任何节点或空节点。构造这个链表的深拷贝。所谓的深拷贝,就是完全生成一个新的对象,内存地址都是不同的,这样改变拷贝之前变量,就不会影响到拷贝的变量。
这是一道没有多少知识点的题目,就是用滑动窗口的方式来写,算是一道挺简单的题目,但是想了我很久。我的方法和官方的题解是差不多的,但是写完之后看官方题解就感觉很好理解。
Julia 是一个十分年轻的语言,通过预编译的方式能够将速度提高很多,有 C++ 的速度,解释性语言的特性,十分适合做数学分析和科学计算的工作。Flux.jl 是 Julia 用于做机器学习和深度学习的工具,这篇文章对文档中的不同优化器做一个翻译和总结,供参考。
MacBook Pro Apple M1 使用 Qt 6.4.1 的时候碰到的报错,做了不同的尝试,最后解决了这个报错。
上次使用 Faster R-CNN 训练了一个 VGG-16 的网络,为了再提升识别的准确率,利用 ResNet 网络在同样的数据上面训练了多一次。
学习 Faster R-CNN 模型,为了了解其中网络的结构,利用 PascalVOC 数据集,来扩展网络的类别(原来有 20 类)。过程分为:数据准备 ==> 相关文件修改 ==> 训练网络 ==> 测试
虽然现在深度学习在计算机视觉和语音识别上发展得很好,但是碰到时间序列时,构建预测模型是很难的。原因包括循环神经网络较难训练、一些研究比较难以应用,而且没有现存与训练网络,1D-CNN 不方便。 但是如果使用 **Gramian Angular Field** (GAF),可以把时间序列转成图片,充分利用目前机器视觉上的优势。
在之前的一篇博客 —— 将一维时间序列转化成二维图片中,我翻译了一篇文章,说的是将一个时间序列信号转换成二维图片。这里我使用 Python 的一个第三方库 pyts,参考官方文档,改写了一下将一个时间序列信号转换成二维图片的代码。