01 — 前言 MEF是微软自家的托管可扩展框架，在这里我把它用成了ioc容器。在Caliburn.Micro框架下，view和viewmodel被注入到CompositionContainer容器中，然后通过名称可以实现view和viewmodel的匹配。利用这一特点，在多人合作项目开发中，一个解决方法就可以拆分成很多个
notice:tensorflow 1.14.0版本 import tensorflow.compat.v1 as tf tf.disable_v2_behavior() import numpy as np import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' d = np.arange(0, 60).reshape([6, 10]) data = tf.data.Dataset.from_tensor_slic
简介 逻辑回归虽然顶着一个回归的名称，但是实际上做的是分类的事情。回归的一般形式可以表示为： f ( x ) =
在Ubuntu20.04上训练YOLOv4-tiny 一、资料下载 1.yolov4 官方下载：https://github.com/AlexeyAB/darknet 网盘下载：链接：https://pan.baidu.com/s/1HYiCANZZ4NPYFvMJ-cenFA 提取码：2rh0 2.yolov4-tiny.weights 官方下载：https://github.com/AlexeyAB/darknet/releases/download/da
collate_fn 参数 当继承Dataset类自定义类时，__getitem__方法一般返回一组类似于（image，label）的一个样本，在创建DataLoader类的对象时，collate_fn函数会将batch_size个样本整理成一个batch样本，便于批量训练。 default_collate(batch)中的参数就是这里的 [self.dataset[i] for i in
进入到研究生阶段了，从头学一下Pytorch，在这个小破站上记录一下自己的学习过程。 本文使用的是Pytorch来做手写数字的识别。 step0：先引入一些相关的包和库 import torch from torch import nn from torch.nn import functional as F from torch import optim import torchvisio
要求：1、安装JDK及配置环境变量。2、Shell脚本中，$0 $1 $$ $* $?分别代表了什么意思？3、写一个脚本：显示出当前的脚本文件名和当前的系统时间。4、已知目录/scripts目录，执行batch.sh脚本，实现在/scripts目录下创建一个one.txt,在one.txt文件中增加内容“Hello Shell”。 1，第
三元组添加margin（记为alpha）形式损失函数为： 将特征归一化，并带入xc=(xp+xa)/2，省略常数项得到： 考虑log(exp(y1) + exp(y2)) ≥ max(y1, y2)，对batch数据的处理整理为： Batch整合的推导没深究，看起来是取了对单个anchor而言batch内最hard三元组的上界，作者说思
''' Author: 365JHWZGo Description: 7.批训练 Date: 2021-10-23 20:36:43 FilePath: \pytorch\day06-3.py LastEditTime: 2021-10-23 21:27:29 LastEditors: 365JHWZGo ''' #批训练的作用： #展示每次所训练的数据 # 导包 import torch import torch.utils.data a
刚刚我成功训练了yolox_nano模型，并且成功预测，但是现在要训练yolox_nano的时候又出现了问题，我的环境配置如下文章所示： https://blog.csdn.net/ELSA001/article/details/120918082?spm=1001.2014.3001.5501 我的训练命令如下： python tools/train.py -f exps/example/yolox_voc/
使用ERNIE在DuReader_robust上进行阅读理解 1. 实验内容 机器阅读理解 (Machine Reading Comprehension) 是指让机器阅读文本，然后回答和阅读内容相关的问题。阅读理解是自然语言处理和人工智能领域的重要前沿课题，对于提升机器的智能水平、使机器具有持续知识获取的能力等具有
李宏毅机器学习Task05 梯度下降法的困难 本次重点关注神经网络算法中在用梯度下降法寻找最佳的那个 f ∗ f^* f∗时，如果梯度为0其实意味着
问题与背景 对于一个新手，安装好了darknet框架之后，怎么开始训练呢？这里我们以yolov3为目标模型，将darknet看作丹炉，yolov3的网络结构看作单方，进行一波”炼丹“。首先找到一个标准的yolov3的cfg文件，需要对里面的参数读懂，然后更改，适配一下数据集，就可以进行训练了。 参考资料 https:
1 导入实验所需要的包 import torch import numpy as np import matplotlib.pyplot as plt from torch import nn from IPython import display #解决内核挂掉 import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" 2 生成数据集 将根据带有噪声的线性模型构造一个人造
文章目录 LayerNormalizationBatchNormalization 这些Normalization的作用都是让数据保持一个比较稳定的分布，从而加速收敛。Batch Normalization 的处理对象是对一批样本， Layer Normalization 的处理对象是单个样本。不过，他们到底指的是什么呢？有的时候，讲解是多余的，实战
同一个batch内要padding到一样长度，不同batch之间可以不一样 这一点，对于 (绝大多数) NLP模型都是这样的 同一个batch内要padding到一样长度 神经网络，内部大都是矩阵的运算，batch训练，需要矩阵输入 因此一个batch要padding到一样的长度，才能形成一个矩阵，像 [[1,2], [3,4,5]] 它
import paddle import paddle.nn.functional as F from paddle.vision.transforms import ToTensor import numpy as np import matplotlib.pyplot as plt print(paddle.version) transform = ToTensor() cifar10_train = paddle.vision.datasets.Cifar10(mode=‘train’,tra
使用飞桨训练cifar10数据集 import paddle import paddle.nn.functional as F from paddle.vision.transforms import ToTensor import numpy as np import matplotlib.pyplot as plt transform = ToTensor() # 训练集 cifar10_train = paddle.vision.datasets.Cifar10(mode
今天做项目的时候用到七牛云，关于对资源的操作是在后端做的，用的SDK，但是，在网上没找到详细的解析，官方文档也没有太详细的解说，所以无奈只好看下源码 这里做一下简单的记录 from qiniu import build_batch_delete, Auth, BucketManager #需要填写你的 Access Key 和 Secret Key，这个
官方解释：Dataloader 组合了 dataset & sampler，提供在数据上的 iterable 主要参数： 1、dataset：这个dataset一定要是torch.utils.data.Dataset本身或继承自它的类 里面最主要的方法是 __getitem__(self, index) 用于根据index索引来取数据的 2、batch_size：每个batch批次要返回几条
单层视角 神经网络可以看成是上图形式，对于中间的某一层，其前面的层可以看成是对输入的处理，后面的层可以看成是损失函数。一次反向传播过程会同时更新所有层的权重W1,W2,…,WL，前面层权重的更新会改变当前层输入的分布，而跟据反向传播的计算方式，我们知道，对Wk的更新是在假定其输入
目录 4.1 长短期记忆网络与门控循环 4.2 RNN的架构设计 4.3 pytorch实现 1.RNN 2.LSTM 3.Bi-LSTM 4.1 长短期记忆网络与门控循环 长短期神经网络（Long Short-term Memory, LSTM）神经网络能够进一步改善之前RNN的记忆能力并且减轻梯度爆炸和梯度消失的问题，它对RNN的主要修
深度学习基础–多层感知机（MLP） 最近在阅读一本书籍–Dive-into-DL-Pytorch（动手学深度学习），链接：https://github.com/newmonkey/Dive-into-DL-PyTorch，自身觉得受益匪浅，在此记录下自己的学习历程。 本篇主要记录关于多层感知机(multilayer perceptron, MLP)的知识。多层感知机是在
PyTorch中RNN的输入和输出的总结 RNN的输入和输出Pytorch中的使用理解RNN中的batch_size和seq_len 个人对于RNN的一些总结，如有错误欢迎指出。 RNN的输入和输出 RNN的经典图如下所示 各个参数的含义 Xt: t时刻的输入，形状为[batch_size, input_dim]。对于整个RNN来说，总的
一.什么是机器学习 在开始正式的学习之前，可能需要先了解几个概念，机器学习(Machine Learning简称ML），人工智能(Artificial Intelligence简称AI)和深度学习(Deeping Learning简称DL)，人工智能顾名思义通过人工的方式实现机器的智能，是最终要达到的目的。据笔者所知，目前人类还没有实
