摘要：
台湾大学林轩田机器学习笔记（一） 机器学习基石 9 -- Linear Regression 上节课，我们主要介绍了在有noise的情况下，VC Bound理论仍然是成立的。同时，介绍了不同的error measure方法。本节课介绍机器学习最常见的一种算法：Linear Regression. 一 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（五） \(\sigma(X_t, t)\) 是扩散系数，代表每个时间步的随机波动或噪声。 \(dW_t\) 是维纳过程的增量。 SDE用于描述通常具有噪声的系统的动态，例如金融市场、物理过程和生物系统。 DDPM的基础 DDPM基于随机微分方程，用于对具有随机扰动 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(7)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（四） 分类、定位和检测之间的区别如下： 分类：给定一张包含猫的图像，目标是判断图像中有一只猫。 定位：除了判断有一只猫，还需要用一个边界框框出猫在图像中的位置。 目标检测：更进一步，检测给定图像中属于你类别集合的所有可能出现的物体，并对它们进行定位。 在定位任务中 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（三） 损失：分类交叉熵损失。 对比学习：近期主流方法 最近一年，自监督学习领域主要由基于对比学习的方法主导。其总体目标是通过对比正样本和负样本来学习表示。 核心思想 目标是学习一个编码器，使得图像与其相似样本之间的相似度得分，大于该图像与不相似样本之间的得分。如果 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（二） 如果你有一个多对多RNN，你只会稍微改变这一点，因为现在你将在每个时间步都有输出，而我们在前面看到的RNN中没有。你现在可以有一个从多对多RNN出来的输出 L1，这最终是作为输出给用户的。你也可以考虑组合所有这些 L1, L2, L3, ..., Lt 来给 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（一） 038：解释CNN - 可视化方法 在本节课中，我们将学习如何理解、可视化和解释卷积神经网络（CNN）或其他神经网络的模型预测。我们将从可视化方法开始，探讨CNN中不同卷积核或滤波器、特定层的激活值以及其他相关技术。本讲内容主要基于斯坦福大学CS 231N课 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
浙公网安备 33010602011771号