deephub

摘要： 在现实世界中开发机器学习（ML）模型的主要瓶颈之一是需要大量手动标记的训练数据。例如，Imagenet数据集由超过1400万手动标记的各种现实的图像组成。 虽然迁移学习的出现极大地缓解了这一要求但是仍然需要数百个标记的示例来进行微调。但是获得此类手动注释通常是耗时的和劳动力密集的，并且容易发生人类的 阅读全文

摘要： 2021年提议的Vision Transformer（VIT）已成为计算机视觉深度学习领域的一个有前途的研究主题。随着VIT的研究变得更加深入，一些研究人员受到VIT的大型接收领域的启发，将卷积网络也改造成具有更大的接收场来提高效率。根据有效的接收场（ERF）理论，ERF的大小与内核大小和模型深度的 阅读全文

摘要： 随机森林 [Breiman, 2001] 和 XGBoost [Chen and Guestrin, 2016] 已成为解决分类和回归的许多挑战的最佳机器学习方法。Local Cascade Ensemble (LCE) [Fauvel et al., 2022] 是一种新的机器学习方法， 它结合了 阅读全文

摘要： 将自然语言转换为SQL语句已经不再遥不可及。NLP的进步使得我们不仅可以使用LLM(大型语言模型)，还可以通过微调教授他们新的技能，这也被称为迁移学习。可以使用一个预先训练的模型作为起点，然后使用较小的标记数据集从而获得比单独使用数据训练更好的性能。 在本文中，我们将使用谷歌的文本到文本生成模型T5 阅读全文

摘要： 期望最大化（EM）算法被广泛用于估计不同统计模型的参数。它是一种迭代算法，可以将一个困难的优化问题分解为几个简单的优化问题。在本文中将通过几个简单的示例解释它是如何工作的。 这个算法最流行的例子（互联网上讨论最多的）可能来自这篇论文（http://www.nature.com/nbt/journal 阅读全文

摘要： 这些有用的片段在面试中会经常出现，也可以作为日常的numpy练习。 1、导入numpy import numpy as np 2、打印numpy信息 print(np.__version__) np.show_config() 3、创建空向量 Z = np.zeros(10) print(Z) 4、 阅读全文

摘要： Swin Transformer（Liu et al。，2021）是一个基于Transformer的深度学习模型，在视觉任务中取得了最先进的性能。与VIT不同Swin Transformer更加高效并且有更高的精度。由于Swin Transformer的一些特性，现在许多视觉的模型体系结构中，Swi 阅读全文

摘要： 在 Pandas 中有很多种方法可以进行DF的合并。本文将研究这些不同的方法，以及如何将它们执行速度的对比。 合并DF Pandas 使用 .merge() 方法来执行合并。 import pandas as pd # a dictionary to convert to a dataframe d 阅读全文

摘要： “当算法给你一条曲线时，一定要知道这个曲线的含义！” 1、偏差-方差权衡 这是一个总是在机器学习最重要理论中名列前茅的概念。机器学习中的几乎所有算法（包括深度学习）都努力在偏差和方差之间取得适当的平衡，这个图清楚地解释了二者的对立关系。 2、基尼不纯度与熵 Gini（缺乏同质性的度量）和 Entro 阅读全文

摘要： 向量表示是机器学习生态系统中的一个关键概念。无论进行什么样的任务，我们总是试图训练找所掌握的数据的意义而机器学中通常使用数字向量来对数据进行描述，发现隐藏的行为，产生有价值的见解。 随着深度学习则是通过更少的假设和更少的工作获得更有意义的数据表示。例如在NLP领域，最早的 TF-IDF（词频-逆文档 阅读全文