祥瑞哈哈哈

摘要： 准确率:0.6956521739130435。 思考 1.任何都是基于假设去处理数据。本文的假设就是出现一点在正包的交点中。假设是正包交于一点且该点距离所有的包距离最短。 遇到的问题: 1.我想找一点尽可能降低该点与正包的距离。实现。只是采用了简单的欧式距离。正包为欧式距离，负包是欧式距离加负号， 阅读全文

摘要： x = torch.ones(1, 5, requires_grad=True) optimizer = optim.Adam({x}, lr=0.004) for i in range(50): optimizer.zero_grad() x1=torch.Tensor([1,2,3,4,5]) 阅读全文

摘要： https://cloud.google.com/tpu/docs/tutorials/resnet-pytorch 阅读全文

摘要： https://cloud.google.com/tpu/docs/tutorials/pytorch-pod 阅读全文

摘要： 在网络中加BN后批度必须大于1，否则无法进行训练。 将模型调为eval模式后BN层失去作用。 阅读全文

摘要： (i) non-discriminatory features that are on the object, (ii) background features within the ground-truth box, and (iii) occluders 阅读全文

摘要： 问题一:既然示例没有标记那他的正负怎么判断？我猜应该是做少量标记。 问题二:多示例会不会导致模型对一张图片预测的不准？因为标签只是正负包是不是只能做一些粒度比较大的任务？ 感觉多示例可以看成多通道啊，最后给个包得分也没啥问题吧？ 因为序列不变性，所以不能是多通道，不太懂特征提取层怎么弄。 多示例的构 阅读全文

摘要： 一个分子可以有多个low-engergy shape，但是在当时学者们只能判断一个分子能否制成药物，而不能判断到底是分子的哪个low-energy shape在起作用。假如我们用常见的分类算法，把所有能制药的分子的low-energy shape当作正例，反之当作负例。那么我们的训练结果会非常不准确 阅读全文

摘要： 在机器学习中，多示例学习(Multiple Instance Learning 简称 MIL)是由监督型学习算法演变出的一种方法，定义“包”为多个示例的集合，具有广泛的应用。学习者不是接收一组单独标记的实例，而是接收一组带标签的包，每个包拥有多个实例。在多实例二进制分类的简单情况下，如果包中的所有实 阅读全文

摘要： test_image = 'images/hand.jpg' oriImg = cv2.imread(test_image) # B,G,R order w=body_estimation(oriImg)#直接存w0就行。 np.save('input.npy',oriImg) np.save('o 阅读全文