随笔分类 -  [T08] 机器学习

SMPL模型Shape和Pose参数
摘要：两部分 1、Pose参数 2、Shape参数 一 Pose参数 共24个关节点，对应idx从0到23，图中3个小图分别表示zero shape只有idx节点分别绕x/y/z轴旋转。 其中蓝色线表示-pi/4旋转，黑色线表示pi/4旋转。 其中0为kinematic tree的root，控制全局旋转， 阅读全文
posted @ 2020-01-17 19:50 戒骄戒躁-沉淀积蓄 阅读(4130) 评论(0) 推荐(0)
tensorflow 损失计算--MSN
摘要：1、tf.losses.mean_squared_error函数 labels：真实的输出张量,与“predictions”相同. predictions：预测的输出. weights：可选的Tensor,其秩为0或与labels具有相同的秩,并且必须可广播到labels(即,所有维度必须为1与相应 阅读全文
posted @ 2019-06-28 15:12 戒骄戒躁-沉淀积蓄 阅读(902) 评论(0) 推荐(0)
机器学习 之 决策树
摘要：决策树算法 分类回归树(CART,Classification And Regression Tree)ID3算法C4.5算法CHi-squared Automatic Interaction Detector (CHAID). 在生成树的过程中用多层分裂.[7]MARS:可以更好的处理数值型数据。 阅读全文
posted @ 2019-05-28 18:30 戒骄戒躁-沉淀积蓄 阅读(225) 评论(0) 推荐(0)
机器学习 之 优化器
摘要：梯度下降优化法经历了 SGD→SGDM→NAG→AdaGrad→AdaDelta→Adam→Nadam 这样的发展历程。之所以会不断地提出更加优化的方法，究其原因，是引入了动量（Momentum）这个概念。 一阶动量来给梯度下降法加入惯性（即，越陡的坡可以允许跑得更快些） 二阶动量引入之后，才真正意 阅读全文
posted @ 2019-04-23 19:12 戒骄戒躁-沉淀积蓄 阅读(1147) 评论(0) 推荐(0)
Tensorflow计算正确率、精确率、召回率
摘要：二分类模型的评价指标 https://www.cnblogs.com/xiaoniu-666/p/10511694.html 参考tf的方法 参考： https://blog.csdn.net/sinat_35821976/article/details/81334181 https://tenso 阅读全文
posted @ 2019-03-13 15:39 戒骄戒躁-沉淀积蓄 阅读(3692) 评论(0) 推荐(0)
二分类模型评价指标
摘要：1. 分类情况： 准确率 - accuracy 精确率 - precision 精确率（Precision）: 预测为正类样本中真正为正类样本的比例【越高越好】 召回率（Recall）:预测为正类样本被正确分类的比例【越高越好】 虚警率（False alarm）：负类样本被(预测)分为正类样本在所有 阅读全文
posted @ 2019-03-11 16:55 戒骄戒躁-沉淀积蓄 阅读(791) 评论(0) 推荐(0)
机器学习 - 正则化L1 L2
摘要：L1 L2 Regularization 表示方式： $L_2\text{ regularization term} = ||\boldsymbol w||_2^2 = {w_1^2 + w_2^2 + ... + w_n^2}$ 执行 L2 正则化对模型具有以下影响 使权重值接近于 0（但并非正好 阅读全文
posted @ 2019-02-14 20:35 戒骄戒躁-沉淀积蓄 阅读(201) 评论(0) 推荐(0)
机器学习 - 损失函数 + 正则化
摘要：损失函数添加L2 regularization 对于AlphaGo 的一个神经网络预测两个值的情况，在原有的损失函数上，又要添加正则项来修正 AlphaGo的损失函数 使用了MSE和交叉验证，没有采用softmax激活函数，只有value网络使用了tanh激活 阅读全文
posted @ 2019-02-14 18:16 戒骄戒躁-沉淀积蓄 阅读(723) 评论(0) 推荐(0)
机器学习 - 损失计算-softmax_cross_entropy_with_logits
摘要：tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None) 第一个参数logits：就是神经网络最后一层的输出 第二个参数labels：实际的标签 具体的执行流程大概分为两步： 第一步是先对网络最后一层的输出做一个softma 阅读全文
posted @ 2019-02-14 00:32 戒骄戒躁-沉淀积蓄 阅读(510) 评论(0) 推荐(0)
机器学习，交叉验证
摘要：本文结构： 什么是交叉验证法？ 为什么用交叉验证法？ 主要有哪些方法？优缺点？ 各方法应用举例？ 什么是交叉验证法？ 它的基本思想就是将原始数据（dataset）进行分组，一部分做为训练集来训练模型，另一部分做为测试集来评价模型。 为什么用交叉验证法？ 交叉验证用于评估模型的预测性能，尤其是训练好的 阅读全文
posted @ 2018-12-26 15:48 戒骄戒躁-沉淀积蓄 阅读(475) 评论(0) 推荐(0)
机器学习-回归模型
摘要：f(x)=wTx+b 线性回归 岭回归 LASSO LASSO是least absolute shrinkage and selection operator的简称 逻辑回归(对数几率回归) 线性回归 线性回归要求均方误差最小: $(w^{*},b^{*})=argmin\sum_{i=1}^m(f 阅读全文
posted @ 2018-11-30 17:18 戒骄戒躁-沉淀积蓄 阅读(139) 评论(0) 推荐(0)