- 使用pytorch搭建神经网络回归模型，分析如下： （1）描述所使用的神经网络模型； （2）描述训练模型所使用的算法； （3）描述模型超参数（如神经网络模型结构对应的参数）确定的过程，分析模型训练结果，包括五次5折交叉验证及其结果、模型训练过程相应误差的变化情况等； （4）总结模型训练过程中的收获。 使用pytorch搭建神经网络回归模型，分析如下： （1）描述所使用的神经网络模型； （2）描述训练模型所使用的算法； （3）描述模型超参数（如神经网络模型结构对应的参数）确定的过程，分析模型训练结果，包括五次5折交叉验证及其结果、模型训练过程相应误差的变化情况等； （4）总结模型训练过程中的收获。
- 正则项不影响线性回归损失函数的凸性 2021-09-10Question: 加上正则项以后函数还是凸的吗? 梯度下降还适用吗?还是适用的, 证明如下 首先, 如何证明一个函数为凸函数?如果fff是二阶可微的，那么如果fff的定义域是凸集，并且∀x∈dom(f),∇2f(x)⩾0\forall x\in dom(f), \nabla^2 f(x)\geqslant0∀x∈dom(f),∇2f... 正则项不影响线性回归损失函数的凸性 2021-09-10Question: 加上正则项以后函数还是凸的吗? 梯度下降还适用吗?还是适用的, 证明如下 首先, 如何证明一个函数为凸函数?如果fff是二阶可微的，那么如果fff的定义域是凸集，并且∀x∈dom(f),∇2f(x)⩾0\forall x\in dom(f), \nabla^2 f(x)\geqslant0∀x∈dom(f),∇2f...
- 拉格朗日乘子法是求解有约束最优化问题的常用方法，其基本思路是引入一个新的参数λ，把约束条件与原目标函数结合在一起，构成新的目标函数（称为拉格朗日函数），然后通过偏导数求解最优化问题。假设目标函数为f(x)，约束条件为g(x)=k，则可以构建拉格朗日函数L(x,λ)=f(x)+λ(g(x)-k)。通过偏导数方法求解拉格朗日乘子法可推广到多自变量的情况构建拉格朗日函数通过偏导数法求解拉格朗日乘子... 拉格朗日乘子法是求解有约束最优化问题的常用方法，其基本思路是引入一个新的参数λ，把约束条件与原目标函数结合在一起，构成新的目标函数（称为拉格朗日函数），然后通过偏导数求解最优化问题。假设目标函数为f(x)，约束条件为g(x)=k，则可以构建拉格朗日函数L(x,λ)=f(x)+λ(g(x)-k)。通过偏导数方法求解拉格朗日乘子法可推广到多自变量的情况构建拉格朗日函数通过偏导数法求解拉格朗日乘子...
- 定义（最大熵模型） 假设满足所有约束条件的模型集合为定义在条件概率分布P(Y|X)上的条件熵为那么结合学习笔记|最大熵模型中的例子，我们如何来理解最大熵模型？1. 掷骰子的例子为了更好地理解最大熵模型，我们先来看一个掷骰子的例子（它的原型和基本思路来源于参考文献2）。骰子y1y2y3y4y5y6x11002030400x25012340则联合分布的经验分布:X边缘分布的经验分布：如果不考虑上... 定义（最大熵模型） 假设满足所有约束条件的模型集合为定义在条件概率分布P(Y|X)上的条件熵为那么结合学习笔记|最大熵模型中的例子，我们如何来理解最大熵模型？1. 掷骰子的例子为了更好地理解最大熵模型，我们先来看一个掷骰子的例子（它的原型和基本思路来源于参考文献2）。骰子y1y2y3y4y5y6x11002030400x25012340则联合分布的经验分布:X边缘分布的经验分布：如果不考虑上...
- 预训练预训练能带来以下一些优势：通过利用大量无标注文本，预训练有助于模型学习通用语言表征。只需增加一两个特定的层，预训练模型可以适应下游任务。因此这能提供很好的初始化，从而避免从头开始训练下游模型（只需训练特定于任务的层）。让模型只需小型数据集就能获得更好的表现，因此可以降低对大量有标注实例的需求。深度学习模型由于参数数量大，因此在使用小型数据集训练时，容易过拟合。而预训练可以提供很好的初始... 预训练预训练能带来以下一些优势：通过利用大量无标注文本，预训练有助于模型学习通用语言表征。只需增加一两个特定的层，预训练模型可以适应下游任务。因此这能提供很好的初始化，从而避免从头开始训练下游模型（只需训练特定于任务的层）。让模型只需小型数据集就能获得更好的表现，因此可以降低对大量有标注实例的需求。深度学习模型由于参数数量大，因此在使用小型数据集训练时，容易过拟合。而预训练可以提供很好的初始...
- 在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常我们有两种做法:(1)足够大的数据量，扩充足够多的样本去增强模型适应尺度变换的能力，因为样本的局限性模型的泛化能力会较低。(2)设置一些针对几何变换不变的特征或者算法，算法的复杂性导致难以设计。可变形卷积顾名思义就是卷积的位置是可变形的，并非在传统的N × N的网格上做卷积，这样的好处就是更准确地提取到我们... 在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常我们有两种做法:(1)足够大的数据量，扩充足够多的样本去增强模型适应尺度变换的能力，因为样本的局限性模型的泛化能力会较低。(2)设置一些针对几何变换不变的特征或者算法，算法的复杂性导致难以设计。可变形卷积顾名思义就是卷积的位置是可变形的，并非在传统的N × N的网格上做卷积，这样的好处就是更准确地提取到我们...
- 空洞卷积广泛应用于语义分割与目标检测等任务中，通过保持特征图相对的空间位置，提高感受野照顾到分割任务的上下文信息，一定程度上提高了在分割场景中的效果，语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet也使用了空洞卷积。但是空洞卷积也存在着一定的缺陷，一是产生网格效应，如下图：我们发现感受野并不是连续的，也就是并不是所有的格子中的信息都用来计算... 空洞卷积广泛应用于语义分割与目标检测等任务中，通过保持特征图相对的空间位置，提高感受野照顾到分割任务的上下文信息，一定程度上提高了在分割场景中的效果，语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet也使用了空洞卷积。但是空洞卷积也存在着一定的缺陷，一是产生网格效应，如下图：我们发现感受野并不是连续的，也就是并不是所有的格子中的信息都用来计算...
- 作业：填空题计算矩阵：287、288、290、291、292、293、294、295、296、297、298、299、300、301、303；矩阵的秩、线性相关：304、305、306、307、308、309、310、311、312、313、314、315、316、317、318、319、320；选择题矩阵的运算：351、352、353、354、355、356、357、358、359、360... 作业：填空题计算矩阵：287、288、290、291、292、293、294、295、296、297、298、299、300、301、303；矩阵的秩、线性相关：304、305、306、307、308、309、310、311、312、313、314、315、316、317、318、319、320；选择题矩阵的运算：351、352、353、354、355、356、357、358、359、360...
- 前段时间参加了华为RPA机器人14天训练营，在学习过程中，遇到了以下几个问题： 1因个人安装Windows7旗舰版64位，在使用Web录制时出现乱码，在华为-梁老师的帮助下解决办法：修改安装路径F:\WeAutomate\Studio 2.14.0\Recorder\web\webrecorder-0.0.1-SNAPSHOT.jar\application.css里面的-fx... 前段时间参加了华为RPA机器人14天训练营，在学习过程中，遇到了以下几个问题： 1因个人安装Windows7旗舰版64位，在使用Web录制时出现乱码，在华为-梁老师的帮助下解决办法：修改安装路径F:\WeAutomate\Studio 2.14.0\Recorder\web\webrecorder-0.0.1-SNAPSHOT.jar\application.css里面的-fx...
- 第一章： 通过 学习1 .2 了解了机器学习的基本术语，从数据中学得模型的过程称为“学习”或“训练”，这个过程通过执行 某个学习 算法来完成。模型可以看作学习算法在给定数据和参数空间上的实例化。在计算机系统中，“经验”通常以“数据”的形式存在，因此，机器学习所研究的主要内容，是在计算机上从数据中产生“模型（ model）”的算法，即“学习算法”（learning algorithm）。通过学... 第一章： 通过 学习1 .2 了解了机器学习的基本术语，从数据中学得模型的过程称为“学习”或“训练”，这个过程通过执行 某个学习 算法来完成。模型可以看作学习算法在给定数据和参数空间上的实例化。在计算机系统中，“经验”通常以“数据”的形式存在，因此，机器学习所研究的主要内容，是在计算机上从数据中产生“模型（ model）”的算法，即“学习算法”（learning algorithm）。通过学...
- 机器学习可以大致分为三个研究领域：监督学习，无监督学习和强化学习（Reinforcement Learning，RL）。监督学习是大家最为熟知的一种机器学习方式，我们经常遇到的图片分类、人脸识别、回归预测等任务都属于监督学习。简而言之，监督学习处理的任务是根据给定的输入-标签对，构建模型，实现对新输入的标签进行预测。无监督学习，顾名思义，在模型学习阶段不需要标签（往往是因为标签标注成本高或标... 机器学习可以大致分为三个研究领域：监督学习，无监督学习和强化学习（Reinforcement Learning，RL）。监督学习是大家最为熟知的一种机器学习方式，我们经常遇到的图片分类、人脸识别、回归预测等任务都属于监督学习。简而言之，监督学习处理的任务是根据给定的输入-标签对，构建模型，实现对新输入的标签进行预测。无监督学习，顾名思义，在模型学习阶段不需要标签（往往是因为标签标注成本高或标...
- 1.环境准备（弹性云服务器）打开控制台-弹性云服务器-选择购买弹性云服务器计费方式选择按需计费 区域选择默认可用区随机分配即可cpu架构选择x86计算规格 AI加速型 ai1s.large.4 镜像选择共享镜像这里的镜像找小助手申请后需要自己在镜像服务里面选择接受才可以， 接收之后这里创建弹性云服务器时才能够找到学习用的镜像系统盘选择 通用型SSD 40G然后点击下一步网络选择默认vpc安... 1.环境准备（弹性云服务器）打开控制台-弹性云服务器-选择购买弹性云服务器计费方式选择按需计费 区域选择默认可用区随机分配即可cpu架构选择x86计算规格 AI加速型 ai1s.large.4 镜像选择共享镜像这里的镜像找小助手申请后需要自己在镜像服务里面选择接受才可以， 接收之后这里创建弹性云服务器时才能够找到学习用的镜像系统盘选择 通用型SSD 40G然后点击下一步网络选择默认vpc安...
- 开始训练In [8]:from keras.optimizers import Adamfrom yolo3.utils import get_random_data # 设置所有的层可训练for i in range(len(model.layers)): model.layers[i].trainable = True # 选择Adam优化器，设置学习率learning_ra... 开始训练In [8]:from keras.optimizers import Adamfrom yolo3.utils import get_random_data # 设置所有的层可训练for i in range(len(model.layers)): model.layers[i].trainable = True # 选择Adam优化器，设置学习率learning_ra...
- 测试部分在这部分中，我们利用训练得到的模型进行推理测试。In [13]:%matplotlib inlinefrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_function# 将路径转入libimport tools._init_pathsfro... 测试部分在这部分中，我们利用训练得到的模型进行推理测试。In [13]:%matplotlib inlinefrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_function# 将路径转入libimport tools._init_pathsfro...
- RPA训练营第三天爬坑之旅踩坑地点：【例9.1】打开华为官方网站搜索手机。具体实现步骤(3)在弹出的Web 录制器画面中，选择Chrome浏览器并填写URL然后点击“开始”按钮，弹出报错页面于是按照3个报错原因一一排查。A.将华为地址换成了www.baidu.com。跳转失败。原因1排除。B.浏览器未正确安装。检查了谷歌版本，插件，驱动，一切正常C.重点放在了原因3上面。因为当时安装stud... RPA训练营第三天爬坑之旅踩坑地点：【例9.1】打开华为官方网站搜索手机。具体实现步骤(3)在弹出的Web 录制器画面中，选择Chrome浏览器并填写URL然后点击“开始”按钮，弹出报错页面于是按照3个报错原因一一排查。A.将华为地址换成了www.baidu.com。跳转失败。原因1排除。B.浏览器未正确安装。检查了谷歌版本，插件，驱动，一切正常C.重点放在了原因3上面。因为当时安装stud...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签