- 2024-08-28[Paper Reading] Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model
Transfusion:PredicttheNextTokenandDiffuseImageswithOneMulti-ModalModellink时间：24.08机构：Waymo&UniversityofSouthernCaliforniaTL;DR提出一种使用混合模态token来训练transformer，名为transfusion，是一种生成式AI模型。主要工作使用了2T的tokens结合语言
- 2024-08-25机器学习：随机森林决策树学习算法及代码实现
1、概念 随机森林（RandomForest）是一种集成学习方法，它通过构建多个决策树来进行分类或回归预测。随机森林的核心原理是“集思广益”，即通过组合多个弱学习器（决策树）的预测结果来提高整体模型的准确性和健壮性。2、集成学习（EnsembleLearning）： 集
- 2024-08-23【LLM & RAG & text2sql】大模型在知识图谱问答上的核心算法详细思路及实践
前言本文介绍了一个融合RAG（Retrieval-AugmentedGeneration）思路的KBQA（Knowledge-BasedQuestionAnswering）系统的核心算法及实现步骤。KBQA系统的目标是通过自然语言处理技术，从知识图谱中提取和生成精确的答案。系统的实现包括多个关键步骤：mention识别、实体链接及排序、属
- 2024-08-21机器学习-过采样（全网最详解）
相关介绍在逻辑回归中，处理不平衡数据集是一个重要的步骤，因为不平衡的数据集可能导致模型偏向于多数类，而忽略少数类。过采样（Over-sampling）是处理不平衡数据集的一种常用方法，它通过增加少数类样本的数量来平衡数据集。1.过采样的基本概念过采样是指对训练集中的少数类样本
- 2024-08-20机器学习-下采样（全网最详解）
文章目录相关介绍逻辑回归不平衡数据集下采样逻辑回归与下采样结合下采样运用1.导入相关包2.数据预处理3.数据下采样与合并4.绘制下采样图像5.划分数据集6.模型训练与评估7.阈值调整与性能评估总结1.下采样的优点2.下采样的缺点相关介绍逻辑回归逻辑回归是一
- 2024-08-05机器学习-线性回顾
线性回归线性回归1.简介2.线性回归问题求解3.欠拟合与过拟合线性回归1.简介"""简介: 定义: 利用回归方程对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式 公式: 见下图 分类: 一元线性回归: 目标值与一个因变量有关
- 2024-07-29深度学习与图像识别day5（机器学习基础）
线性问题主要处理回归问题，回归问题即预测一个连续问题的数值。计算决定系数（R-squared，也称为R²或系数决定）是衡量回归模型预测准确性的一个常用指标。R-squared值越接近1，表示模型的预测性能越好；如果R-squared值为0，则表示模型只是简单地预测了目标变量的平均值；如果R-squared值为负，
- 2024-07-12基于VGG16特征提取与聚类优化的苹果分类系统开发与性能提升
数据集链接：https://pan.baidu.com/s/1qQglNzAIkBNxdrwND0NLNQ?pwd=data 提取码：data1.目的任务：根据original_data样本数据，建立模型，对test的图片进行普通/其他苹果判断 1.数据增强，扩充确认为普通苹果的样本数量 2.特征提取，使用VGG16模型提取特征 3.图片批量处理
- 2024-07-10基于单层LSTM模型的文本序列预测：从预处理到字符预测的完整流程
数据集我的数据集就是重复的两句话，重复了几百次。引言在自然语言处理（NLP）领域，序列预测是一个非常重要的任务，它涉及到根据已有的文本序列来预测接下来的内容。近年来，循环神经网络（RNN）及其变体，如长短时记忆网络（LSTM），因其能够有效处理序列数据中的长期依赖关系而广受青睐。本博客
- 2024-07-07昇思25天学习打卡营第11天 | LLM原理和实践：基于MindSpore实现BERT对话情绪识别
1.基于MindSpore实现BERT对话情绪识别1.1环境配置#实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号!pipuninstallmindspore-y!pipinstall-ihttps://pypi.mirrors.ustc.edu.cn/simplemindspore==2.2.14#该案例在min
- 2024-06-24[本科项目实训] P-Tuning v2 测试记录
测试脚本PRE_SEQ_LEN=64CHECKPOINT=dsbtpg-chatglm-6b-pt-64-2e-2STEP=500CUDA_VISIBLE_DEVICES=0python3main.py\--do_predict\--validation_filedevVX.json\--test_filedevVX.json\--overwrite_cache\--prompt_columncontent\
- 2024-06-24机器学习（二）
机器学习3.分类算法3.1sklearn转换器和估计器3.1.1转换器3.1.2估计器(在sklearn实现机器学习算法)3.2K-近邻算法3.2.1什么是K-近邻算法3.2.2K-近邻算法API3.2.3案例：鸢尾花种类预测3.2.4K-近邻总结3.3模型选择与调优3.3.1交叉验证（crossvaildation）3.3.2超参
- 2024-05-21tensorflow.js示例笔记 - predict-download-time
预测下载时间。<!DOCTYPEhtml><html><head><title>predict-download-time</title><style>canvas{border:1pxsolid#d3d3d3;}</style><sc
- 2024-05-03使用 __get__ 向已有类实例注入函数
突然有这样的特殊需求：向已经实例化的类对象添加新方法。例如，我的model本没有实现predict_step方法，现在我想向model注入这个函数：defpredict_step(self,batch,batch_idx,dataloader_idx=0):logits=self(**batch)["logits"]pred=F.softmax(logits,dim=-1)
- 2024-04-20回归问题求解 python---梯度下降+最小二乘法
MSE=1/m*∑i=1m(yi−y^i)2 a=[1.,2.,3.,4.,5.,6.,7.,8.,9.]b=[3.,5.,7.,9.,11.,13.,15.,17.,19.]points=[[a[i],b[i]]foriinrange(len(a))]lr=0.001eps=0.0001m=len(
- 2024-04-08从模型到部署，教你如何用Python构建机器学习API服务
本文分享自华为云社区《Python构建机器学习API服务从模型到部署的完整指南》，作者：柠檬味拥抱。在当今数据驱动的世界中，机器学习模型在解决各种问题中扮演着重要角色。然而，将这些模型应用到实际问题中并与其他系统集成，往往需要构建API服务。本文将介绍如何使用Python构建机器学习
- 2024-04-03手写数字图片识别——DL 入门案例
DeepLearningDemoofPrimary下面介绍一个入门案例，如何使用TensorFlow和Keras构建一个CNN模型进行手写数字识别，以及如何使用该模型对自己的图像进行预测。尽管这是一个相对简单的任务，但它涵盖了深度学习基本流程，包括：数据准备模型构建模型训练模型预测输入：importtenso
- 2024-03-23决策树——泰坦尼克号
具体步骤：1、导入相关扩展包fromsklearn.model_selectionimporttrain_test_split#划分数据集fromsklearn.feature_extractionimportDictVectorizer#字典特征值提取fromsklearn.treeimportDecisionTreeClassifier#决策树fromsklearn.treeimportexpor
- 2024-03-22机器学习-05-回归算法
总结本系列是机器学习课程的系列课程，主要介绍机器学习中回归算法，包括线性回归，岭回归，逻辑回归等部分。参考fit_transform,fit,transform区别和作用详解！！！！！！机器学习入门（七）：多项式回归,PolynomialFeatures详解“L1和L2正则化”直观理解解读正则化LASSO回归岭回归python学
- 2024-03-193.19
铜期货价格的预测代码今日完成LSTM模型的搭建和运行代码部分分为两部分：模型的训练和预测训练模型部分代码：deftrain_lstm(batch_size=5,time_step=2,train_begin=0,train_end=150):X=tf.placeholder(tf.float32,shape=[None,time_step,input_size])Y=tf.placehold
- 2024-02-28Python 线性回归(y=ax+b)
线性回归主要是拟合一个函数，能预测一个新的样本：（1）数据集如下： （2）预测值：feet=5001#-*-coding:utf-8-*-2importmatplotlib.pyplotasplt3importpandasaspd4fromsklearnimportlinear_model5importos6os.chdir("/Users/xxx/PycharmProjects/dataset/"
- 2024-02-04线性回归实现示例
假设我们的基础模型是y=wx+b，其中w和b均为参数，我们使用y=3x+0.8来构造数据x、y，所以最后通过模型应该能够看得出w和b分别接近3和0.8。实现过程：1、准备数据2、计算预测值3、计算损失，把参数的梯度置为0，进行反向传播4、更新参数代码示例：importtorchimportmatplotlib
- 2024-01-20深度学习-神经网络原理-39
目录1.神经网络算法是有监督的学习算法，2.分类3.训练4.代码进入新的内容，深度学习啦万事万物的产生不是一下子就变出来的，学术上也是，一点点的进步才催生出一门新的学科或者技术，神经网络用于机器学习也不例外，前面的机器学习的内容，线性回归，逻辑回归，多分类，决策树，以及各种集成学习
- 2023-12-13机器学习-线性回归-多项式升维-07
目录1.为什么要升维2代码实现3,总结1.为什么要升维升维的目的是为了去解决欠拟合的问题的，也就是为了提高模型的准确率为目的的，因为当维度不够时，说白了就是对于预测结果考虑的因素少的话，肯定不能准确的计算出模型。在做升维的时候，最常见的手段就是将已知维度进行相乘来构建
- 2023-12-11机器学习-线性回归-模型解析解-02
1.解析解解析解的公式importnumpyasnpimportmatplotlib.pyplotasplt#有监督机器学习#XyX=2*np.random.rand(100,1)#np.random.rand#100行1列的[0,1)之间均匀分布*2之后则变成[0,2)之间均匀分布e=np.random.randn(100,1)#误差均值0