首页 > TAG信息列表 > Learning

【机器学习部署】Machine Learning Operations(MLOps) --1(利用fastapi部署yolov3模型)

建立一个文件夹用来返回图片预测的结果import osdir_name = "images_uploaded"if not os.path.exists(dir_name): os.mkdir(dir_name)接下来实现部署模型代码import ioimport uvicornimport numpy as npimport nest_asynciofrom enum import Enumfrom fastapi import FastAPI, U

ROS入门21讲(3)

七、话题消息的定义和使用      目的:实现Publisher 与 Subscriber 之间的传输 1、自定义话题消息 如何自定义话题消息? ①完成数据接口的定义---定义msg文件 Person.msg string name uint8 sex uint8 age uint8 unknown = 0 uint8 male = 1 uint8 female = 2 ②在package.xm

2022秋week1,9月12日

    上海—小雨 2022秋week1 9月12日   计算机视觉: why cv matters? for safety health security comfort fun access and so on. course contects: salieny detection segmentation object detection object recognition image recognition video processing categories

Learning to Communicate with Deep Multi-Agent Reinforcement Learning 记录

该论文主要讲述了多智能体通信。 简介中提出,很多多智能体任务需要通信,所以提出了两种算法RIAL和DIAL。论文中考虑的任务是完全合作,部分观测,顺序多智能体决策的任务。所有的智能体的目标是相同的,最大化累计折扣奖励。没用智能体能观察到完整的马尔可夫状态,智能体之间可以通过有限离

【CVPR2022】BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning

【CVPR2022】BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning 论文:https://arxiv.org/pdf/2203.01522.pdf 代码:https://github.com/zhihou7/BatchFormer BatchFormer的 V1 版本 这是一个来自 悉尼大学 和 京东 的工作。为了解决当前

一个好玩的deep learning Demo!

对于生活中的熟悉的动物,我们人脑经过一次扫描,便可以得到该动物的物种!那么机器是如何识别这个图片上的动物是属于哪一物种呢? 本次实验借生活中最常见的猫和狗来探究其原理! 环境准备: tensorflow ,python,一些data 实验预期:   当模型训练完成后,我们可以用该模型去预测一张图片属于哪

一些课程

Stanford Free Online Courses Center for Biomedical Imaging at Stanford EE368/CS232: Digital Image Processing EE368B - Image and Video Compression EE392J: Digital Video Processing EE398B - Image Communication II CS229: Machine Learning CS230 Deep Learning

An overview

Supervised Learning Unsupervised Learning: the goal is to find "interesting" pattern in data, i.e., clustering, generative models \[\{x^{(1)}, x^{(2)}, ..., x^{(n)}\} \] Reinforcement Learning Learning Theory: bound for generalization error

强化学习投资组合管理Portofolio Management

前言 投资组合管理是将资金不断分配到不同的金融产品,以期获得更大累计收益的过程。 在证券组合投资管理中,深度强化学习主要的作用是利用深度神经网络的特征表示能力对强化学习的状态、动作、价值等函数进行拟合,提升强化学习模型性能,实现资产组合权重再更新。 PGPortofolio论文(2017

Deep Learning-深度学习(四)

深度学习入门 1、数据处理优化 1.1 前提条件   即多方的paddlepaddle库的导入,加载飞桨平台和数据处理库。    1 #数据处理部分之前的代码,加入部分数据处理的库 2 import paddle 3 from paddle.nn import Linear 4 import paddle.nn.functional as F 5 import os 6 import gzi

【Deep Learning】构建机器学习项目

本文为吴恩达 Deep Learning 笔记 机器学习策略 (上) 评价指标 为什么要学习机器学习策略: 当我们构造神经网络模型时,可以从很多方面优化:更多的数据、超参数调试、改变神经网络结构、改进优化算法、正则化。 正交化方法: Orthogonalization 正交化方法 正交化方法:每次只调试

【Deep Learning】优化深度神经网络

本文为吴恩达 Deep Learning 笔记 深度学习的实用层面 概念 训练 / 验证 / 测试: Training Set 训练集 Development Set 验证集 Test Set 测试集 偏差 / 方差: Bias 偏差 Variance 方差 Underfitting 欠拟合 Overfitting 过拟合 Optimal Error / Bayes Error 理想误差 / 贝叶斯

Deep Reinforcement Learning for Autonomous Driving: A Survey

郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布! IEEE Trans. Intell. Transp. Syst. 23(6): 4909-4926 (2022)   Abstract   随着深度表示学习的发展,强化学习(RL)领域已经成为一个强大的学习框架,现在能够在高维环境中学习复杂的策略。本综述总结了深度强化学习(DRL)

Deep Learning-深度学习(二)

深度学习入门 1、随机梯度下降   在之前的学习过程当中,对于损失函数的最为重要的参数的梯度的更新是基于数据集中的所有数据,每一个数据都会进行到计算过程当中去,在本案例中,因为波士顿房价预测这个案例所涉及的数据并没有很多,还能够适用于这样的基于所有数据的计算。然而在实际的

Deep Learning-深度学习(二)

深度学习入门 1、随机梯度下降   在之前的学习过程当中,对于损失函数的最为重要的参数的梯度的更新是基于数据集中的所有数据,每一个数据都会进行到计算过程当中去,在本案例中,因为波士顿房价预测这个案例所涉及的数据并没有很多,还能够适用于这样的基于所有数据的计算。然而在实际的

论文阅读 Inductive Representation Learning on Temporal Graphs

12 Inductive Representation Learning on Temporal Graphs link:https://arxiv.org/abs/2002.07962 本文提出了时间图注意(TGAT)层,以有效地聚合时间-拓扑邻域特征,并学习时间-特征之间的相互作用。对于TGAT,本文采用自注意机制作为构建模块,并基于调和分析中的经典Bochner定理(又是没

Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems阅读笔记

动机 本文是2021年CIKM上的一篇论文。目前主流解决推荐系统用户冷启动问题的方法有利用辅助信息以及元学习的方法,但是这些方法的局限是新用户的兴趣以及行为依旧是缺失的。语义知识和预训练好的embedding并不能改变推荐系统对新用户比老用户了解少的困境。作者提出了双塔模型MAIL

【Deep Learning】神经网络与深度学习

本文为吴恩达 Deep Learning 笔记 深度学习概述 什么是神经网络: Neural Network 神经网络 Neuron 神经元 Rectified Linear Unit (ReLU) 线性整流函数 房价预测案例 用神经网络进行监督学习: Supervised Learning / Unsupervised Learning 监督学习 / 无监督学习 Structured

吴恩达Coursera, 机器学习专项课程, Machine Learning:Advanced Learning Algorithms第四周测验

Decision trees 第 1 个问题:Based on the decision tree shown in the lecture, if an animal has floppy ears, a round face shape and has whiskers, does the model predict that it's a cat or not a cat? 【正确】cat Not a cat 【解释】Correct. If you follow the floppy

吴恩达Coursera, 机器学习专项课程, Machine Learning:Advanced Learning Algorithms第三周测验

Practice quiz: Advice for applying machine learning 第 1 个问题:In the context of machine learning, what is a diagnostic? 【正确】A test that you run to gain insight into what is/isn’t working with a learning algorithm. An application of machine learning to m

吴恩达Coursera, 机器学习专项课程, Machine Learning:Advanced Learning Algorithms第二周测验

Practice quiz: Neural Network Training 第 1 个问题:Here is some code that you saw in the lecture: ​​model.compile(loss=BinaryCrossentropy()) For which type of task would you use the binary cross entropy loss function? A classification task that has 3 or mor

吴恩达Coursera, 机器学习专项课程, Machine Learning:Supervised Machine Learning: Regression and Classification第三

Practice quiz: Classification with logistic regression 第 1 个问题:Which is an example of a classification task? 【正确】Based on the size of each tumor, determine if each tumor is malignant (cancerous) or not. Based on a patient's blood pressure, determine

吴恩达Coursera, 机器学习专项课程, Machine Learning:Supervised Machine Learning: Regression and Classification第一

Practice quiz: Supervised vs unsupervised learning 第 1 个问题:Which are the two common types of supervised learning? (Choose two) 【正确】Regression 【解释】Regression predicts a number among potentially infinitely possible numbers. 【不选】Clustering 【正确

机器学习笔记一

引言 机器学习用途广泛 1, 数据挖掘,分析数据,得出用户画像,寻找用户区分度 2, 无法编程实现的功能比如手写体识别,计算机视觉,自然语言分析 3, 自我学习,推荐不同内容 4, 理解人的学习过程,例如真正的ai   什么是机器学习 定义1:在没有明确设置的情况下,使计算机具有学习能力的研究领域 Arthu

Deep Learning Review

8-2 image classification 1x1 Conv filter: \[F_1 ,1 ,1 \]where \(F_1\) is the number of channels. Original input: \[(N,C,H,W) \]then it's transformed to: \[(N,C,H,W)\rightarrow (N,F_1,H,W) \]So 1x1 conv filters can be used to change the dimen