动手学深度学习——矩阵
tensor(6.), tensor(1.5000), tensor(9.)) 1.2 向量 向量泛化自标量，可以被视为标量值组成的列表，相当于把标量从零阶推广到一阶，这些标量值被称为向量的元素。 在深度学习中，使用一维张量表示向量，可以理解为一维数组。 使用下标来引用向量的任一元素。向量的长度通常称为向量的维度。可以通过张量的.shape属性访问向量的长度。 形状（shape）列出了张量沿每个轴的长...
深度学习中的子空间、线性变换和矩阵概念应用
1.表示子空间 在深度学习中，“不同的表示子空间”通常是指模型通过不同的参数（例如权重矩阵）将输入数据映射到不同的高维空间，这些空间被称为表示子空间。每个子空间都能够捕获输入数据中不同的特征或模式。以下是一些详细解释： 1. 特征表示： 在机器学习中，特征表示是指数据在某个空间中的表示形式。一个模型的目的是找到一个良好的特征表示，使得数据中的模式和关系能够被容易地识别和利用...
计算机毕业设计Flask+Vue.js知识图谱音乐推荐系统 音乐爬虫可视化 音乐数据分析 大数据毕设 大数据毕业设计 机器学习 深度学习 人工智能
LSTM情感分析、短信、身份证识别 补充说明 适合大数据毕业设计、数据分析、爬虫类计算机毕业设计 介绍 音乐数据的爬取：爬取歌曲、歌手、歌词、评论 音乐数据的可视化：数据大屏+多种分析图【十几个图】 深度学习之LSTM 音乐评论情感分析 交互式协同过滤音乐推荐： 2种协同过滤算法、通过点击歌曲喜欢来修改用户对歌曲的评分 歌词、乐评的词云 登录、注册、修改个人信息等【集成身份证识别、短信验证码等】 黄河...
【深度学习实战（17）】计算语义分割的性能指标mIOU
一、指标介绍 在训练语义分割模型时，我们不仅需要知道训练，验证损失，还想要知道性能指标。 二、计算流程 （1）读取验证集的图片和标签（mask图） （2）对模型预测的特征图进行解码，获得预测的mask图 （3）创建num_class x num_class尺寸的混淆矩阵hist （4）将标签mask图和预测mask图转换为numpy数组 （5）将两个numpy数组展平为一维数组，使用np.binco...
深度优先搜索与广度优先搜索，你知道它们的区别吗？
什么是深度优先搜索？ 深度优先搜索（DFS，Depth-First Search）是算法中的一种重要的搜索策略。它的核心思想是“深入探索，直至无路可走，然后再回溯”。这种策略在许多问题中都有着广泛的应用，例如图的遍历、路径查找、解决迷宫问题等等。 让我们通过一个生活中的例子来理解深度优先搜索。假设你正在玩一个迷宫游戏，你需要从迷宫的入口找到出口。你可以选择往前走，直到遇到死胡同，然后再回头，选择另外...
深度学习基础——残差神经网络（ResNet）
深度学习基础——残差神经网络（ResNet） 1. 定义 残差神经网络（ResNet）是一种深度神经网络结构，由微软研究院的Kaiming He等人于2015年提出。它通过引入残差块（Residual Block）来解决深度神经网络的退化问题，使得网络可以更深地进行训练。ResNet在ImageNet图像识别挑战赛上取得了第一名的成绩，并在许多领域取得了显著的成功应用。 2. 如何计算 ResNet...
【深度学习实战（25）】搭建训练框架之ModelEMA
一、什么是ModelEMA： 在深度学习中，经常会使用EMA（指数移动平均）这个方法对模型的参数做平均，以求提高测试指标并增加模型鲁棒。 指数移动平均（Exponential Moving Average）也叫权重移动平均（Weighted Moving Average），是一种给予近期数据更高权重的平均方法。 二、如何实现ModelEMA 创建EMA eval mode，去并行化 self.ema...
GEE数据集——1763 年至 2023 年美国地下水井数据库（USGWD）包括水井用途、位置、深度和容量
我们创建了一个从各州和联邦机构收集的地下水井记录综合数据库，我们称之为美国地下水井数据库（USGWD）。USGWD 以表格和矢量点两种形式呈现，包含 1420 多万条水井记录，其中包括水井用途、位置、深度和容量等属性，这些水井的建造时间可追溯到 1763 年至 2023 年。为确保数据的准确性，我们采用了严格的交叉验证步骤。USGWD 是一个宝贵的工具，可帮助我们更好地了解美国各地区和各部门如何获取和...
深度学习基础——Seq2Seq框架在编码-解码过程中的信息丢失问题及解决方法
深度学习基础——Seq2Seq框架在编码-解码过程中的信息丢失问题及解决方法 在自然语言处理领域，Seq2Seq模型是一种常用的序列到序列模型，用于处理序列数据，例如机器翻译、文本摘要等任务。Seq2Seq模型由编码器（Encoder）和解码器（Decoder）组成，编码器负责将输入序列转换为固定长度的向量表示，解码器则根据该向量表示生成输出序列。 然而，在Seq2Seq模型中存在一个常见的问题，即...
深度学习基础：循环神经网络中的长期依赖问题
循环神经网络中的长期依赖问题 在深度学习中，循环神经网络（RNN）是一种经典的模型，用于处理序列数据，如自然语言处理、时间序列预测等任务。然而，传统的RNN存在着一个长期依赖问题，即在处理长序列时，模型往往难以捕捉到序列中远距离的依赖关系，导致性能下降。在本文中，我们将介绍长期依赖问题的概念、常见的解决方法以及用Python实现示例代码并进行可视化展示。 1. 概述 在循环神经网络中，信息的传递是通...