文章目录 一、系统与文件操作类二、数学与随机数类三、日期时间类四、文本处理类五、数据处理与分析类六、数据可视化类七、通信类八、数据加密校验类 一、系统与文件操作类 os模块 功能：提供与操作系统交互的功能，包括文件和目录操作、路径处理等。应用场景：文件管理、脚本自动化、跨平台开发。使用方法： os.path.join()：连接路径片段。os.listdir()：列出指定目录下的文件和子目录。os.m...

使用 PyTorch 实现自然语言分类 1. 简介 自然语言分类是自然语言处理（NLP）中的一项重要任务，广泛应用于情感分析、垃圾邮件检测、主题分类等领域。在本教程中，我们将使用 PyTorch 实现一个自然语言分类模型，具体任务是基于输入的文本预测其类别。 PyTorch 作为一个灵活、功能强大的深度学习框架，广泛应用于各类 NLP 任务。我们将利用 PyTorch 的构建块来实现一个简单的文本分...

第一部分：案例描述 使用神经网络进行多分类问题（一个输入层1x784（28x28像素的图像展平后的维度），一个输出层784x10(对应于MNIST数据集中的10个类别（数字0到9)） 训练过程中使用的损失函数为交叉熵损失函数 优化器使用的是随机梯度下降优化器SGD 第二部分：代码实现 （1）导包 #第一部分：导包import torchimport torchvisionfrom matplot...

一、介绍 文本分类识别系统。本系统使用Python作为主要开发语言，首先收集了10种中文文本数据集（“体育类”, “财经类”, “房产类”, “家居类”, “教育类”, “科技类”, “时尚类”, “时政类”, “游戏类”, “娱乐类”），然后基于TensorFlow搭建CNN卷积神经网络算法模型。通过对数据集进行多轮迭代训练，最后得到一个识别精度较高的模型，并保存为本地的h5格式。然后使用Djan...

1. 算法介绍 决策树是一种常用的机器学习算法,用于分类和回归任务。它通过构建一个树状结构来进行决策,每个内部节点代表一个特征或属性,每个叶节点代表一个类别或预测值。决策树的优点是直观易懂,可解释性强,适用于处理各种类型的数据。 2. 算法原理 决策树的构建过程主要基于以下几个步骤: 特征选择:选择最佳的特征作为当前节点的分裂标准。生成子节点:根据选定的特征将数据集分割为子集。递归构建:对每个子节点...

偏标记学习+图像分类（论文复现） 文章目录 偏标记学习+图像分类（论文复现）概述算法原理核心逻辑效果演示使用方式 概述 算法原理 核心逻辑 import modelsimport datasetsimport torchfrom torch.utils.data import DataLoaderimport numpy as npimport torch.optim as optimf...

     目录 🚀1.基础概念 🚀2.添加位置  🚀3.添加步骤 🚀4.改进方法 💥💥步骤1：common.py文件修改 💥💥步骤2：yolo.py文件修改 💥💥步骤3：创建自定义yaml文件 💥💥步骤4：修改自定义yaml文件 💥💥步骤5：验证是否加入成功...

在当今数据驱动的世界中，机器学习（Machine Learning, ML）正逐渐成为解决问题的重要工具。在众多机器学习任务中，目标分类（Classification）算法尤其受到关注。本文将深入探讨目标分类算法的基本概念、常见类型、应用场景以及实际案例，帮助读者全面理解这一重要主题。 一、什么是目标分类？ 目标分类是机器学习中的一种监督学习任务，其目标是根据输入数据的特征将数据点分配到预定义的类别中...

1. 引言 前文数据校正与增强进行了数据增强，本文将使用增强后的数据对模型进行进一步训练，以便得到能同时预测出分类标签、欺诈者、分类原因多个信息的模型。 为此，我们需要对整个训练过程进行调整，包括： 交叉训练逻辑封装数据序列化的改造评测方法改造 2. 交叉训练封装 首先，我们将前文 交叉训练验证的代码封装为一个脚本trainer_cross.py，方便复用。内容如下： import globimp...

1. 引言 经过前文对数据的校正与增强后，我们的预期生成结果中不再仅仅是分类标签，还多了欺诈者和分类原因。这样之前模型评测和批量评测两篇文章所封装的evaluate.py脚本就不再满足，需要对脚本进行改造，以支持新输出内容的评测。 新的预期结果中共包含三个信息，由于三个信息的特点不同，需要为每个字段制定不同的评测方式： is_fraud: 属于二分类，继续采用精确率和召回率作为评测指标。fraud_...