机器学习

机器学习多标签损失计算
孟宝亮2022-07-04678025
1. 多分类损失计算我们在计算多分类损失时，使用的是多分类交叉熵损失。其简要的计算过程如下：假设：真实的标签为 [0, 0, 1, 0, 0]，预测的分数为 [0.15, -0....
机器学习多标签分类性能评估方法
孟宝亮2022-07-03783070
多标签分类是指每个样本可以被分配到多个类别中，即：可以拥有多个标签。比如：某条新闻既可以是军事类新闻、也可以是政治类新闻。在评估多标签分类模型时，我们使用的是样本平均精确率、样本...
机器学习潜在语义分析（Latent Semantic Analysis）
孟宝亮2022-06-28816022
主题模型（Topic Model）是以非监督的方式对文档的隐含语义结构（Latent Semantic Structure）进行聚类的统计模型。它主要被用于自然语义处理中的语义分...
机器学习使用 PCA 实现图像压缩
孟宝亮2022-06-28796087
我们知道 PCA 能够对信息（矩阵）进行压缩，图像数据也是矩阵形式，所以 PCA 也能够实现对图像数据压缩。程序输出结果：上面代码中，我们设置保留原始图像 0.8 的信息，输出...
机器学习线性判别分析（LDA）
孟宝亮2022-06-27869079
LDA （Linear Discriminant Analysis）名称为线性判别分析，它也是一种直接、快速的分类模型。它本身也是监督算法，训练时需要提供有标注的数据。我们简要描述...
机器学习文本数据增强 – EDA
孟宝亮2022-06-26665040
在《Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks...
机器学习文本数据增强 – 回译
孟宝亮2022-06-26684058
很多资料表明，通过文本数据增强也能够增强模型的分类性能。本篇文章总结几种文本数据增强的方法：马尔科夫链文本增强百度回译数据增强 EDA 数据增强 1. 数据信息简单展示接下来...
机器学习使用 4 隐层 Bert 模型
孟宝亮2022-06-26837073
我们经常使用 Bert 的预训练模型 bert-base-chinese 作为基础模型来实现下游的一些文本理解 NLP 任务。原始的 bert-base-chinese 使用 12...
机器学习文本数据增强 – 马尔科夫链
孟宝亮2022-06-24691093
很多资料表明，通过文本数据增强也能够增强模型的分类性能。本篇文章总结几种文本数据增强的方法：马尔科夫链文本增强百度回译数据增强 EDA 数据增强 1. 数据信息简单展示接下来...
机器学习基于候选区的卷积神经网络（R-CNN）
孟宝亮2022-06-22755055
提到目标检测，我们几乎都是从 R-CNN 开始，这篇文章就对 R-CNN 做一个简单的了解。要内容来自 Paper 《Rich feature hierarchies for ac...
机器学习二分类交叉熵损失函数（BCELoss）
孟宝亮2022-06-181583093
PyTorch 中提供了 BCELoss 和 BCEWithLogitsLoss 两个用于计算二分类交叉熵损失的函数。两者的区别如下： BCELoss 要求输入的 logits 必...
机器学习 ELECTRA
孟宝亮2022-06-151071020
我们知道 BERT 模型是应用 MLM 预训练任务得来的，而 ELECTRA（Efficiently Learning an Encoder that Classifies Tok...
机器学习多分类交叉熵损失函数（CrossEntropyLoss）
孟宝亮2022-06-141402011
多分类交叉熵是我们经常使用的一种损失函数，这篇文章总结下关于多分类交叉熵的一些小点，主要有：多分类交叉熵对于整数标签的计算多分类交叉熵对于浮点数标签的计算多分类交叉熵中的标签...
机器学习 HanLP 使用
孟宝亮2022-06-11852065
HanLP 是一款用于 NLP 任务的非常强大的工具，可以用来解决以下的 NLP 任务. 1. 中文分词 2. 命名实体识别 3. 其他
机器学习 PaddleNLP 数据增强函数
孟宝亮2022-06-0965402
PaddleNLP 库提供了非常简便的文本数据增强实现，主要包括： WordSubstitute 词替换 WordDelete 词删除 WordSwap 词交换 WordInser...
机器学习 R-BERT
孟宝亮2022-06-0989408
模型架构来自论文：https://arxiv.org/pdf/1905.08284.pdf，文章内容主要来自对这篇 Paper 的学习，感谢作者。Relation Classifi...
机器学习 Transformers 解码方法
孟宝亮2022-06-031063060
在使用自回归模型做生成任务时，例如使用 GPT2 做生成任务，需要解码预测结果。会接触到以下几种解码方法： Greedy Search Beam Search Top-K Samp...
机器学习基于 GPT2 实现生成小说任务 – 训练预测
孟宝亮2022-06-03687094
下面的是具体的训练代码和小说生成代码。 1. 训练代码训练过程会输出一个 epoch 的总损失，以及每个 epoch 结束时使用的学习率。注意，下面代码运行时，不可以将 main...
机器学习基于 GPT2 实现生成小说任务 – 数据处理
孟宝亮2022-05-31788095
前面使用 GPT2 实现生成对联任务，这两天想用 GPT2 实现小说生成。这两个任务看似都是文本生成任务，但还是不同的。对联任务生成的内容很短小，生成小说则内容很长。从实现过程来看...
机器学习 PyTorch Ignite Concepts
孟宝亮2022-05-3066101
Ignite 是一个可以帮助我们在 PyTorch 中训练和评估神经网络的高级库。简单来讲，使用该训练库可以让我们的训练代码更加简洁，灵活。工具的安装命令如下： Ignite 中主...

1 … 4 5 6 … 12

机器学习

机器学习 多标签损失计算

机器学习 多标签分类性能评估方法

机器学习 潜在语义分析（Latent Semantic Analysis）

机器学习 使用 PCA 实现图像压缩

机器学习 线性判别分析（LDA）

机器学习 文本数据增强 – EDA

机器学习 文本数据增强 – 回译

机器学习 使用 4 隐层 Bert 模型

机器学习 文本数据增强 – 马尔科夫链

机器学习 基于候选区的卷积神经网络（R-CNN）

机器学习 二分类交叉熵损失函数（BCELoss）

机器学习 ELECTRA

机器学习 多分类交叉熵损失函数（CrossEntropyLoss）

机器学习 HanLP 使用

机器学习 PaddleNLP 数据增强函数

机器学习 R-BERT

机器学习 Transformers 解码方法

机器学习 基于 GPT2 实现生成小说任务 – 训练预测

机器学习 基于 GPT2 实现生成小说任务 – 数据处理

机器学习 PyTorch Ignite Concepts

置顶推荐