个人技术分享

keras.callbacks.EarlyStopping(monitor="val_loss", patience=5),#超过四次验证损失不减少就停止。x = layers.Rescaling(scale=1.0 / 255)(inputs)#0-1归一化。

本文以deeplabv3+为例，采用RKD蒸馏方法，实现了剪枝前模型对剪之后模型的蒸馏训练。

在NGS数据比对后，需要矫正GC偏好引起的reads数量误差可用loess回归算法，使用R语言对封装的loess算法实现。

Apollo计划展现了技术的坚韧与毅力。自2013年百度开始自动驾驶技术的探索以来，Apollo团队一直坚持不懈，经历了无数挑战和困难。然而，他们始终保持着对技术的执着追求，不断突破自我，推动自动驾驶技术的发展。**Apollo 的每一步都走得坚定而有力。**让我们从中学到了不少技术知识，也让我们成为了Apollo时代发展的见证者。我深刻地意识到自动驾驶技术的巨大潜力和广阔前景。而Apollo作为自动驾驶领域的领军企业，将继续引领行业创新，推动自动驾驶技术的普及和应用。自动驾驶技术将会越来越普及。

Pixel 8a 、自动驾驶出租车、秘密产品

在人工智能和机器学习领域，Pipeline是一种设计模式，它将多个处理步骤串联起来，形成一个有序的、自动化的工作流程。这一概念在自然语言处理（NLP）尤其重要，因为NLP任务通常涉及多个阶段，如文本清洗、特征提取、模型训练或预测等。Pipeline的设计旨在减少重复代码、提高代码的可维护性，并优化整个处理流程的效率。

在这篇博客中，我们将深入探讨回归决策树的构建和应用。首先，我们将讨论如何选择和调整回归决策树的关键参数，以优化模型的性能。接着，我们将准备用于训练和测试的数据，并进行必要的预处理。然后，我们将构建回归决策树模型，包括拟合模型、预测数据、查看特征重要性以及评估模型拟合效果。最后，我们将通过可视化工具展示回归决策树的真实值和预测值，以及决策树的结构。这篇博客旨在帮助读者全面理解回归决策树的工作原理，并通过实践案例提升其在数据科学领域的应用能力。

W_rd: driving image通过编码器E 映射成512维向量，然后通过MLP映射成20维视觉向量A_rd，与字典D中的向量结合得到w_rd，字典D包含了代表不同视觉变换的正交基，字典D是训练中学习得到的，每个向量有特定语意。若id不同，则采用relative transfer，即将第一帧与驱动帧（target）的变化差异施加到源帧（source）上，并且要求源人脸和第一帧的pose要相似。X_s (source image )映射到编码Z_sr，通过W_rd方向上的变化，得到新的编码Z_sd。

本文最突出的贡献在于如何结合业务实际和用户场景，选择等价问题，实现推荐系统。首先，深度协同过滤模型能够有效地吸收更多特征，并对它们与深度层的相互作用进行建模，优于以前在YouTube上使用的矩阵分解方法。其次，作者对特征的处理策略充满智慧。比如，对特征的加入，消除了对过去的固有偏见，并允许模型表示流行视频的时间依赖行为。最后，排序阶段，对评估指标的选择能够结合业务，取期望观看时间进行训练。

损失函数就是计算预测结果和实际结果差距的函数，机器学习的过程就是试图将损失函数的值降到最小。

人工智能基础-gan与wgen实验

注意，本文只提供学习的思路，严禁违反法律以及破坏信息系统等行为，本文只提供思路如有侵犯，请联系作者下架图标点选验证码大家都不陌生了，我们来看下数据集。

【代码】pytorch基础: torch.unbind()

面试问题，面试提问，面试技巧

损失函数：在深度学习模型中，损失函数（Loss Function）是一种衡量模型预测与真实值之间差距的函数。换句话说，它是模型的性能指标。在训练过程中，我们的目标就是找到一组参数，它们可以最小化损失函数。常见的损失函数有均方误差（MSE, Mean Squared Error），交叉熵（Cross Entropy）等。我之前学的人工智能原理中的方差代价函数也属于这里的损失函数。

朴素贝叶斯算法（Naive Bayes Algorithm）是一种基于贝叶斯定理与特征条件独立假设的分类方法。该算法假设给定目标值时，各个特征之间相互独立。朴素贝叶斯算法通过训练数据集学习联合概率分布，并基于此模型，对给定的输入实例，利用贝叶斯定理求出后验概率最大的输出。具体来说，朴素贝叶斯算法的核心思想是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。

优化器是用于更新和管理模型参数以改进模型性能的一种工具。在机器学习和深度学习中，优化器的主要任务是通过调整模型的参数来最小化或最大化特定的目标函数。在许多情况下，这个目标函数是一个损失函数，我们的目标是将其最小化。在 PyTorch 中，torch.optim 是一个包含了各种优化算法的模块，用于帮助开发者在训练神经网络时更方便地更新和管理模型参数。当我们训练神经网络时，我们的目标是找到一组模型参数，可以最小化或最大化某个损失函数或者目标函数。

机器学习-期末测试

Spring Boot和OpenCV是两个非常强大的工具，它们可以结合起来创建一个强大的智能图像和视频处理平台。实时图像处理：结合Spring Boot的实时特性和OpenCV的实时处理能力，可以实现实时的图像处理和分析，比如实时监控系统。图像处理和增强：使用OpenCV的图像处理功能，可以实现图像的增强、滤波、边缘检测等操作，从而改善图像质量。图像识别和分类：利用OpenCV的机器学习算法，可以对图像进行分类和识别，比如人脸识别、物体检测等。

后续，等完成了这个小目标后，再做总结整理。