chiblog

Active Learning（主动学习）是一种机器学习的方法，它涉及到模型根据当前的预测和不确定性主动地选择一些样本进行标注，以便在训练中获得更好的性能。在传统的监督学习中，模型通常会被提供一个已经标记好的数据集进行训练。而在主动学习中，模型可以自己选择它认为对提高性能最有帮助的样本进行标记，从而减少标记样本的数量。主动学习的基本思想是通过选择最有信息价值的样本，使模型能够更快地收敛和取得更好的性能。这对于那些标记数据较为昂贵或难以获取的任务特别有用。主动学习的一般步骤包括： 初始模型： 使用一个初始模型对数据进行预测。 不确定性估计： 评估模型对于每个未标记样本的不确定性，通常是通过模型输出的概率或置信度来衡量。 样本选择： 选择模型认为最有帮助的未标记样本，可能是那些不确定性高的样本或者对于模型来说比较难处理的样本。 标记样本： 将选择的样本进行标记，并将其添加到训练集中。 更新模型： 使用新标记的样本更新模型，然后重复这个过程。

零样本学习(Zero-Shot Learning)简介与分类 - 知乎 (zhihu.com) 希望模型能够识别出在训练阶段未曾见过的类别 概括一下，就是利用类别的高维语义特征代替样本的低维特征，使得训练出来的模型具有迁移性。这里斑马的高维语义就是马的外形、老虎的斑纹、熊猫的颜色，尽管缺乏更多细节，但这些高维语义已经足够刻画斑马，从而让计算机成功识别出来未见过的斑马实例 根据测试或推论时数据的可用性，零样本学习也可以分为两类。 常规零样本学习 在常规的零样本学习中，在测试时要识别的图像仅限于未知类别，即测试类别。但这类方法并不实用，因为实际中很难保证测试时数据仅仅来自未知的类别。 广义零样本学习 在广义零样本学习中，测试时的图像可以属于已知或未知类别。与常规设置相比，该设置实际上更加实用，但却更具挑战性。原因就是该模型仅在已知类图像上训练，因此可想而知其预测会偏向于已知类。这会导致许多未知类的图像在测试时被错误地分类为已知类，从而大大降低了模型的性能。 零样本学习（zero-shot learning）——综述_zero shot综述-CSDN博客 “Zero-shot ...

Z反变换——长除法_哔哩哔哩_bilibili谁都看得懂的数字信号处理教程(第19讲z反变换2留数法）_哔哩哔哩_bilibili 第一章3-2-2循环卷积_哔哩哔哩_bilibili 第二章5.1后续视频_哔哩哔哩_bilibili随机过程的基本概念_哔哩哔哩_bilibili 第四章现代信号处理——自适应滤波器（离散维纳滤波器）_白化滤波器-CSDN博客维纳滤波器_哔哩哔哩_bilibili

问题：过程：解决： 问题：import同一个文件夹其他文件失败过程：试了__init__.py， import sys解决：最后发现是文件命名导致，之前的名字是3_文件名,然后import 文件夹名._文件名就可以，为了避免这种问题把123改成abc了。 问题：PyCharm缓存将C盘挤爆？一招帮你从根本上解决(超详细)_pycharm如何清理在c盘的缓存_HinGwenWoong的博客-CSDN博客过程：修改 idea.properties 文件解决：参照上文 注意 这个时候关了python再打开之前的项目，可能在用ctrl+点击function时候出现”no usage found in project file”。解决：PyCharm 缓存可能导致问题。尝试清理 PyCharm 缓存并重新启动： 关闭 PyCharm。 删除项目目录下的 .idea 文件夹。 重新打开 PyCharm 并导入项目。 python同步异步 【python】详解异步async库的使用_python async_brucewong0516的博客-CSDN博客 1234567891011 ...

13.1 三边定位 - 物联网前沿实践 - 清华大学 - 王继良 (iot-book.github.io)  平面上有三个不共线的基站 A,B,C，和一个未知终端 D，并已测出三个基站到终端D的距离分别为R1，R2，R3，则以三个基站坐标为圆心，三基站到未知终端距离为半径可以画出三个相交的圆，如图下图所示，未知节点坐标即为三圆相交点  在实际测量中，往往由于测量的误差，使三个圆并不交于一点，而相交于一块区域，如下图所示。在此种情况下，便需用其他算法进行估计，这里采用最小二乘法进行求解。    

领域自适应, 即 Domain Adaptation 是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对 source domain 训练的目标函数，就可以迁移到 target domain 上，提高 target domain 上的准确率。特征映射网络 ，标签分类网络  和域判别网络 。博弈 对抗（见文章）《迁移学习》: 领域自适应(Domain Adaptation)的理论分析 - 知乎 (zhihu.com) 引入领域分类器的目的是通过对抗性学习（adversarial learning）来推动模型学习对于领域无关的特征，减少对于特定领域的依赖。这通常使用领域对抗性训练（Domain Adversarial Training）的方法来实现。下面是一些步骤和关键概念： 领域分类器（Domain Classifier）： 引入一个领域分类器，其任务是对输入数据进行领域分类，即判断数据来自哪个领域。这个分类器通常是一个二分类器，输出表示数据属于目标领域或非目标领域。 共享特征提取器（Sha ...

VR AR MR

d04ffbb5f15a69d5469121efbb328ecb1e60e9db595d0f1ecfd2aa49a79462b4155427d8f69025ffd616f8ce2dd5200893fb18fd9e7018111c8fa3ba481a1f24210b5c20506e7725172d95c3e86641a0d8788ee05777377e5d8c2da9b850f62bed2fdd1c3f128defb708544d5d6b61ae9d7dab82e9d418efff097def2d835f275cc9a03eb8630e03f59baeb54199ade9189a48e6ee0b31cde56bbc1387f3d6dbebb31a8990b9a2895111165ffb480a4335189ba5d7fc3daf89f0447a431cc62a5fa76255e3c0f003d6eaa8322ce6acf330a340085c9791c12d513b4c1c6d47d5641ad238bae281af32530efd3074ebeddaf61afb8001023f1 ...

anacondaAnaconda完全入门指南 - 简书 (jianshu.com) activate // 切换到 base 环境 activate learn // 切换到 learn 环境 conda create -n learn python=3 // 创建一个名为 learn 的环境并指定 python 版本为 3(的最新版本) conda env list // 列出 conda 管理的所有环境 conda list // 列出当前环境的所有包 conda install requests 安装 requests 包 conda remove requests 卸载 requets 包 conda remove -n learn –all // 删除 learn 环境及下属所有包 conda update requests 更新 requests 包 conda env export > environment.yaml /&#x ...

22fb12a1b130edf3ae4552b520fde5fd5d683c2a5a83acb48c1178055a3c3cd4786be123b4cba699c49e40611242f5e471f5f770b5b6f42d2a519978fe6b5b48fa270a45b2bb3035af9de3d9686db35e140f35033786c96bac89242752ca2edcd34feedf3f215a68d77be8e977fcd6a5125c0428c71b447b1ceb058496a66e17b743e0720f0c419151fd536209304f04f7c555cfdf997892e0b0d9e30a24736bc9db361472aea542ff585f1df7cf2cfb2bf692ce3bc51bbad03a2b958d19ba565b85d355d23101af78e41071a5e4a051ee911b1b04080255bb0ec46ee2f7b823e7509b356161758f141aba70690d3b75f022f76a7e3fffc52 ...