logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

大模型数据洞察能力方法调研

大模型数据洞察能力方法调研

文章图片
#人工智能#python
机器学习代码01 Logistic Regression代码实现(分别基于numpy和torch)

机器学习代码01 Logistic Regression简单介绍Logistic Regression是线性回归,但最终是用作分类器:它从样本集中学习拟合参数,将目标值拟合到[0,1]之间,然后对目标值进行离散化,实现分类。Logistic Regression虽然叫逻辑回归,但解决的问题是分类问题通常来说Logistic Regression处理的问题是二分类的问题logistic分类的流程比较

#python#机器学习
大模型数据洞察能力方法调研

大模型数据洞察能力方法调研

文章图片
#人工智能#python
Hadoop之mr分布式计算机框架

Hadoop之mr分布式计算机框架Hadoop核心组件–MRHadoop 分布式计算框架1.MapReduce设计理念何为分布式计算移动计算,而不是移动数据2.计算机框架MR

统计学(二)数据的搜集

统计学(第七版)(二) 数据的搜集目录2.1数据的来源数据的间接来源数据的直接来源2.1.1数据的间接来源简单的说就是现有的数据,网上找的系统外部的数据(网上现成的,获取难度较低的)系统内部的数据 (获取难度高的)![# 这里有一张图片](https://img-blog.csdnimg.cn/20200302141655953.png间接来源的数据也称二手数据...

#大数据
深度学习 Deep Multi-Model Fusion for Single-Image Dehazing 阅读

Deep Multi-Model Fusion for Single-Image Dehazingabstract提出了一个深层的多模型融合网络可以集中集成多个模型来分离各层,提高单图像的去雾性能IntroductionAS model大气散射模型I(p)=J(p)×T(p)+A(p)×(1−T(p))I(p)=J(p)×T(p)+A(p)×(1−T(p))I(p)=J(p)×T(p)+A(p)×

#深度学习#python
深度学习 Deep Multi-Model Fusion for Single-Image Dehazing 阅读

Deep Multi-Model Fusion for Single-Image Dehazingabstract提出了一个深层的多模型融合网络可以集中集成多个模型来分离各层,提高单图像的去雾性能IntroductionAS model大气散射模型I(p)=J(p)×T(p)+A(p)×(1−T(p))I(p)=J(p)×T(p)+A(p)×(1−T(p))I(p)=J(p)×T(p)+A(p)×

#深度学习#python
pytorch中index_select() 用法案例与解析

pytorch中index_select() 用法案例与解析index_select(input, dim, index)功能:在指定的维度dim上选取数据,不如选取某些行,列参数介绍第一个参数input是要索引查找的对象第二个参数dim是要查找的维度,因为通常情况下我们使用的都是二维张量,所以可以简单的记忆: 0代表行,1代表列第三个参数index是你要索引的序列,它是一个tens...

#python#深度学习
深度学习 Deep Multi-Model Fusion for Single-Image Dehazing 阅读

Deep Multi-Model Fusion for Single-Image Dehazingabstract提出了一个深层的多模型融合网络可以集中集成多个模型来分离各层,提高单图像的去雾性能IntroductionAS model大气散射模型I(p)=J(p)×T(p)+A(p)×(1−T(p))I(p)=J(p)×T(p)+A(p)×(1−T(p))I(p)=J(p)×T(p)+A(p)×

#深度学习#python
人工智能 倒啤酒问题 python解法

人工智能 倒啤酒问题 python解法系列文章A*算法之八数码问题 python解法A*算法之野人传教士问题 python解法文章目录人工智能 倒啤酒问题 python解法问题描述倒啤酒问题宽度优先搜索状态空间操作思路代码补充发两篇文章记录一下之前用到的宽度优先算法问题描述分啤酒问题:现有8升、5升、3升的容器各一个,均无任何度量标记,其中8升的容器装满啤酒,其他两个为空。要求用上述容器倒来倒去,

#python#人工智能
    共 28 条
  • 1
  • 2
  • 3
  • 请选择