pytorch 中的 state_dict 是一个简单的python的字典对象****,将每一层与它的对应参数建立映射关系.(如model的每一层的weights及偏置等等)(注意,只有那些参数可以训练的layer才会被保存到模型的state_dict中,如卷积层,线性层等等)优化器对象Optimizer也有一个state_dict,它包含了优化器的状态以及被使用的超参数(如lr, momentu

前言：首先，在了解树模型之前，自然想到树模型和线性模型有什么区别呢？其中最重要的是，树形模型是一个一个特征进行处理，之前线性模型是所有特征给予权重相加得到一个新的值。决策树与逻辑回归的分类区别也在于此，逻辑回归是将所有特征变换为概率后，通过大于某一概率阈值的划分为一类，小于某一概率阈值的为另一类；而决策树是对每一个特征做一个划分。另外逻辑回归只能找到线性分割（输入特征x与logit之间是线性的，除

神经网络之BP算法(图说神经网络+BP算法理论推导+例子运用+代码)最近在学习《Deep Learning》这本书，书中在前馈神经网络、全连接神经网络以及卷积神经网络等内容中，都有提到反向传播算法，这一算法可以说是神经网络中求解参数比较核心的部分了。为了更好地理解神经网络工作的原理，认识反向传播在神经网络中的运算机制，在综合《Deep Learning》书中的有关部分并且学习了b站讲解神经网络的相

重要提示：各位安装目录和授权文件存放目录一定不要有中文！！！！！软件下载地址链接：https://pan.baidu.com/s/1PkwCw1xsAfLmaCOCoSr0mg提取码：qlu8上文地址如果过期或者不能下载的话可以使用此链接http://pan.baidu.com/s/1eRVvk8i，或者艾特博主。1、首先，软件下载后，里面包含了很多的文件（其中的“license.lic我们是不用

1. 解释一下GBDT算法的过程GBDT(Gradient Boosting Decision Tree)，全名叫梯度提升决策树，使用的是Boosting的思想。1.1 Boosting 思想Boosting方法训练基分类器时采用串行的方式，各个基分类器之间有依赖。它的基本思路是将基分类器层层叠加，每一层在训练的时候，对前一层基分类器分错的样本，给予更高的权重。测试时，根据各层分类器的结果的加权得

借鉴Adaboost的思想，用不同概率分布的训练数据训练一系列弱分类器，并通过投票融合得到强分类器。Adaboost弱分类器1、基本原理Adaboost算法基本原理就是将多个弱分类器进行合理的结合，使其成为一个强分类器。Adaboost采用迭代的思想，每次迭代只训练一个弱分类器，训练好的弱分类器将用于下一次的迭代使用。也就是说，在第N次迭代中，一共就有N个弱分类器，其中N-1个是以前训练好的，其各

前言针对目前在检测物体边缘部分信息分割效果不佳的问题，使用了基于DeeplabV3+与超像素优化的语义分割算法。本人在先前实践阶段使用的DeepLab ,其使用扩张卷积代替了池化层的来增大感受野，并使用了空间金字塔池化来模型解决了多尺度问题，后面通过阅读文献进一步使用DeepLabV3+分割模型进行实践， 其模型思想通过加入了解码模块解决了在DeepLabV3模型中由特征图直接进行上采样恢复图像原

语义分割（Semantic Segmentation）方法1. 什么是语义分割语义分割是当今计算机视觉领域的关键问题之一。从宏观上看，语义分割是一项高层次的任务，为实现场景的完整理解铺平了道路。场景理解作为一个核心的计算机视觉问题，其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养。其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等，近年来随着深度学习的普及，许多语义分割问题正在采用深层

在深度学习中，同一个模型使用不同方式的初始化，比如：数据预处理，batch_size, 学习率， 不同的优化器都能得到不同性能的参数。学习率学习率的设置应该随着迭代次数的增加而减小，每迭代完指定次epoch也就是对整个数据过一遍，然后对学习率进行变化，这样能够保证每个样本得到公平的对待。使用动态的学习率有助于加速收敛，在更少的epoch里得到更好的模型精度。1、代码链接：pytorch版本：htt

机器学习项目实战之信用卡欺诈检测1、项目介绍原始数据为银行的个人交易记录，每一条信息代表一次交易，原始数据已经进行了类似PCA的处理，现在已经把特征数据提取好了，检测的目的是通过数据找出那些交易存在潜在的欺诈行为。2、观察数据即使是拿到处理好的数据也不要着急建立模型，否则会事倍功半，一定要先观察数据。此处分别用到了Numpy-科学计算库、Pandas-数据分析处理库以及Matplotlib-可视化