前言首先非常感谢百度的架构师百忙抽空直播教学，给我们讲百度内部的小道消息，讲产品的发展，介绍产品的应用，讲解深度学习原理等。老师和蔼可亲，班主任温柔可爱，讨论群活跃积极又有很多大佬提供答疑解惑。百度真的是花了心血为国家培养人工智能的人才，希望百度越办越好也会一直支持百度的产品。哈哈哈还感谢百度送的小度在家，没想到第一次作业就获得了一等奖，后续忙完期末会好好完善项目的~学习心得这次主要学会了以下内容

简介上一节完成了模型的前向传播，最后从LSTM层拿到了[41,32,106]的输出矩阵，这里32好理解是batch_size,106是字典的数目，41有点理解不了了…先不管了，看看代码对应的loss和优化器怎么设计的。优化器这里先试试adam优化器，参考的代码还封装了两个其他的优化器，首先在配置文件中设置优化器的选择以及超参：封装的优化器函数，这段代码加到utils.py中：def get_opt

贡献总结了245篇近年的reid顶会论文提出了一个新的baseling:AGWmINP:本文提出的新的reid评价标准。贡献一分析参考：https://blog.csdn.net/rytyy/article/details/105232594https://blog.csdn.net/qq_41967539/article/details/107268994https://zhuanlan.zhi

前言大型的网络训练起来耗时太久了，所以我一般使用百度的aistudio云训练，然后人出去玩耍，在外面也不知道啥时候训练完成了，这里写个py脚本检测训练状态并发送提示短信给自己的手机。注册twilio网址：传送门注册很简单，绑定下邮箱和手机就行了。注册完登录界面：拿到图中我已经打马赛克的account sid和AUTH TOKEN即可然后这里点开左侧添加：添加这个#字一栏这里面可以找到active

前言大型的网络训练起来耗时太久了，所以我一般使用百度的aistudio云训练，然后人出去玩耍，在外面也不知道啥时候训练完成了，这里写个py脚本检测训练状态并发送提示短信给自己的手机。注册twilio网址：传送门注册很简单，绑定下邮箱和手机就行了。注册完登录界面：拿到图中我已经打马赛克的account sid和AUTH TOKEN即可然后这里点开左侧添加：添加这个#字一栏这里面可以找到active

前言上一节：tensorflow学习（7）- 使用Dropout优化手写数字识别  上一节使用Dropout优化手写数字识别，使得识别率已经达到95%以上，但是我们手写数字识别在网络上并不复杂，而且训练集只是在万级别也不是很大，所以可以不必使用Dropout来提高准确率，这一节使用修改优化器的方式来优化识别。AdamOptimizer优化器def __init__(self, lear...

原理选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。算法流程基于KNN的手写数字识别在线运行：基于KNN的手写数字识别数据样式：这是一个32行32列的文本表示的图像，首先把HW的形式转成一维的向量：# 文本转向量, 32行32列转1 * 1024def img2vector(filename

前言插入排序具体有三种：直接插入排序、折半插入排序、希尔排序，陪女朋友复习数据结构，做个小总结吧。直接插入排序这个是插入排序中最简单的一个，算法原理直接用实例来介绍：假设原始数组是：3 1 4 2 6 2 1 6 7将数组分成两个区域，一个是有序区域一个是无序区域，最开始初始化有序区域（用黄色表示）为第一个数，无需区域为剩下部分。第一次：3 1 4 2 6 2 1 6 7将无序...

前言装anaconda是比较方便，但有时候机器上只要用固定版本的python，就没必要装那么大的anaconda再创建python环境了。安装1、下载python，https://www.python.org/ftp/python/在这个路径下找你要的版本就好了。2、解压文件tar -zxvf Python-3.6.9.tgz，cd Python-3.6.93、配置编译保存的路径./configu

记录下训练碰到的问题自己合成的数据在MLT验证精度非常低原因：合成数据与真实数据差别较大，表现结果是在合成数据上拟合结果非常好，在真实数据上效果差，存在向合成数据过拟合的问题，解决办法增加真实数据（但这个不好找）、对真实数据进行数据增广（应该可以吧）、拿合成数据训练的best模型在真实数据上finetune（在测试）。合成数据的best模型作为预训练模型在真是数据上finetune时最开始acc=