昨天讨论的时候一个大佬提到了Metric Learning，听他讲了一下大致思路，觉得有点意思，所以下来了解了一下，简单记录。

机器学习基础篇（十二）——多层感知机一、概述多层感知机（MLP：Multi-Layer Perceptron）由感知机(PLA: Perceptron Learning Algorithm)推广而来。它最主要的特点是有多个神经元层，因此也叫深度神经网络(DNN: Deep Neural Networks)。感知机是单个神经元模型，是较大神经网络的前身。神经网络的强大之处在于它们能够学习训练数据中的

机器学习应用篇（五）——决策树分类实例文章目录机器学习应用篇（五）——决策树分类实例一、数据集二、实现过程1 数据特征分析2 利用决策树模型在二分类上进行训练和预测3 利用决策树模型在多分类（三分类）上进行训练与预测三、KEYS1 构建过程2 划分选择3 重要参数一、数据集小企鹅数据集该数据集一共包含8个变量，其中7个特征变量，1个目标分类变量。共有150个样本，目标变量为 企鹅的类别 其都属于企

机器学习基础篇（六）——KNN一、简介K-Nearest Neighbors（KNN） 是机器学习中的一个基础分类算法。1.工作原理首先我们需要一个训练样本集，并且样本集中每个数据都存在标签。存在标签就代表我们知道样本集中每一个数据与所属分类对应的关系。输入没有标签的数据后，将新数据中的每个特征与样本集中数据对应的特征进行比较。提取出样本集中特征最相似数据（最近邻）的分类标签，作为该数据的标签。一

数据不平衡 class_weightloss_function

机器学习应用篇（六）——基于天气数据集的XGBoost分类文章目录机器学习应用篇（六）——基于天气数据集的XGBoost分类一、XGBoost1 XGBoost的优点2 XGBoost的缺点二、实现过程1 数据集2 实现一、XGBoostXGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。1 XGBoost的优点简单易用。相对其他机器学习库，用户可以轻松使用XGBo

机器学习应用篇（十）——工业蒸汽数据分析一、导入数据二、读取数据三、数据可视化（特征）四、

深度学习Pytorch（三）——神经网络文章目录深度学习Pytorch（三）——神经网络一、简介二、神经网络训练过程三、实例演示1、定义一个神经网络2、通过调用net.parameters()返回模型可训练的参数3、迭代整个输入4、调用反向传播5、计算损失值6、反向传播梯度7、更新神经网络参数一、简介神经网络可以通过torch.nn包构建，上一节已经对自动梯度有些了解，神经网络是基于自动梯度来定义

加载预训练参数冻结部分层参数required_grad

DeformableDETR 目标检测 小目标 可变性卷积 自注意力机制 可变性注意力机制