文章目录1. 局部敏感哈希2. 可逆层3. ChunkTransformer无法处理比较长的序列数据（通常是500左右的长度），而且十分消耗GPU资源。Reformer可以处理的序列长度可以高达64k，GPU资源消耗也降低了很多。Reformer的重点部分在于：Locality sensitive hash attention（局部敏感哈希注意力）：空间换时间Reversible layers（可

逻辑回归一、逻辑回归理论概述二、sklearn逻辑回归的使用1. 正则化参数2. 特征工程：embedded3. 梯度下降：重要参数max_iter4. 二元回归和多元回归重要参数：solver和multi-class5. 样本不平衡与参数class_weight三、案例：用逻辑回归制作评分卡1. 数据预处理1.1 处理缺失值1.2 处理异常值1.3 样本不均衡问题1.4 训练集和测试集的划分2.

文章目录1.基础模型1.1传统模型（HMM和CRF）1.2 传统RNN模型2. 改进的RNN模型1.基础模型1.1传统模型（HMM和CRF）隐马尔可夫模型（Hidden Markov Model），隐马尔可夫模型，一般以文本序列数据为输入，以该序列对应的隐含序列为输出。CRF（Conditional Random Fields）模型，称为条件随机场，一般也以文本序列数据为输入，以该序列对应的隐含序

本文是上海交通大学的团队发表的，背景仍然是如何降低计算复杂度&更好地进行长期依赖性关系的表征。

文章目录1. Voice Conversion1.1 Feature Disentangle1.1.1 Pre-training Encoders1.1.2 Adversarial Training1.1.3 Network Design1.1.4 2nd Stage Training1.2 Direct Transformation1.2.1 Cycle GAN1.2.2 StarGAN1.2.

文章目录1.基于统计学的单变量异常值检验1.1 3σ\sigmaσ准则1.2 箱型图1.3 Grubbs检验1.4 ESD检验1.5 Dixon检验2. 时间序列数据的异常值检验2.1 ADTK python模块在检查异常值之前，可以将缺失值填充好。异常值检验可以分为单变量异常值检验和多变量异常值检验，对于时间序列数据而言还有趋势预测的时间序列异常值检验。1.基于统计学的单变量异常值检验可以先采用

文章目录Speech Separation1. Evaluation1.1 Signal-to-noise ratio（SNR）1.2 Scale invariantsignal-to-distortion ratio（SI-SDR）2. Deep Clustering2.1 Masking3. Permutation Invariant Triaining（PIT）4. TasNet - Tim

基于深度学习的异常检测-TimesNet

文章目录1. 构建带有Embedding层的文本分类模型数据包含内容如下：数据准备：import torchimport torchtextfrom torchtext.datasets import text_classificationimport os# 指定数据集下载路径load_data_path = "./data"if not os.path.isdir(load_data_path

大模型效果最大程度的依赖于模型规模的大小，模型的规模指的就是NNNDDDCCC共同确定的，在以上规模达到一定的标准后，模型的超参数如宽度和深度对模型效果的影响较为微弱；大模型效果与NNNDDDCCC三个参数都有着独立的power-law关系；同时增加NNNDDD必然会带来大模型效果的提升，但是如果只提升其中一个变量，就会导致过拟合，性能会发生损失，性能损失的比例为N0.74DN^{0.74}/DN