该技术来源于论文：Deep Learning with Differential Privacy讲述了如何在模型训练期间，通过修改损失函数，使训练后的模型具有一定抵御的DP的能力。原论文很长很复杂，本博客不讲原理，直接复现。参照https://github.com/pytorch/opacus/blob/main/tutorials/building_image_classifier.ipynb

目录为什么要标准化（数据预处理）？1.标准化 scale加强版 StandardScaler确定范围的标准化 MinMaxScaler2 正则化Normalization加强版NormalizerNaN值的处理---ImputationLabelEncoder()、OneHotEncoder()请参阅：以下介绍的所有方法都源自于sklearn.preprocessing数据预处理相关理论：http

在联邦学习场景下，各方的数据理应不为同分布，即不满足iid，因此在模拟时不能随机进行数据分配，应该适当调整下发给各client的数据分布。本文借鉴论文：FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping 中的数据分配方法。在文中，q 决定 某一group所有clients 最大类出现的概率。唯一的缺点是 除了第

目录1.问题来源2.应用3.分类3.1 case1：With Classifier3.2 case2：Without Labels3.2.1 问题阐述4.异常侦测系统（模型）的评价指标自己定义AUC5.遇到检测错误的点1.问题来源概括：找和训练集不一样的数据。2.应用难点：异常点难以收集，无法穷举。我只能收集到正常情况的训练数据。3.分类3.1 case1：With Classifier1.对每个

基于scikit-learn注意 OneHotEncoder(sparse=False)，不然返回的就是索引值的形式from numpy import arrayimport numpy as npfrom sklearn.preprocessing import LabelEncoderfrom sklearn.preprocessing import OneHotEncoder# ...

本文从入门级讲述了迁移学习的原理及基本实现方法

两个数据集不是来自同一分布的，有着不同的数学期望、方差，这样会导致训练集效果很好，但是模型在测试集上的效果很差，这时候需要调整一下训练策略了。ps：这不同于过拟合，本文讲的原因在于训练集和测试集的分布不同。

机器学习中的小批次数据生成器，上代码以备以后使用：#inputs, targets就是 X 和 ydef iterate_minibatches(inputs, targets, batchsize, shuffle=False):assert len(inputs) == len(targets)if shuffle:indices = np.arang...

传统的物体检测算法受限于繁琐的人工标注，在开放世界中出现新类别后往往需要“从头来过”，即使只增加一个新类别，也要完整过一遍标注、训练、部署整个流程，严重限制了其通用性，这显然不“科学”。向大家介绍一篇今天新出的非常有意思的 CVPR 2023 的论文，相比于传统的目标检测算法，训练时标注了几个类别，就只能检测几个类别，这篇论文属于通用目标检测的范畴。3）为了应对训练中的新挑战，作者还提出了提出的解

本文从入门级讲述了迁移学习的原理及基本实现方法