文章目录前言集成学习的核心一、随机森林算法原理二、随机森林的优势与特征重要性指标2.1随机森林的优势2.2特征重要性指标三、提升算法概述四、Stacking堆叠模型五、硬投票和软投票1.1概念介绍1.2硬投票展示1.3硬投票和软投票效果对比硬投票：软投票六、Bagging策略决策边界展示八、OOB袋外数据的作用九、特征重要性可视化展示十、AdaBoost算法决策边界展示十一、Gradient Bo

文章目录1、概括2、介绍3、特征金字塔网络(FPN)4、PANet5、改进点1、概括信息在神经网络中的传播方式非常重要。为了促进信息的流动，提出了一种基于提议的实例分割框架下的路径聚合网络Path Aggregation Network (PANet)。具体地说，我们通过自底向上的路径增强，利用准确的低层定位信号增强整个特征层次，从而缩短了低层与顶层特征之间的信息路径。提出了自适应特征池adapt

文章目录聚类概念聚类与KmeansK-Means算法步骤：优缺点K-Means++算法K-Means++算法的基本思路二分K-Means算法Mini Batch K-Means算法KMeans小结聚类概念无监督问题：没有标签聚类：相似的东西分到一组难点：如果评估，如何调参聚类算法KMeans是无监督学习的杰出代表之一。本文是记录自己过去学习KMeans算法的系统小结，将从“KMeans简介，优缺点

文章目录一、SIFT算法1.1什么是SIFT算法？1.2SIFT算法特点二、SIFT算法实质2.1SIFT算法实现特征匹配主要有以下三个流程：三、SIFT算法原理3.1图像金字塔3.2创建图像高斯金字塔3.3高斯金字塔创建总图四、尺度空间五、高斯差分金字塔5.1极值点(Key points)的精确定位5.2确定关键点（极值点）方向5.3关键点描述5.4关键点匹配六、总结一、SIFT算法1.1什么是

github:https://github.com/clovaai/stargan-v2Paper: https://arxiv.org/abs/1912.01865github上的代码没有预训练权重，并且给出下载地址也拒绝访问，所以基本上没有能跑的完整代码。如果需要完整代码：https://download.csdn.net/download/weixin_48167570/85093151文章

文章目录前言1、什么是Dropout2、Dropout的数学原理3、Dropout是一个正则网络4、CNN的Dropout5、Dropout的变种5.1 高斯Dropout6、总结前言Dropout是深度学习中被广泛的应用到解决模型过拟合问题的策略，相信你对Dropout的计算方式和工作原理已了如指掌。这篇文章将更深入的探讨Dropout背后的数学原理，通过理解Dropout的数学原理，我们可以推

文章目录一、前言二、降维/升维增加非线性跨通道信息交互三、 应用实例四、卷积计算为什么卷积核都是奇数呢？一、前言卷积核（convolutional kernel）：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸（一般是奇数x奇数）。卷积核的个数就

文章目录1、概括2、介绍3、特征金字塔网络(FPN)4、PANet5、改进点1、概括信息在神经网络中的传播方式非常重要。为了促进信息的流动，提出了一种基于提议的实例分割框架下的路径聚合网络Path Aggregation Network (PANet)。具体地说，我们通过自底向上的路径增强，利用准确的低层定位信号增强整个特征层次，从而缩短了低层与顶层特征之间的信息路径。提出了自适应特征池adapt

文章目录聚类概念聚类与KmeansK-Means算法步骤：优缺点K-Means++算法K-Means++算法的基本思路二分K-Means算法Mini Batch K-Means算法KMeans小结聚类概念无监督问题：没有标签聚类：相似的东西分到一组难点：如果评估，如何调参聚类算法KMeans是无监督学习的杰出代表之一。本文是记录自己过去学习KMeans算法的系统小结，将从“KMeans简介，优缺点

一、项目创建1.安装 node和npm1.首先安装node，因为都已经安装过node了，所以npm自带。1.检查node版本node -v2.检查npm 版本npm -v2.国外的npm地址太慢，切换npm国内镜像npm config set registry=https://registry.npm.taobao.org/3.查看地址是否成功可以通过npm config get registry