精华内容
下载资源
问答
  • 人工智能算法分类 千次阅读 多人点赞
    2020-03-07 20:29:06

    一、人工智能学习算法分类

    人工智能算法大体上来说可以分类两类:基于统计的机器学习算法(Machine Learning)和深度学习算法(Deep Learning)

    总的来说,在sklearn中机器学习算法大概的分类如下:

    1. 纯算法类

    	(1).回归算法
    	(2).分类算法
    	(3).聚类算法
    	(4)降维算法
    	(5)概率图模型算法
    	(6)文本挖掘算法
    	(7)优化算法
    	(8)深度学习算法
    

    2.建模方面

    	(1)模型优化
    	(2)数据预处理
    

    二、详细算法

    1.分类算法

    	(1).LR (Logistic Regression,逻辑回归又叫逻辑分类)
    	(2).SVM (Support Vector Machine,支持向量机)
    	(3).NB (Naive Bayes,朴素贝叶斯)
    	(4).DT (Decision Tree,决策树)
    			1).C4.5
    			2).ID3
    			3).CART
    	(5).集成算法
    			1).Bagging
    			2).Random Forest (随机森林)
    			3).GB(梯度提升,Gradient boosting)
    			4).GBDT (Gradient Boosting Decision Tree)
    			5).AdaBoost
    			6).Xgboost
    (6).最大熵模型
    

    2.回归算法

    	(1).LR (Linear Regression,线性回归)
    	(2).SVR (支持向量机回归)
    	(3). RR (Ridge Regression,岭回归)
    

    3.聚类算法

    	(1).Knn
    	(2).Kmeans 算法
    	(3).层次聚类
    	(4).密度聚类
    

    4.降维算法

    	(1).SGD (随机梯度下降)
    

    5.概率图模型算法

    	(1).贝叶斯网络
    	(2).HMM
    	(3).CRF (条件随机场)
    

    6.文本挖掘算法

    (1).模型
    		1).LDA (主题生成模型,Latent Dirichlet Allocation)
    		2).最大熵模型
    (2).关键词提取
    		1).tf-idf
    		2).bm25
    		3).textrank
    		4).pagerank
    		5).左右熵 :左右熵高的作为关键词
    		6).互信息:
    (3).词法分析
    		1).分词
    				– ①HMM (因马尔科夫)
    				– ②CRF (条件随机场)
    		2).词性标注
    		3).命名实体识别
    (4).句法分析
    		1).句法结构分析
    		2).依存句法分析
    (5).文本向量化
    
    		1).tf-idf
    		2).word2vec
    		3).doc2vec
    		4).cw2vec
    (6).距离计算
    		1).欧氏距离
    		2).相似度计算
    

    7.优化算法

    (1).正则化
    
    	1).L1正则化
    	2).L2正则化
    

    8.深度学习算法

    	(1).BP
    	(2).CNN
    	(3).DNN
    	(3).RNN
    	(4).LSTM
    

    三、建模方面

    1.模型优化·

    	(1).特征选择
    	(2).梯度下降
    	(3).交叉验证
    	(4).参数调优
    	(5).模型评估:准确率、召回率、F1、AUC、ROC、损失函数
    

    2.数据预处理

    		(1).标准化
    		(2).异常值处理
    		(3).二值化
    		(4).缺失值填充: 支持均值、中位数、特定值补差、多重插补
    
    更多相关内容
  • 机器学习常见算法分类

    千次阅读 2021-02-03 19:32:43
    “机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验,...

    1 机器学习概念

    1.1 机器学习的定义

    在维基百科上对机器学习提出以下几种定义:

    • “机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能”。
    • “机器学习是对能通过经验自动改进的计算机算法的研究”。
    • “机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。” 一种经常引用的英文定义是:A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E。

    可以看出机器学习强调三个关键词:算法、经验、性能,其处理过程如下图所示。
    这里写图片描述

    上图表明机器学习是数据通过算法构建出模型并对模型进行评估,评估的性能如果达到要求就拿这个模型来测试其他的数据,如果达不到要求就要调整算法来重新建立模型,再次进行评估,如此循环往复,最终获得满意的经验来处理其他的数据。

    1.2 机器学习的分类

    1.2.1 监督学习

    监督是从给定的训练数据集中学习一个函数(模型),当新的数据到来时,可以根据这个函数(模型)预测结果。监督学习的训练集要求包括输入和输出,也可以说是特征和目标。训练集中的目标是由人标注(标量)的。在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”、“非垃圾邮件”,对手写数字识别中的“1”、“2”、“3”等。在建立预测模型时,监督式学习建立一个学习过程,将预测结果与“训练数据”的实际结果进行比较,不断调整预测模型,直到模型的预测结果达到一个预期的准确率。常见的监督学习算法包括回归分析和统计分类:

    • 二元分类是机器学习要解决的基本问题,将测试数据分成两个类,如垃圾邮件的判别、房贷是否允许等问题的判断。
    • 多元分类是二元分类的逻辑延伸。例如,在因特网的流分类的情况下,根据问题的分类,网页可以被归类为体育、新闻、技术等,依此类推。
      监督学习常常用于分类,因为目标往往是让计算机去学习我们已经创建好的分类系统。数字识别再一次成为分类学习的常见样本。一般来说,对于那些有用的分类系统和容易判断的分类系统,分类学习都适用。

    监督学习是训练神经网络和决策树的最常见技术。神经网络和决策树技术高度依赖于事先确定的分类系统给出的信息。对于神经网络来说,分类系统用于判断网络的错误,然后调整网络去适应它;对于决策树,分类系统用来判断哪些属性提供了最多的信息,如此一来可以用它解决分类系统的问题。
    这里写图片描述

    1.2.2 无监督学习

    与监督学习相比,无监督学习的训练集没有人为标注的结果。在非监督式学习中,数据并不被特别标识,学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法和k-Means算法。这类学习类型的目标不是让效用函数最大化,而是找到训练数据中的近似点。聚类常常能发现那些与假设匹配的相当好的直观分类,例如基于人口统计的聚合个体可能会在一个群体中形成一个富有的聚合,以及其他的贫穷的聚合。

    这里写图片描述

    非监督学习看起来非常困难:目标是我们不告诉计算机怎么做,而是让它(计算机)自己去学习怎样做一些事情。非监督学习一般有两种思路:第一种思路是在指导Agent时不为其指定明确的分类,而是在成功时采用某种形式的激励制度。需要注意的是,这类训练通常会置于决策问题的框架里,因为它的目标不是产生一个分类系统,而是做出最大回报的决定。这种思路很好地概括了现实世界,Agent可以对那些正确的行为做出激励,并对其他的行为进行处罚。
    因为无监督学习假定没有事先分类的样本,这在一些情况下会非常强大,例如,我们的分类方法可能并非最佳选择。在这方面一个突出的例子是Backgammon(西洋双陆棋)游戏,有一系列计算机程序(例如neuro-gammon和TD-gammon)通过非监督学习自己一遍又一遍地玩这个游戏,变得比最强的人类棋手还要出色。这些程序发现的一些原则甚至令双陆棋专家都感到惊讶,并且它们比那些使用预分类样本训练的双陆棋程序工作得更出色。

    1.2.3 半监督学习

    半监督学习(Semi-supervised Learning)是介于监督学习与无监督学习之间一种机器学习方式,是模式识别和机器学习领域研究的重点问题。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价,提高学习机器性能具有非常重大的实际意义。主要算法有五类:基于概率的算法;在现有监督算法基础上进行修改的方法;直接依赖于聚类假设的方法等,在此学习方式下,输入数据部分被标识,部分没有被标识,这种学习模型可以用来进行预测,但是模型首先需要学习数据的内在结构以便合理地组织数据来进行预测。应用场景包括分类和回归,算法包括一些对常用监督式学习算法的延伸,这些算法首先试图对未标识数据进行建模,在此基础上再对标识的数据进行预测,如图论推理算法(Graph Inference)或者拉普拉斯支持向量机(Laplacian SVM)等。
    半监督学习分类算法提出的时间比较短,还有许多方面没有更深入的研究。半监督学习从诞生以来,主要用于处理人工合成数据,无噪声干扰的样本数据是当前大部分半监督学习方法使用的数据,而在实际生活中用到的数据却大部分不是无干扰的,通常都比较难以得到纯样本数据。

    这里写图片描述

    1.2.4 强化学习

    强化学习通过观察来学习动作的完成,每个动作都会对环境有所影响,学习对象根据观察到的周围环境的反馈来做出判断。在这种学习模式下,输入数据作为对模型的反馈,不像监督模型那样,输入数据仅仅是作为一个检查模型对错的方式,在强化学习下,输入数据直接反馈到模型,模型必须对此立刻做出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning 以及时间差学习(Temporal difference learning)。

    这里写图片描述

    在企业数据应用的场景下,人们最常用的可能就是监督式学习和非监督式学习的模型。在图像识别等领域,由于存在大量的非标识的数据和少量的可标识数据,目前半监督式学习是一个很热的话题。而强化学习更多地应用在机器人控制及其他需要进行系统控制的领域。

    1.3 机器学习的常见算法

    常见的机器学习算法有:

    • 构造条件概率:回归分析和统计分类;
    • 人工神经网络;
    • 决策树;
    • 高斯过程回归;
    • 线性判别分析;
    • 最近邻居法;
    • 感知器;
    • 径向基函数核;
    • 支持向量机;
    • 通过再生模型构造概率密度函数;
    • 最大期望算法;
    • graphical model:包括贝叶斯网和Markov随机场;
    • Generative Topographic Mapping;
    • 近似推断技术;
    • 马尔可夫链蒙特卡罗方法;
    • 变分法;
    • 最优化:大多数以上方法,直接或者间接使用最优化算法。

    根据算法的功能和形式的类似性,我们可以把算法分类,比如说基于树的算法,基于神经网络的算法等等。当然,机器学习的范围非常庞大,有些算法很难明确归类到某一类。而对于有些分类来说,同一分类的算法可以针对不同类型的问题,下面用一些相对比较容易理解的方式来解析一些主要的机器学习算法:

    1.3.1 回归算法

    回归算法是试图采用对误差的衡量来探索变量之间的关系的一类算法。回归算法是统计机器学习的利器。在机器学习领域,人们说起回归,有时候是指一类问题,有时候是指一类算法,这一点常常会使初学者有所困惑。常见的回归算法包括:最小二乘法(Ordinary Least Square),逻辑回归(Logistic Regression),逐步式回归(Stepwise Regression),多元自适应回归样条(Multivariate Adaptive Regression Splines)以及本地散点平滑估计(Locally Estimated Scatterplot Smoothing)。
    这里写图片描述

    1.3.2 基于实例的算法

    基于实例的算法常常用来对决策问题建立模型,这样的模型常常先选取一批样本数据,然后根据某些近似性把新数据与样本数据进行比较。通过这种方式来寻找最佳的匹配。因此,基于实例的算法常常也被称为“赢家通吃”学习或者“基于记忆的学习”。常见的算法包括 k-Nearest Neighbor (KNN),、学习矢量量化(Learning Vector Quantization, LVQ)以及自组织映射算法(Self-Organizing Map,SOM)
    这里写图片描述

    1.3.3 正则化方法

    正则化方法是其他算法(通常是回归算法)的延伸,根据算法的复杂度对算法进行调整。正则化方法通常对简单模型予以奖励而对复杂算法予以惩罚。常见的算法包括:Ridge Regression、Least Absolute Shrinkage and Selection Operator(LASSO)以及弹性网络(Elastic Net)。
    这里写图片描述

    1.3.4 决策树学习

    决策树算法根据数据的属性采用树状结构建立决策模型, 决策树模型常常用来解决分类和回归问题。常见的算法包括:分类及回归树(Classification And Regression Tree, CART)、 ID3 (Iterative Dichotomiser 3)、C4.5、Chi-squared Automatic Interaction Detection (CHAID)、Decision Stump、机森林(Random Forest)、多元自适应回归样条(MARS)以及梯度推进机(Gradient Boosting Machine,GBM)。
    这里写图片描述

    1.3.5 贝叶斯学习

    贝叶斯方法算法是基于贝叶斯定理的一类算法,主要用来解决分类和回归问题。常见算法包括:朴素贝叶斯算法、平均单依赖估计(Averaged One-Dependence Estimators, AODE)以及 Bayesian Belief Network(BBN)。
    这里写图片描述

    1.3.6 基于核的算法

    基于核的算法中最著名的莫过于支持向量机(SVM)了。基于核的算法把输入数据映射到一个高阶的向量空间, 在这些高阶向量空间里, 有些分类或者回归问题能够更容易解决。 常见的基于核的算法包括:支持向量机(Support Vector Machine,SVM)、径向基函数(Radial Basis Function,RBF)以及线性判别分析(Linear Discriminate Analysis,LDA)等。
    这里写图片描述

    1.3.7 聚类算法

    聚类就像回归一样,有时候人们描述的是一类问题,有时候描述的是一类算法。聚类算法通常按照中心点或者分层的方式对输入数据进行归并。所有的聚类算法都试图找到数据的内在结构,以便按照最大的共同点将数据进行归类。常见的聚类算法包括 k-Means 算法以及期望最大化算法(Expectation Maximization,EM)。
    这里写图片描述

    1.3.8 关联规则学习

    关联规则学习通过寻找最能够解释数据变量之间关系的规则,来找出大量多元数据集中有用的关联规则。常见算法包括 Apriori 算法和 Eclat 算法等。
    这里写图片描述

    1.3.9 人工神经网络算法

    人工神经网络算法模拟生物神经网络,是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支,有几百种不同的算法(其中深度学习就是其中的一类算法,我们会单独讨论)。重要的人工神经网络算法包括:感知器神经网络(Perceptron Neural Network)、反向传递(Back Propagation)、Hopfield 网络、自组织映射(Self-Organizing Map, SOM)、学习矢量量化(Learning Vector Quantization,LVQ)。
    这里写图片描述

    1.3.10 深度学习算法

    深度学习算法是对人工神经网络的发展,在近期赢得了很多关注,特别是百度也开始发力深度学习后,更是在国内引起了很多关注。在计算能力变得日益廉价的今天,深度学习试图建立大得多也复杂得多的神经网络。很多深度学习的算法是半监督式学习算法,用来处理存在少量未标识数据的大数据集。常见的深度学习算法包括:受限波尔兹曼机(Restricted Boltzmann Machine, RBN)、 Deep Belief Networks(DBN)、卷积网络(Convolutional Network)、堆栈式自动编码器(Stacked Auto-encoders)。
    这里写图片描述

    1.3.11 降低维度算法

    像聚类算法一样,降低维度算法试图分析数据的内在结构,不过降低维度算法是以非监督学习的方式,试图利用较少的信息来归纳或者解释数据。这类算法可以用于高维数据的可视化或者用来简化数据以便监督式学习使用。常见的算法包括:主成份分析(Principle Component Analysis, PCA)、偏最小二乘回归(Partial Least Square Regression,PLS)、 Sammon 映射、多维尺度(Multi-Dimensional Scaling, MDS)、投影追踪(Projection Pursuit)等。
    这里写图片描述

    1.3.12 集成算法

    集成算法用一些相对较弱的学习模型独立地对同样的样本进行训练,然后把结果整合起来进行整体预测。集成算法的主要难点在于究竟集成哪些独立的较弱的学习模型以及如何把学习结果整合起来。这是一类非常强大的算法,同时也非常流行。常见的算法包括:Boosting、Bootstrapped Aggregation(Bagging)、AdaBoost、堆叠泛化(Stacked Generalization, Blending)、梯度推进机(Gradient Boosting Machine, GBM)、随机森林(Random Forest)。
    这里写图片描述

    参考:https://blog.csdn.net/yirenboy/article/details/47844663 

    https://github.com/Wasabi1234/Spark-MLlib-Tutorial

    https://cloud.tencent.com/developer/article/1411034

    展开全文
  • 常见的加密算法分类及介绍

    千次阅读 2021-03-04 14:20:00
    1.加密算法分类 根本不考虑解密问题; 私用密钥加密技术:对称式加密(Symmetric Key Encryption):对称式加密方式对加密和解密使用相同的密钥。通常,这种加密方式在应用中难以实施,因为用同一种安全方式共享...

    1.加密算法的分类

    1. 根本不考虑解密问题;
    2. 私用密钥加密技术:对称式加密(Symmetric Key Encryption):对称式加密方式对加密和解密使用相同的密钥。通常,这种加密方式在应用中难以实施,因为用同一种安全方式共享密钥很难。如:RC4、RC2、DES 和 AES 系列加密算法;
    3. 公开密钥加密技术:非对称密钥加密(Asymmetric Key Encryption):非对称密钥加密使用一组公共/私人密钥系统,加密时使用一种密钥,解密时使用另一种密钥。公共密钥可以广泛的共享和透露。当需要用加密方式向服务器外部传送数据时,这种加密方式更方便。如:RSA;
    4. 数字证书。(Certificate):数字证书是一种非对称密钥加密,但是,一个组织可以使用证书并通过数字签名将一组公钥和私钥与其拥有者相关联。

    2.加密算法的介绍

    2.1 对称加密


    对称加密算法用来对敏感数据等信息进行加密,常用的算法包括:
    DES(Data Encryption Standard):数据加密标准,速度较快,适用于加密大量数据的场合。
    3DES(Triple DES):是基于DES,对一块数据用三个不同的密钥进行三次加密,强度更高。
    AES(Advanced Encryption Standard):高级加密标准,是下一代的加密算法标准,速度快,安全级别高。
    AES与3DES的比较

    2.2 非对称加密


    RSA:由 RSA 公司发明,是一个支持变长密钥的公共密钥算法,需要加密的文件块的长度也是可变的;
    DSA(Digital Signature Algorithm):数字签名算法,是一种标准的 DSS(数字签名标准);
    ECC(Elliptic Curves Cryptography):椭圆曲线密码编码学。

    ECC和RSA相比,在许多方面都有对绝对的优势,主要体现在以下方面:
    抗攻击性强。相同的密钥长度,其抗攻击性要强很多倍。
    计算量小,处理速度快。ECC总的速度比RSA、DSA要快得多。
    存储空间占用小。ECC的密钥尺寸和系统参数与RSA、DSA相比要小得多,意味着它所占的存贮空间要小得多。这对于加密算法在IC卡上的应用具有特别重要的意义。
    带宽要求低。当对长消息进行加解密时,三类密码系统有相同的带宽要求,但应用于短消息时ECC带宽要求却低得多。带宽要求低使ECC在无线网络领域具有广泛的应用前景。
    下面两张表示是RSA和ECC的安全性和速度的比较。

    RSA和ECC安全模长得比较

    2.3 散列算法


    散列是信息的提炼,通常其长度要比信息小得多,且为一个固定长度。加密性强的散列一定是不可逆的,这就意味着通过散列结果,无法推出任何部分的原始信息。任何输入信息的变化,哪怕仅一位,都将导致散列结果的明显变化,这称之为雪崩效应。散列还应该是防冲突的,即找不出具有相同散列结果的两条信息。具有这些特性的散列结果就可以用于验证信息是否被修改。
    单向散列函数一般用于产生消息摘要,密钥加密等,常见的有:
    MD5(Message Digest Algorithm 5):是RSA数据安全公司开发的一种单向散列算法,非可逆,相同的明文产生相同的密文。
    SHA(Secure Hash Algorithm):可以对任意长度的数据运算生成一个160位的数值;
    对称与非对称算法比较
    以上综述了两种加密方法的原理,总体来说主要有下面几个方面的不同:
    在管理方面:公钥密码算法只需要较少的资源就可以实现目的,在密钥的分配上,两者之间相差一个指数级别(一个是n一个是n2)。所以私钥密码算法不适应广域网的使用,而且更重要的一点是它不支持数字签名。
    在安全方面:由于公钥密码算法基于未解决的数学难题,在破解上几乎不可能。对于私钥密码算法,到了AES虽说从理论来说是不可能破解的,但从计算机的发展角度来看。公钥更具有优越性。
    从速度上来看:AES的软件实现速度已经达到了每秒数兆或数十兆比特。是公钥的100倍,如果用硬件来实现的话这个比值将扩大到1000倍

    3. 加密算法的选择

    1.由于非对称加密算法的运行速度比对称加密算法的速度慢很多,当我们需要加密大量的数据时,建议采用对称加密算法,提高加解密速度。
    2.对称加密算法不能实现签名,因此签名只能非对称算法。
    3.由于对称加密算法的密钥管理是一个复杂的过程,密钥的管理直接决定着他的安全性,因此当数据量很小时,我们可以考虑采用非对称加密算法。
    4.在实际的操作过程中,我们通常采用的方式是:采用非对称加密算法管理对称算法的密钥,然后用对称加密算法加密数据,这样我们就集成了两类加密算法的优点,既实现了加密速度快的优点,又实现了安全方便管理密钥的优点。
    5.如果是 RSA建议采用1024位的数字,ECC建议采用160位,AES采用128为即可。

    本博客整理自网络,仅供学习参考,如有侵权,联系删除。邮箱:rom100@163.com。

    参考文档链接: 

    原文链接:https://blog.csdn.net/weixin_45644138/article/details/108400068

    展开全文
  • 目标检测算法分类

    千次阅读 2019-05-12 16:51:24
    两步走的目标检测:先进行区域推荐,而后进行目标分类 代表:R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 端到端的目标检测:采用一个网络一步到位 代表:YOLO、SSD 先来回归下分类的原理,这是一个常见的CNN...
     两步走的目标检测:先进行区域推荐,而后进行目标分类
    
     代表:R-CNN、SPP-net、Fast R-CNN、Faster R-CNN
     端到端的目标检测:采用一个网络一步到位
    
     代表:YOLO、SSD
    

    在这里插入图片描述

     先来回归下分类的原理,这是一个常见的CNN组成图,输入一张图片,经过其中卷积、激活、池化相关层,最后加入全连接层达到分类概率的效果.
    

    在这里插入图片描述

     分类的损失与优化
    在训练的时候需要计算每个样本的损失,那么CNN做分类的时候使用softmax函数计算结果,损失为交叉熵损失
    

    在这里插入图片描述\

    常见的CNN模型
    在这里插入图片描述

     对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果,而且还需要输出图片中目标的位置信息,所以从分类到检测,如下图标记了过程:
    

    1.分类
    在这里插入图片描述

    2.分类+定位(只有一个对象的时候)
    在这里插入图片描述

    检测的任务
    分类:
    N个类别
    输入:图片
    输出:类别标签
    评估指标:Accuracy
    在这里插入图片描述

    定位:
    N个类别
    输入:图片
    输出:物体的位置坐标
    主要评估指标:IOU

    在这里插入图片描述

    其中我们得出来的(x,y,w,h)有一个专业的名词,叫做bounding box(bbox).
    

    两种Bounding box名称

    在目标检测当中,对bbox主要由两种类别。

    Ground-truth bounding box:图片当中真实标记的框
    Predicted bounding box:预测的时候标记的框

    在这里插入图片描述

    一般在目标检测当中,我们预测的框有可能很多个,真实框GT也有很多个。

    检测的评价指标

    在这里插入图片描述

    IoU(交并比)
    两个区域的重叠程度overlap:侯选区域和标定区域的IoU值

    在这里插入图片描述

     在分类的时候我们直接输出各个类别的概率,如果再加上定位的话,我们可以考虑在网络的最后输出加上位置信息
    

    这是回归位置
    增加一个全连接层,即为FC1、FC2

    FC1:作为类别的输出

    FC2:作为这个物体位置数值的输出

    在这里插入图片描述

    假设有10个类别,输出[p1,p2,p3,…,p10],然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么,如果衡量整个网络的损失

    对于分类的概率,还是使用交叉熵损失
    位置信息具体的数值,可使用MSE均方误差损失(L2损失)
    如下图所示:
    在这里插入图片描述

    位置数值的处理:

     对于输出的位置信息是四个比较大的像素大小值,在回归的时候不适合。目前统一的做法是,每个位置除以图片本身像素大小。
    
     假设以中心坐标方式,那么x = x/x_image,y/y_image, w/x_image,h/y_image,也就是这几个点最后都变成了0~1之间的值。
    
    展开全文
  • 现代密码法学算法分类

    千次阅读 2021-05-16 13:40:35
    1-对称算法 对称算法:是一种加密密钥和解密密钥相同的密码算法,又称密码密钥算法或单密钥算法。 该类算法分为流密码算法和分组密码算法。 流密码算法又称为序列密码算法,每次加密或解密一位或一字节的明文或...
  • 路径规划算法分类

    千次阅读 多人点赞 2019-03-21 14:51:51
    版权声明:本文为博主原创文章,未经博主允许不得转载,转载注明来源。
  • 推荐算法分类

    千次阅读 2018-10-24 15:25:11
    推荐算法具有非常多的应用场景和商业价值,因此对推荐算法值得好好研究。推荐算法种类很多,但是目前应用最广泛的应该是协同过滤类别的推荐算法,本文就对协同过滤类别的推荐算法做一个概括总结,后续也会对一些典型...
  • 最优化算法——常见优化算法分类及总结

    万次阅读 多人点赞 2018-10-27 12:54:53
    之前做特征选择,实现过基于群智能算法进行最优化的搜索,看过一些群智能优化算法的论文,在此做一下总结。 最优化问题  在生活或者工作中存在各种各样的最优化问题,比如每个企业和个人都要考虑的一个问题“在...
  • 协同过滤推荐算法分类

    千次阅读 2018-06-11 16:43:47
    根据协同过滤推荐算法的依据不同,可以将算法分为基于用户的、基于项目的和基于模型的。
  • 机器学习算法分类及数据集划分

    千次阅读 2020-10-06 11:08:37
    2. 数据类型和算法分类 2.1 数据类型 2.2 机器学习算法分类 监督学习:既有特征值又有目标值。 无监督学习:只有特征值,无目标值。 2.3 监督学习 2.3.1 分类 (离散型) 1. K-近邻算法: 2. 贝叶斯分类: 3.决策...
  • 算法简介、7种算法分类

    千次阅读 2018-02-26 08:49:00
    一、算法 算法是以函数模板的形式实现的。常用的算法涉及到比较、交换、查找、搜索、复制、修改、移除、反转、排序、合并等等。 算法并非容器类型的成员函数,而是一些全局函数,要与迭代器一起搭配使用。 算法的...
  • 梯度下降算法分类总结

    千次阅读 2018-08-27 15:41:23
    梯度下降算法分类总结 引言    梯度下降法 (Gradient Descent Algorithm,GD) 是为目标函数J(θ),如代价函数(cost function), 求解全局最小值(Global Minimum)的一种迭代算法。 为什么...
  • 密码算法分类 (学习笔记)

    千次阅读 2020-06-30 14:40:20
    指加密和解密使用相同密钥的加密算法。对称加密算法的优点在于加解密的高速度和使用长密钥时的难破解性。假设两个用户需要使用对称加密方法加密然后交换数据,则用户最少需要2个密钥并交换使用,如果企业内用户有n个...
  • 人工智能 之 自然语言处理(NLP)算法分类总结

    万次阅读 多人点赞 2018-08-29 14:16:37
    一、人工智能学习算法分类 人工智能算法大体上来说可以分类两类:基于统计的机器学习算法(Machine Learning)和深度学习算法(Deep Learning) 总的来说,在sklearn中机器学习算法大概的分类如下: 1. 纯...
  • 机器学习算法分类

    千次阅读 2019-09-19 14:31:56
    机器学习算法分类按照学习方式可以分为如下四类按照学习任务可以分成如下三类综合来看功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表...
  • 自然语言处理(NLP)算法分类总结

    千次阅读 2019-11-05 22:22:23
    一、人工智能学习算法分类 1. 纯算法类 2.建模方面 二、详细算法 1.分类算法 2.回归算法 3.聚类算法 4.降维算法 5.概率图模型算法 6.文本挖掘算法 7.优化算法 8.深度学习算法 三、建模方面 1.模型优化· 2.数据...
  • 推荐算法分类综述

    千次阅读 2016-06-02 20:38:49
    推荐算法分类综述 推荐系统在各种系统中广泛使用,推荐算法则是其中最核心的技术点,InfoQ接下来将会策划系列文章来为读者深入介绍。推荐算法综述分文五个部分,本文作为第一篇,将会简要介绍推荐系统算法的主要...
  • 常见加密算法分类

    千次阅读 2018-07-10 17:20:00
    常见加密算法分类 常见的加密算法可以分成三类,对称加密算法,非对称加密算法和Hash算法。 对称加密 指加密和解密使用相同密钥的加密算法。对称加密算法的优点在于加解密的高速度和使用长密钥时的难破解性。...
  • 拥塞控制算法分类

    千次阅读 2017-08-25 12:15:12
    我把现有的拥塞控制技术分成了五大类:传统的基于丢包或基于延迟方法,这两个类别是通用的分类,那些比较远古的算法基本上就可以这么二分;基于链路容量预测,基于延迟目标和基于学习或探测的这三类,主要包含了近几...
  • 常见聚类算法分类

    万次阅读 2016-10-15 10:56:41
    k-modes:分类属性型数据的采用的聚类算法,采用差异度来代替k-means算法中的距离 k-medians:它到其他所有(当前cluster中的)点的距离之和最小——作为中心点 Agglomerative:自底向上,层次聚类 Divisive...
  • 机器学习常见算法分类,算法优缺点汇总

    万次阅读 多人点赞 2017-04-14 12:08:13
    很多时候困惑人们都是,很多算法是一类算法,而有些算法又是从其他算法中延伸出来的。这里,我们从两个方面来给大家介绍,第一个方面是学习的方式,第二个方面是算法的类似性。 学习方式 根
  • 强化学习算法分类及发展趋势

    千次阅读 2019-03-31 21:56:03
    已有的强化学习算法种类繁多,一般可按下列几个标准来分类。 (1)根据强化学习算法是否依赖模型可以分为基于模型的强化学习算法和无模型的强化学习算法。这两类算法的共同点是通过与环境交互获得数据,不同点是...
  • 机器学习常见算法分类汇总

    千次阅读 2016-03-02 22:28:30
    转自@王萌,有少许修改。机器学习起源于人工智能,可以赋予计算机以传统编程所无法实现的能力,比如飞行器的自动驾驶、人脸识别、计算机视觉...学习方式将算法按照学习方式分类可以让人们在建模和算法选择的时候考虑能
  • weka使用ID3和C4.5算法 分类实验

    千次阅读 2018-01-17 21:23:31
    使用weka做分类任务并建立相应决策树(ID3算法和C4.5算法) weka安装 相关知识理论 2.1 决策树 2.2 ID3算法 2.3 C4.5算法 分类实验 3.1 数据处理 3.2 使用ID3算法 3.3 使用C4.5算法 3.4 ID3和C4.5的...
  • 【联邦学习】联邦学习算法分类总结

    千次阅读 多人点赞 2021-11-29 20:52:09
    联邦学习算法总结,从不同的角度对联邦学习方法进行分类
  • 传统推荐算法分类总结--简单梳理

    千次阅读 2017-08-22 21:41:54
    传统的推荐算法分为三大类:1、基于内容的推荐(Content Based,CB),基于用户特征属性和item的特征之间的匹配程度来做推荐,推荐效果强依赖于特征工程的好坏。 好处是用户独立性,不需要协同考虑其他用户特征,这...
  • 网络社区划分的算法分类(2)

    万次阅读 2021-10-20 20:26:33
    NP-hard问题 介绍NP困难之前要说到P问题和NP问题,P问题是在多项式时间内可以被解决的问题,而NP问题是在多项式时间内可以被验证其正确性的问题。 NP困难(NP-hardness, non-deterministic polynomial-...进化算法启发
  • 常见排序算法分类

    千次阅读 2015-05-08 00:49:21
    排序算法分为两大类:  比较类非线性时间排序:交换类排序(快速排序和冒泡排序)、插入类排序(简单插入排序和希尔排序)、选择类排序(简单选择排序和堆排序)、归并排序(二路归并排序和多路归并排序)。  非...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 643,440
精华内容 257,376
关键字:

算法分类

友情链接: thw-and-and.rar