-
使用Sentence Transformers进行模型微调的指南
了解如何使用Sentence Transformers库进行模型微调,提高在特定任务上的性能。本文介绍了数据集、损失函数、训练参数、评估器等训练组件,帮助您有效训练模型并优化性能。- 114
- 0
-
JDT损失:语义分割模型的新选择
了解JDT损失,一种可以兼容软标签的语义分割模型损失函数,以及其在提高模型准确性和校准性方面的能力。该损失函数还具有metric和semimetric的性质,适用于神经网络模型的优化。- 878
- 0
-
机器学习中的分位数回归及损失函数详解
本文详细介绍了机器学习中的分位数回归及Quantile Loss损失函数的原理和实现方法,适合对机器学习模型性能评估感兴趣的读者阅读。同时提供了使用Pytorch实现分位数损失的示例代码。- 578
- 0
-
-
-
Focal Loss:解决不平衡分类问题的损失函数
本文介绍了Kaiming He在2017 ICCV上发表的经典论文Focal Loss,主要用于解决不平衡分类问题,提出了一种名为Focal loss的新损失函数,它可以有效解决类别不平衡问题,适用于目标检测中的一阶段检测器。- 119
- 0
-
-
Sharpness-Aware Minimization (SAM):锐度与泛化能力的平衡
本文讨论了Sharpness-Aware Minimization (SAM)对损失函数锐度和泛化能力的平衡以及训练损失的优化方法。了解如何通过SAM方法提高模型的训练效果和泛化能力。- 402
- 0
-
-
声纹识别损失函数及优化方法详解
本文详细介绍了声纹识别中常用的损失函数,包括Triple Loss、L-Softmax、SphereFace、Center Loss,以及特征归一化的作用和优化方法,为声纹识别技术的优化提供了深入的探讨。- 345
- 0
-
非对称多项式损失算法(APL):多标签分类新方法
本文介绍了一种用于多标签分类的非对称多项式损失算法(APL),通过对BCE损失进行泰勒展开,APL损失保持了高度的灵活性,可以为各种任务和模型定制。- 399
- 0
-
机器学习中的损失函数、梯度下降和逻辑回归模型详解
本文详细讲解了机器学习中的损失函数的定义和求解过程,梯度下降的原理和步骤,以及线性回归模型和逻辑回归模型的应用。通过学习本文,您将深入了解机器学习中的关键概念和方法。- 99
- 0
-
-
-
深度学习中常用的分类和回归任务损失函数总结
本文总结了深度学习中常用的分类和回归任务的损失函数,重点解析了交叉熵损失函数及其由来,详细介绍了计算公式、案例分析和代码。同时也描述了MAE和MSE损失函数,给出了详细的计算公式、曲线图及优缺点。- 286
- 0
-
-
-
-
神经网络损失函数可视化及影响因素研究
本文介绍了一种基于 \'Filter Normalization\' 的简单可视化方法,探讨了神经网络损失函数的结构和对泛化的影响,以及神经网络训练中的关键因素。- 242
- 0
-
图像分割损失函数及相关架构介绍
了解图像分割的常见损失函数,以及相关架构如FastFCN、Gated-SCNN、DeepLab和Mask R-CNN的介绍。探讨了Focal Loss、Dice loss、IoU-balanced Loss、Boundary loss等多种损失函数,以及它们在深度学习中的应用。- 167
- 0
-
逻辑回归中的数值稳定问题及解决方法
本文探讨逻辑回归中的数值稳定问题,包括上溢和下溢的情况,以及针对Sigmoid函数稳定性问题的优化方法。同时介绍了数值稳定的BCE损失函数在pytorch中的应用。- 122
- 0
-
幸运之星正在降临...
点击领取今天的签到奖励!
恭喜!您今天获得了{{mission.data.mission.credit}}积分
我的优惠劵
-
¥优惠劵使用时效:无法使用使用时效:
之前
使用时效:永久有效优惠劵ID:×
没有优惠劵可用!