1 机器学习基础 1.1 机器学习的定义与核心概念 为了更深入地理解机器学习，我们可以从以下核心概念入手： 数据驱动：机器学习完全依赖于数据。这些数据既可以是结构化的，如表格，也可以是非结...

扩散模型的基本原理 Denoising Diffusion Probabilistic Models (DDPM) 是一种利用扩散过程来生成样本的深度学习模型。其主要的灵感来源于扩散过程，通过逐渐增加噪音来模糊一个初始的图像，并...

0.引言 ZFNet模型是由Matthew D. Zeiler和Rob Fergus在AlexNet的基础上提出的大型卷积网络，获得了2013年ILSVRC图像分类竞赛的冠军。其错误率为11.19%，较去年的AlexNet下降了5%。ZFNet解...

过拟合与欠拟合 过拟合和欠拟合现象的定义 过拟合和欠拟合模型是深度学习模型在训练过程中比较容易出现的不好的现象。 当模型的表现能力弱于事件的真实表现时，会出现欠拟合现象。某个非线性模...

引言 在机器学习和数据分析领域，当数据的维度特别高时，处理和分析数据就会变得尤为困难。这是因为随着维度的增加，数据的稀疏性也会增加，这种现象被称为“维度的诅咒”。为了克服这个挑战，...

 1.AlexNet理论 AlexNet模型与LeNet模型有很多相似之处，它可以被看作是LeNet的改进版本，都由卷积层和全连接层构成。然而，AlexNet之所以能够在ImageNet比赛中大获成功，还要归功于其独特...

0.引言 近年来，卷积神经网络一直是计算机视觉任务中的主要架构。然而，最近出现了基于Transformer模型的架构，例如ViT、Swin Transformer等，在许多任务中表现出引人注目的性能。相比于传统的...

1.EfficientNetV1 EfficientNet源自Google Brain的论文EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks。从标题中可以看出，这篇论文最主要的创新点是模型缩放。论...

DBSCAN是在1990年代后期推出的一种聚类方法，它迅速成为基于密度的聚类技术中最受欢迎和广泛使用的算法之一。与传统的聚类方法如K-means不同，DBSCAN的主要优势在于其能够识别出任意形状的聚类...

1. K均值（K-Means） 计算效率高，适合大数据集。 结果易于解释。 缺点： 需要预先设定聚类数量 K。 对异常值敏感。 假设聚类为凸形且各向同性，可能不适用于复杂形状的数据分布。 初始中心点的...

本章来学习一下图注意力网络GAT，首先对标GCN，来谈谈它们的优缺点。 GCN是处理transductive任务的一把利器，transductive任务是指：训练阶段与测试阶段都基于同样的图结构，如下图所示。 ...