有效识别图像或视频中人物的不同群体, 是进行图像智能分析的重要环节, 归根结底是研究如何获取图像中的“有效特征”. 本文以卷积神经网络模型为基础模型, 提出多模型融合卷积神经网络的方法, 利用ImageNet训练得到的模型参与本文神经网络模型的权值初始化, 在有效节省时间和计算资源成本的前提下获取更多有效的特征. 实验结果证明, 本模型对于自然场景中的个体分类中成年男性、成年女性、儿童识别准确率可以保持在85%左右, 提高了人物群体分类的准确度和可靠度.
2022-03-17 14:28:10
3.6MB
1
课程分为两条主线：
1 从Tensorflow的基础知识开始，全面介绍Tensorflow和Keras相关内容。通过大量实战，掌握Tensorflow和Keras经常用到的各种建模方式，参数优化方法，自定义参数和模型的手段，以及对训练结果评估与分析的技巧。
2 从机器学习基础算法开始，然后进入到图像分类领域，使用MNIST手写数据集和CIFAR10图像数据集，从简单神经网络到深度神经网络，再到卷积神经网络，最终完成复杂模型：残差网络的搭建。完成这条主线，学员将可以自如地使用机器学习的手段来达到图像分类的目的。
2022-03-17 11:37:12
19.16MB
1
文本分类介绍，目前的文本分类模型，数据集和模型对应的代码链接，介绍文本分类的流程和发展史。给出多标签文本分类介绍和对应工具
2022-03-10 22:06:15
2.02MB
1
伯特分类服务
介绍
使用训练分类模型并通过部署模型。 然后，我们可以使用REST API进行在线预测。
开始使用
整个实验基于Chnsenticorp数据集，该数据集是正面和负面情绪的两类数据集。
0.准备训练前模型
下载中文bert模型chinese_L-12_H-768_A-12 ，然后解压缩并移至models目录。
1.训练模型
sh fine-tuning.sh
2.进行预测和导出模型
我们需要将检查点更改为张量流服务的格式。
sh export-model.sh
然后， export-model的结构将为：
.
└── 1569141360
├── saved_model.pb
└── variables
├── variables.data-00000-of-00001
└── variables.index
3.部署模型
2022-03-08 14:33:44
1.79MB
1
【项目实战】Python实现深度神经网络gcForest(多粒度级联森林)分类模型(医学诊断)
资料说明：包括数据+代码+文档+代码讲解。
1.项目背景
2.数据获取
3.数据预处理
4.探索性数据分析
5.特征工程
6.构建GCForest建模
7.模型评估
8.结论与展望
注意事项
2022-02-15 14:05:21
58.36MB
针对词向量文本分类模型记忆能力弱, 缺少全局词特征信息等问题, 提出基于宽度和词向量特征的文本分类模型(WideText): 首先对文本进行清洗、分词、词元编码和定义词典等, 计算全局词元的词频-逆文档频度(TF-IDF)指标并将每条文本向量化, 将输入文本中的词通过编码映射到词嵌入矩阵中, 词向量特征经嵌入和平均叠加后, 和基于TF-IDF的文本向量特征进行拼接, 传入到输出层后计算属于每个分类的概率. 该模型在低维词向量的基础上结合了文本向量特征的表达能力, 具有良好的泛化和记忆能力. 实验结果表明, 在引入宽度特征后, WideText分类性能不仅较词向量文本分类模型有明显提升, 且略优于前馈神经网络分类器.
2022-01-07 09:59:39
995KB
1
训练BANK-DATA分类模型示例
bank-data数据各属性的含义如下：
id: a unique identification number
age: age of customer in years (numeric)
sex: MALE / FEMALE
region: inner_city/rural/suburban/town
income: income of customer (numeric)
married: is the customer married (YES/NO)
children: number of children (numeric)
car: does the customer own a car (YES/NO)
save_act: does the customer have a saving account (YES/NO)
current_act:does the customer have a current account (YES/NO)
mortgage: does the customer have a mortgage (YES/NO)
pep （目标变量） : did the customer buy a PEP (Personal Equity Plan，个人参股计划) after the last mailing (YES/NO)
2022-01-04 15:50:59
14.29MB
1