不平衡数据在分类时往往会偏向"多数"，传统过采样生成的样本不能较好的表达原始数据集分布特征.改进的变分自编码器结合数据预处理方法，通过少数类样本训练，使用变分自编码器的生成器生成样本，用于以均衡训练数据集，从而解决传统采样导致的不平衡数据引起分类过拟合问题.我们在UCI四个常用的数据集上进行了实验，结果表明该算法在保证准确率的同时提高了F_measure和G_mean.
2023-10-30 10:20:07
3.33MB
1
针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。
2022-05-09 17:48:18
3.88MB
1
分层注意网络
我对“ ”的实现（Yang等，2016）
Yelp的数据可从下载（与Yang的论文中使用的数据集相同） 下载链接： :
将数据放在名为“ data / yelp_YEAR /”的目录中（其中“ YEAR”为年份）
运行“ yelp-preprocess.ipynb”以预处理数据。 格式变为“标签\ t \ t句子1 \ t句子2 ...”。
然后运行“ word2vec.ipynb”以从训练集中训练word2vec模型。
运行“ HAN.ipynb”以训练模型。
运行“ case_study.ipynb”以运行验证集中的一些示例的可视化，包括注意力向量（句子级别和单词级别）和预测结果。
现在，我们在yelp2013测试仪上获得了约65％的准确度。 对超参数进行微调后，它可能会更好。
我们使用的超参数
时代
批量大小
GRU单位
word2vec大小
优化器
学
2022-05-06 10:34:48
5.69MB
1
[PYTORCH]用于文档分类的分层注意网络
介绍
下面是我的文件分层关注网络的文档分类描述的模型的pytorch实现。
Dbpedia数据集模型输出结果的应用程序演示示例。
我的模型对Dbpedia数据集的性能示例。
如何使用我的代码
使用我的代码，您可以：
使用任何数据集训练模型
给定我训练有素的模型或您的模型，您可以评估具有相同类集的任何测试数据集
运行一个简单的Web应用进行测试
要求：
python 3.6
火炬0.4
张量板
tensorboardX （如果不使用SummaryWriter，则可以跳过此库）
麻木
数据集：
我用于实验的数据集的统计信息。 这些数
2021-11-26 21:50:56
49.66MB
1
1、domino结合easyui控件使用 扩展的控件的使用 美观以完善的功能
2 、里面有几个控件在domino的demo 以及怎样在domino引用easyui库
3 、不会使用，请联系Q 1766168900@qq.com
2021-04-12 10:06:38
9.25MB