All Posts

零样本学习评估

Xian Y, Lampert C H, Schiele B, et al. Zero-shot learning-a comprehensive evaluation of the good, the bad and the ugly[J]. IEEE transactions on pattern analysis and machine intelligence, 2018. 这篇论文对当前最好的零样本学习方法做了统一全面的评估。

零样本学习概览(待续)

概念 零样本学习(Zero-shot learning,ZSL)利用训练集数据训练模型,使得模型能够对测试集的对象进行分类,但是训练集类别和测试集类别之间没有交集。这就需要借助类别的描述,构建语义空间,来建立训练集和测试集之间的联系,从而使得模型有效。ZSL就是让计算机具备人类的推理能力,来识别出一个从未见过的新事物。

使用Tensorflow的py_func函数灵活操作Tensor

由于TensorFlow中tensor数据类型的特殊性,对它的处理往往是一件比较头疼的事情。有些情况需要将其转换为numpy array进行计算,这时有一个很有效的函数py_func,这里举一个使用例子,函数本身的用法可见参考资料。

半监督学习2019年最新进展

ICT 问题:不同的一致性正则化技术选择不同的未标记数据扰动。随机扰动是一个简单的方案,但其对于高维度数据十分低效。VAT等模型探索能够使模型预测变化最大化的扰动,但这类方法需要额外的计算,而且有研究表明对抗性扰动训练可能会影响泛化表现。

深度强化学习之DQN系列

基础(Q-Learning) Q即为Q(s,a),就是在某一时刻的 s 状态下,采取动作a动作能够获得奖励的期望。环境会根据智能体的动作反馈相应的奖励 r。算法的主要思想就是将状态(state)与动作(action)构建成一张Q-table来存储Q值,然后根据Q值来选取能够获得最大的收益的动作。Q-Learning的算法如下:

深度强化学习总览

概念 强化学习的基本思想是通过最大化智能体(Agent)从环境中获得的累计奖赏值,以学习到完成目标的最优策略。强化学习中的基本要素包括:

半监督深度学习

深度学习发展初期,训练深度的网络比较困难。对神经网络来说,一个好的初始化可以让结果更稳定,迭代次数更少,因此利用无标签数据让网络有一个好的初始化成为一个研究热点。

半监督学习再探

概述 传统监督学习通过对大量有标记的训练样例进行学习以建立模型用于预测未知样例的标记。在实际应用中,往往可以容易地收集到大量未标记的样本,而对这些数据赋予标记则往往需要耗费大量的人力物力。例如在进行计算机辅助医学影像分析时, 可以从医院获得大量医学影像, 但如果希望医学专家把影像中的病灶全都标识出来则是不现实的。

半监督学习总览

半监督学习定义:使用大量无标签样例和少量有标签样例进行学习。 出现的原因:在许多实际应用中(如自然语言处理、计算机视觉和生物学等领域),无类标签的样例很容易得到,而对样例的标记代价昂贵。

使用Keras做花卉图像分类

本文使用Keras预训练的模型做图片分类,下载花卉图像数据集的方法参考TensorFlow教程。此数据集共有5种花卉,将花卉图片重新组织为训练集和测试集。