注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 数据标准化 归一化方法总结

  2. 数据归一化方法和原理总结 matlab 中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx 2. restd、poststd、trastd 3. 自己编程 (1)线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 (2)对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 (3)反余切函数转换

  3. 所属分类：专业指导

    • 发布日期：2014-01-11
    • 文件大小：89088
    • 提供者：zhouyumeitxf

  1. 图片大小颜色归一化代码

  2. 本代码使用opencv2,实现了对样本图片的大小 颜色 等的归一化处理，使用方便，直接选择文件夹就可以。

  3. 所属分类：C++

    • 发布日期：2015-10-24
    • 文件大小：2048
    • 提供者：muyouhang

  1. 基于归一化水体指数的水域面积估算研究

  2. :以ETM+影像为数据源, 采用2 种归一化水体指数分别从遥感数据中定量提取水域面积, 并将提取结果 和监督分类提取结果做比较。研究表明, 3 种模型都能从ETM +遥感数据中准确提取水体信息, 并且归一化水体指数模型简单计算速度快, 适合用于水域面积的动态监测。选用优良的训练样本, 监督分类提取的结果和归一化差异水体指数相同或者更优。

  3. 所属分类：其它

    • 发布日期：2020-03-20
    • 文件大小：374784
    • 提供者：Dan510275

  1. 批量归一化与残差网络.md

  2. 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。

  3. 所属分类：深度学习

    • 发布日期：2020-02-23
    • 文件大小：13312
    • 提供者：qq_40441895

  1. 代谢组学中尿液样本归一化的比较研究

  2. 代谢组学中尿液样本归一化的比较研究，王丹丹，李萍，基于尿液样本的代谢组学分析一直是组学研究领域的难点，主要限制因素在于机体摄水量、生理因素以及外界因素都会影响动物的排尿体

  3. 所属分类：其它

    • 发布日期：2020-02-03
    • 文件大小：636928
    • 提供者：weixin_38742291

  1. 人脸识别正负样本集，负样本2500多，且为处理后灰度图；正样本1000多张，且为归一化后的图片；车牌识别行人检测等（txt为微云链接）

  2. 人脸识别正负样本集，负样本2500多，且为处理后灰度图；正样本1000多张，且为归一化后的图片；同时负样本也是适应于车辆识别，车牌识别，行人检测等

  3. 所属分类：互联网

    • 发布日期：2020-07-16
    • 文件大小：58
    • 提供者：qq_41934573

  1. 详解python实现数据归一化处理的方式：（0,1）标准化

  2. 在机器学习过程中，对数据的处理过程中，常常需要对数据进行归一化处理，下面介绍（0， 1）标准化的方式，简单的说，其功能就是将预处理的数据的数值范围按一定关系“压缩”到（0，1）的范围类。 通常（0， 1）标注化处理的公式为： 即将样本点的数值减去最小值，再除以样本点数值最大与最小的差，原理公式就是这么基础。 下面看看使用python语言来编程实现吧 import numpy as np import matplotlib.pyplot as plt def noramlization(

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：58368
    • 提供者：weixin_38706747

  1. 如何基于python实现归一化处理

  2. 这篇文章主要介绍了如何基于python实现归一化处理,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下         一、定义 　　归一化方法有两种形式，一种是把数变为（0，1）之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。 　　二、目的 　　不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：46080
    • 提供者：weixin_38679233

  1. 机器学习之数据归一化

  2. 目录： 一、介绍 二、最值归一化 1.计算公式 2.Python实战 三、均值方差归一化 1.计算公式 2.Python实战 四、归一化要点 五、使用scikit-learn进行数据归一化 一、介绍 为什么需要进行数据归一化？ 举个简单的例子，样本1以[1, 200]输入到模型中去的时候，由于200可能会直接忽略到1的存在。此时样本间的距离由时间所主导。 此时，如果将天数转换为占比1年的比例，200/365=0.5479, 100/365=0.2740。但也导致样本间的距离又被肿瘤大小所主导

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：108544
    • 提供者：weixin_38605604

  1. 《动手学——批量归一化和残差网络》笔记

  2. 批量归一化（BatchNormalization） ps 批量归一化本质上是对数据的标准化处理，输入标准化一般用于浅层模型，但是对于深层网络，输入的标准化不够，因为随着模型的迭代更新，依然容易造成靠近输出层，它的数据是剧烈变化的。所以批量归一化的出现是应对深度模型的。 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：212992
    • 提供者：weixin_38627603

  1. 批量归一化和残差网络、稠密连接网络

  2. 批量归一化 批量归一化（BatchNormalization） 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。 1.全连接层的批量归一化 前两条公式是一个全连接层的普通实现方式，批量归一化的过程处在两条公式之间，对输出层维度的i个x计算μ和σ，然后计算新的x(i)，再通过激活函数得到

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：235520
    • 提供者：weixin_38622427

  1. 伯禹 动手学深度学习 打卡09 之批量归一化和残差网络

  2. 批量归一化（BatchNormalization） 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。 1.对全连接层做批量归一化 位置：全连接层中的仿射变换和激活函数之间。 全连接： 2.对卷积层做批量归⼀化 位置：卷积计算之后、应⽤激活函数之前。 如果卷积计算输出多个通道，我们需要对

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：186368
    • 提供者：weixin_38653687

  1. 批量归一化 && 残差网络

  2. 基于此前对于CNN的介绍 Fundamentals of Convolutional Neural Networks LeNet && ModernCNN 就深层次 CNN 的结构进一步探讨归一化和残差网络。 批量归一化（BatchNormalization） 让网络训练归一化变得更加容易，本质是一种对数据的标准化处理 分类 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型）随着模型参数的

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：202752
    • 提供者：weixin_38558186

  1. 利用转移矩阵法预测MOVPE生长的AlGaAs薄膜的光学归一化瞬态瞬态

  2. 这篇论文报道了光学归一化反射率（NR）瞬态的预测和分析。 使用转移矩阵方法（TMM）的AlGaAs多层和分布式布拉格反射器（DBR）。 模拟结果与生长样品的测得的NR瞬变很好地相关。 AlxGa1-xAs的偏差成功预测了预期样本和实际样本之间的组成。 较小的光学预测了第一DBR层中的振动幅度，并且可以将其用作Al成分的指示。 前三对DBR中的NR瞬变的特殊特征也通过使用计算出的透射率随厚度的增加而变化。 TMM模拟的NR瞬变为因此证明是一种方便，可靠的预生产技术，也不限于AlGaAs 材料。

  3. 所属分类：其它

    • 发布日期：2021-03-23
    • 文件大小：1048576
    • 提供者：weixin_38624975

  1. 自适应归一化匹配滤波器检测器中的过采样增益

  2. 在雷达目标检测中，自适应归一化匹配滤波器（ANMF）检测器通常用于检测海洋和陆地杂波环境中的移动目标。 它的性能取决于杂波协方差矩阵的估计。 样本协方差矩阵（SCM）估计量已针对独立且分布均匀的高斯杂波矢量进行了彻底分析。 许多使用中的雷达系统都使用距离超采样接收机。 参照天气和海洋雷达中的距离过采样模型，建立了距离过采样杂波矢量的空间相关模型，分析了SCM估计器的误差，并得出了与过采样因子和噪声相关的距离过采样增益。得出接收者的带宽。 进行了使用原始雷达杂波数据的实验，以验证距离过采样增益，表

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：401408
    • 提供者：weixin_38687218

  1. 使用CIFAR10数据集进行图像分类：在本笔记本中，我将对CIFAR-10数据集中的图像进行分类。 数据集由飞机，狗，猫和其他物体组成。 在对图像进行预处理之后，我对所有样本都训练了卷积神经网络。 图像需要归一化，标签需要进行一次热编码-源

  2. 使用CIFAR10数据集进行图像分类 在本笔记本中，我将对CIFAR-10数据集中的图像进行分类。 数据集由飞机，青蛙，马和其他物体组成。 在对图像进行预处理之后，我对所有样本都训练了卷积神经网络。 图像需要进行归一化，标签需要进行一次热编码。 目录-> 获取数据 了解数据集 实作经验，实现归一化和一键编码功能 Tensorflow基础 模型架构和构造（使用不同类型的API） 训练模型 预测请打开jupyter笔记本以查看完整描述

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：8192
    • 提供者：weixin_42144199

  1. python数据归一化及三种方法详解

  2. 数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。以下是三种常用的归一化方法： min-max标准化（Min-Max Normalization） 也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 , 1]之间。转换函数如下：    其中max为样本数据

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：53248
    • 提供者：weixin_38633576

  1. 基于数据归一化以及Python实现方式

  2. 数据归一化： 数据的标准化是将数据按比例缩放，使之落入一个小的特定区间，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。 为什么要做归一化： 1）加快梯度下降求最优解的速度 如果两个特征的区间相差非常大，其所形成的等高线非常尖，很有可能走“之字型”路线（垂直等高线走），从而导致需要迭代很多次才能收敛。 2）有可能提高精度 一些分类器需要计算样本之间的距离，如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：56320
    • 提供者：weixin_38704284

  1. python opencv-图像数据归一化

  2. 1.1.定义：归一化把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。 1.2.优点：归一化使数据有可比性，同时又保持相比较的两个数据之间的相对关系 转换成标准模式，防止仿射变换的影响。 减小几何变换的影响;加快梯度下降求最优解的速度,收敛加快 1.3.作用：归纳统一样本统计分布;归一化在0-1是统计概率分布;归一化在某区间上是统计的坐标分布 1.4.方法： 1）线性函数转换：y=(x-MinValue)/(MaxValue-MinValue) 2）

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：72704
    • 提供者：weixin_38725260

  1. TensorFlow实现批量归一化操作的示例

  2. 批量归一化 在对神经网络的优化方法中，有一种使用十分广泛的方法——批量归一化，使得神经网络的识别准确度得到了极大的提升。 在网络的前向计算过程中，当输出的数据不再同一分布时，可能会使得loss的值非常大，使得网络无法进行计算。产生梯度爆炸的原因是因为网络的内部协变量转移，即正向传播的不同层参数会将反向训练计算时参照的数据样本分布改变。批量归一化的目的，就是要最大限度地保证每次的正向传播输出在同一分布上，这样反向计算时参照的数据样本分布就会与正向计算时的数据分布一样了，保证分布的统一。 了解了原理

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：69632
    • 提供者：weixin_38501810
« 12 3 4 5 6 7 8 9 10 »