- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子位
谷歌开源缩放模型EfficientNets：ImageNet准确率创纪录，效率提高10倍
它在ImageNet测试中实现了84.1%的准确率，再次刷新了纪录。 虽然准确率只比之前最好的Gpipe提高了0.1%，但是模型更小更快，参数的数量和FLOPS都大大减少，效率提升了10倍！ 实现方法 传统提高CNN准确率的方法有：增加网络的深度或宽度，例如通过增加层数将ResNet-18可扩展到ResNet-200，或者是提高输入图片分辨率来训练和评估网络。 虽然这些方法确实提高了准确率，但是通常需要繁琐的手动调整，而且经常不能获得最优的性能。 因此，为了进一步提高性能，谷歌还使用AutoML MNAS框架优化了模型的准确率和效率，执行神经架构搜索来开发新的基线网络。 ? 与ResNet-50相比，EfficientNet-B4的准确率为82.6%，比ResNet-50的76.3%高出6.3个百分点。 ?
81320发布于 2019-06-03 - 来自专栏机器之心
有人声称「解决了」MNIST与CIFAR 10，实现了100%准确率
MNIST 识别的准确率已经卷上 100% 了？近日，预印版平台 arXiv 中的一篇论文《Learning with Signatures》引起了人们的关注。 作者报告了在 AFHQ 数据集、Four Shapes、MNIST 和 CIFAR10 的结果，在所有任务上都实现了 100% 的准确率。 实现极高分类准确率所需的 Signature 数量可能取决于任务的复杂性，某些类别可能只需要一个，具有更多可变性的类别可能需要数万到数千个训练样本。 通常，人们会认为在训练集上实现 100% 准确率肯定是出现了数据泄露问题。对于该研究，社交网络中的质疑声较多。 100% 的测试集准确率表明网络实际上比那些错误率的 99.7% 的网络还要差。所以正如其他人所说，100% 准确率的数字非常可疑。」
91730编辑于 2022-04-21 - 来自专栏Duncan's Blog
准确率和召回率及如何提高准确率
准确率和召回率的计算 准确率是预测正确数量 / 总数量 精确率(precision)是针对预测结果而言,它表示的是预测为正的样本中有多少是真正的正样本.预测为正有两种可能,一种就是把正类预测为正类( AFP}\) \(micro-R=\frac{ATP}{ATP + AFN}\) \(micro-F1=\frac{2*micro-P*micro-R}{micro-P+micro-R}\) 如何提高准确率 提高准确率的手段可以分为三种:1)Bagging 2)Boosting 3)随即森林 在一般经验中,如果把好坏不等的东西掺到一起,那么通常结果会是比最坏的要好一些,比最好的要坏一些.集成学习把多个学习器结合起来
8.2K20发布于 2018-09-04 - 来自专栏全栈程序员必看
训练集准确率很高，验证集准确率低问题
训练集在训练过程中，loss稳步下降，准确率上升，最后能达到97% 验证集准确率没有升高，一直维持在50%左右（二分类问题，随机概率） 测试集准确率57% 在网上搜索可能打的原因： 1.learning ，增大L2正则项，在全连接层加入Dropout层；有了dropout，网络不会为任何一个特征加上很高的权重（因为那个特征的输入神经元有可能被随机删除），最终dropout产生了收缩权重平方范数的效果 10 transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) dict_datasets={ 'CIFAR10 恭喜你，你压根也分不对，你的validation准确率会一直为0.因为你拿所有的正样本训练，却想判断负样本。 4.数据和标签没有对上 有可能再读取自定义的数据库的时候出现问题，导致数据与标注不对应。 s 另外keras TF1.x可能会出问题，https://github.com/keras-team/keras/pull/9965 10.可能设置了一些参数是不可训练的 在训练语句之前，检查以下你的
4.7K40编辑于 2022-11-04 - 来自专栏新智元
【NLP2005年以来大突破】语义角色标记深度模型，准确率提升10%
与以前的技术水平相比，大约减少了 10％ 的相对误差率。对研究结果的实证分析表明：（1）深度模型在恢复长距离语义依存关系方面表现出色，但仍然会犯明显错误；（2）语义分析仍然有改进空间。 我们的模型比 2005 年和 2012年 CoNLL 测试集的技术水平相对误差减少了10％。我们还报告了 predicted predicates 的性能，以激发未来对端到端 SRL 系统的研究。
1.1K30发布于 2018-03-27 - 来自专栏量子位
增加对粤语、韩语支持，准确率提升10%，腾讯云发布专属语音识别模型
最新发布的模型不仅识别准确率得到大幅提升，同时也增加了对粤语、韩语的支持，后面会陆续开放对上海话等方言以及日语、泰语、印尼语等国外语言的支持。 基于这些的痛点，腾讯云AI团队与微信智聆联合打造了金融行业专属语音识别模型，这个模型的推出不仅能够有效解决上述难题，还在识别的准确率上得到大幅提升。 率先打造音视频专属语音识别模型，准确率提升10% 随着互联网直播浪潮的兴起，如何利用智能语音技术快速识别用户的音视频内容、进行精准推荐和不健康内容过滤，已经成为各大直播和内容分享平台在日益激烈的市场竞争中的核心竞争力 凭借自身在音视频领域数据的大量积累，腾讯云在业界率先推出了音视频领域专属语音识别模型，目前已在多家音视频领域直播平台和电商直播平台应用，经客户实测，识别准确率提升近10%。 ?
2.1K40发布于 2020-05-07 - 来自专栏新智元
98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%！
新智元报道 编辑：英智 【新智元导读】AI从医疗工具变身为协作队友，斯坦福大学研究揭示：医生诊断准确率竟飙升10%！ 论文链接：https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1.full.pdf 结果让人惊讶：当AI从「工具」变成「队友」，医生的诊断准确率直接飙升了 10%。
33110编辑于 2025-06-16 - 来自专栏Python分享
Python制作自动答题脚本，100%准确率，1秒10题提高效率
前言 环境使用 Python 3.8 Pycharm 模块使用 import requests ---> 数据请求模块 pip install requests import parsel ---> 数据解析模块 pip install parsel from selenium import webdriver ---> 自动测试模块 pip install selenium==3.141.0 本次案例代码实现思路: 打开考试网站 selenium --> 浏览器驱动 --> 操作浏览器 <模拟人的行为做
3.1K10编辑于 2022-12-05 - 来自专栏全栈程序员必看
f1值准确率召回率_nt值准确率高吗
1、混淆矩阵 混淆矩阵中T、F、P、N的含义： T:真，F:假，P:阳性，N:阴性 然后组合： TP:真阳性 TN:真阴性 FP:假阳性 FN:假阴性 2、精确率（准确率）： 你认为对的中， 有多少确实是对的，所占的比率： 例如：你预测 对的有 10（TP+FP）个，其中8个确实是对的，则 精确率 80% 你认为对的：即预测值为1的数量=TP+FP 有多少确实是对的：TP Precision =TP/(TP+FP) 3、召回率： 本来是对的中，你召回了多少对的，所占的比率 : 例如：应该有 10 个是对的，但是你只猜中了 7（TP+FN）个，则 召回率 70% 本来是对的：即真实值为1的数量
51030编辑于 2022-09-20 - 来自专栏大龄程序员的人工智能之路
提高模型准确率：组合模型
然而，人们探索新知识总是永无止境，在提高深度学习模型准确率方面，仍在孜孜不倦的追求着。这篇文章将介绍一种提升模型准确率的方法：组合模型。 多个模型投票的结果，应该好于单个模型的准确率。 当然，机器学习看起来有些不靠谱（拿概率说事），但还是建立在严密的理论基础之上，组合模型提高准确率如果仅仅建立在一条谚语之上，不足以说服人，也没办法让人接受。 看到这儿，你可能会有些失望，费了这么大的劲，好像也没啥提升，但是别忘了，在医疗领域、自动驾驶领域，即使费上好大的力气，准确率能够提升小数点后面几位，都是值得的。 就像每年度的kaggle竞赛，人们依然在孜孜不倦的追求着准确率的提升。 以上实例均有完整的代码，点击阅读原文，跳转到我在github上建的示例代码。
71220发布于 2019-07-01 - 来自专栏Hsinyan写字的地方
测试集的分类准确率
my_knn_clf = KNNClassifier(k=3) my_knn_clf.fit(X_train,y_train) y_predict= my_knn_clf.predict(X_test) # 计算准确率 sum(y_predict == y_test) / len(y_test) # 0.9916434540389972 使用上述过程即可使用kNN算法(k取3)，且对测试集进行预测的准确率达到99.16% 以上 封装自己的准确率函数 def accuracy_score(y_true, y_predict): """计算y_true和y_predict之间的准确率""" assert len accuracy_score(y_test,y_predict) # 0.9916434540389972 使用scikit-learn封装的accuracy_score scikit-learn中也为我们封装好了计算准确率的函数
75110编辑于 2022-06-19 - 来自专栏ASR
如何提升语音转写准确率？
如有需要微调提升 ASR 识别准确率也欢迎在我的个人博客首页中找到我的联系方式。
92910编辑于 2025-04-19 - 来自专栏算法与编程之美
提升网络训练的准确率
1 问题 模型训练结果的准确率只有百分之60多，因此需要提升准确率。 2 方法 mnist 数据集有60000张图片作为训练数据，10000张图片作为测试数据。 Epoch 具有的 Iteration 个数：600（完成一个Batch训练，相当于参数迭代一次） 每个 Epoch 中发生模型权重更新的次数：600（一次训练包含正向+反向，反向就是一次权重更新） 训练 10 个Epoch后，模型权重更新的次数：10 * 600 = 6000 总共完成30000次迭代，相当于完成了个Epoch 不同Epoch的训练，其实用的是同一个训练集的数据。 第1个Epoch和第10个Epoch虽然用的都是训练集的图片，但是对模型的权重更新值却是完全不同的。因为不同Epoch的模型处于代价函数空间上的不同位置，模型的训练代越靠后，越接近谷底，其代价越小。 当数据量十分大的时候，一次性投入训练效果往往会变差，为此需要对数据进行分批次的训练，用epoch进行周期训练达到提升准确率的目的。
53820编辑于 2023-01-03 - 来自专栏nginx遇上redis
准确率（Accuracy）、召回率(Recall)
准确率 (Accuracy) 准确率是指有在所有的判断中有多少判断正确的，即把正的判断为正的，还有把负的判断为负的；总共有 TP + FN + FP + TN 个，所以准确率：(TP+TN) / (TP
64110编辑于 2024-05-13 - 来自专栏开发经验
深度学习模型在图像识别中的应用：CIFAR-10数据集实践与准确率分析
文章目录 CIFAR-10数据集简介 数据准备 数据预处理 构建深度学习模型 模型训练与评估 准确率分析 结论 欢迎来到AIGC人工智能专栏~深度学习模型在图像识别中的应用：CIFAR-10数据集实践与准确率分析 本文将介绍如何使用深度学习模型来识别CIFAR-10数据集中的图像，并对模型的准确率进行分析。 CIFAR-10数据集简介 CIFAR-10数据集是一个包含60,000张32x32像素彩色图像的数据集，这些图像属于10个不同的类别。每个类别包含6,000张图像。 CIFAR-10数据集通常用于测试和验证深度学习模型的性能，因为它相对较小，但具有足够的复杂性，可以用于图像分类任务。 数据准备 首先，我们需要下载CIFAR-10数据集并准备数据以供模型训练。 最后，我们评估模型的性能并输出测试准确率。 准确率分析 深度学习模型的性能通常通过准确率来评估。在本例中，我们训练了一个简单的CNN模型，并在CIFAR-10测试数据集上进行了评估。
1.4K10编辑于 2023-12-13 - 来自专栏若城技术专栏
深度学习模型在图像识别中的应用：CIFAR-10数据集实践与准确率分析
其中，CIFAR-10数据集是一个广泛使用的基准数据集，包含了10个不同类别的彩色图像。本文将介绍如何使用深度学习模型构建一个图像识别系统，并以CIFAR-10数据集为例进行实践和分析。 文章中会详细解释代码的每一步，并展示模型在测试集上的准确率。此外，还将通过一张图片的识别示例展示模型的实际效果。 输出层包含10个神经元，对应CIFAR-10数据集中的类别。 指定了优化器（使用 Adam 优化器）、损失函数（使用交叉熵损失函数）和评估指标（准确率）。 evaluate() 方法对测试集进行评估，并打印出测试准确率。
1.6K10编辑于 2024-02-29 - 来自专栏新智元
DeepMind曝新一代AlphaFold，预测准确率暴涨近10%！DNA和RNA的AlphaFold时刻来了
就在今天，DeepMind公布了AlphaFold最新进展——「AlphaFold-latest」。
84240编辑于 2023-11-02 层级表征提升图像检索准确率
特别是，代理锚损失已被证明能够达到最先进的图像检索准确率，同时比成对损失收敛得快得多。我们的工作提出了一种新的代理损失，它显式地利用类别层次结构信息来提高图像检索准确率。 在五个标准度量学习数据集上评估图像检索准确率，发现HPL始终优于两种基线方法，达到了新的最先进水平。
14210编辑于 2025-12-29- 来自专栏Frank909
用 PyTorch 从零创建 CIFAR-10 的图像分类器神经网络，并将测试准确率达到 85%
建立 Optimizer 优化器，优化的目标就是 Loss 函数，让它的取值尽可能最小，loss 越小代表 Model 预测的准确率越高。 CIFAR-10 有 50000 张训练图片，10000 张测试图片，总共 10 个类别，分别是 ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog trainset = torchvision.datasets.CIFAR10(root='. 就指定了 CIFAR-10 这个数据集，这个模块定义了它如何去下载数据集，及如何从本地加载现成的数据。 而在本篇博文中，我创建的神经网络层次还比较深，是 VGG 的翻版，目的是想让测试的准确率更加高一点。
10.3K30发布于 2019-01-14 - 来自专栏新智元
AnT模型技术公开，手绘图变动画准确率提升10% | ICCV 2021
这次有一个AI公司带来了一个让手绘图动起来的app，现在已经开放测试体验，还发表了一篇论文来介绍具体使用的技术，相比以往的研究，准确率提升超10个点！ 通过量化结果可以看出AnT的准确率提升了近10个点，比以往的模型都有较大提升。
1.5K30发布于 2021-09-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号