搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏彩铅的随笔博客
Hands on Reinforcement Learning 15 Imitation Learning
模仿学习（imitation learning）研究的便是这一类问题，在模仿学习的框架下，专家能够提供一系列状态动作对{(st,at)}\{(s_t,a_t)\}{(st,at)}，表示专家在环境sts_tst 3 类：行为克隆（behavior cloning，BC）逆强化学习（inverse RL）生成式对抗模仿学习（generative adversarial imitation learning 15.3 生成式对抗模仿学习生成式对抗模仿学习（generative adversarial imitation learning，GAIL）是 2016 年由斯坦福大学研究团队提出的基于生成式对抗网络的模仿学习
65150编辑于 2023-04-24
来自专栏mathor
Transfer Learning
model, test_loader) print('test_acc:', test_acc) if __name__ == '__main__': main() Transfer Learning 那我们能不能用ImageNet的一些train好的模型，拿来帮助我们解决一下特定的图片分类任务，这就是Transfer Learning，也就是在A任务上train好一个分类器，再transfer到B上去我个人理解Transfer Learning的作用是这样的，我们都知道神经网络初始化参数非常重要，有时候初始化不好，可能就会导致最终效果非常差。相当于帮你做了一个很好的初始化，你在这个网络的基础上，去做B任务，如果这两个任务比较接近的话，夸张一点说，这个网络的训练可能就只需要微调一下，就能在B任务上显示出非常好的效果下图展示的是一个真实的Transfer Learning 把除了最后一层以外的所有层都取出来，保存在list中，然后用*将其list展开，之后接一个我们自定义的Flatten层，作用是将output打平，打平以后才能送到Linear层去上面几行代码就实现了Transfer Learning
60610发布于 2020-02-17
来自专栏刘笑江的专栏
Reinforce Learning
有模型学习 Markov Decision Process Q-learning 可用于推荐系统 [0.1] 免模型学习现实世界中，环境的转移概率、奖赏函数往往难以得知，甚至很难知道环境中一共有多少状态
77360发布于 2018-05-28
来自专栏刘笑江的专栏
Deep Learning
LeNet-5 Gradient-based learning applied to document recognition Yan LeCun, 1998 LeNet AlexNet 12’ ImageNet 2014 ImageNet top-5 error 6.7% Inception, network in network Inception GoogLeNet ResNet Deep Residual Learning Transfer Learning Segmentation end-to-end: 输入图片（smaller），输出标注图片 multi-scale approach: Farable et al. A survey on transfer learning[J]. Learning phrase representations using RNN encoder-decoder for statistical machine translation[J]. arXiv
1.2K30发布于 2018-05-28
来自专栏光城(guangcity)
Feasibility of Learning
Feasibility of Learning 0.说在前面 1.Learning is Impossible 2.Probablity to the Rescue 3.Connection to Learning 4.Connection to Real Learning 5.作者的话 0.说在前面前面几节主要介绍了机器学习的分类以及相关的二元分类问题及算法。 1.Learning is Impossible ? 数据图在本节中，林老师给出了如上图所示的例子：输入特征x是二进制的、三维的，对用有8种输入，其中训练样本D有5个。 3.Connection to Learning 【迁移】 ? 迁移图我们将上述罐子抽球思想迁移到机器学习上来。 4.Connection to Real Learning 【ML上的Hoeffding's inequality】上述主要讲固定h情况下，当h很多的情况下，又应该怎么做?
52240发布于 2019-09-20
来自专栏CreateAMind
Represent learning
? ? ? ? ? ? ? ? ? ? ?
65340发布于 2019-07-10
来自专栏DPDK VPP源码分析
learning： arping
下面来学习一下基本的使用，和查询arp缓存表情况： 1、在vpp1上发送免费arp，在vpp2上并不会生产arp表 learning_vpp1# arping gratuitous 192.168.100.1 learning_vpp2# show ip neighbors GigabitEthernet13/0/0 2、在vpp1上发送arp，双方都会生成arp表 learning_vpp1# arping # set interface mac address GigabitEthernet13/0/0 00:0c:29:aa:cc:bb learning_vpp1# arping gratuitous 2、免费arp场景 learning_vpp# arping gratuitous 192.168.100.1 GigabitEthernet13/0/0 repeat 1 Sending 1 GARP to 192.168.100.1 vpp2收到后，进行处理后丢弃 learning_vpp# show trace ------------------- Start of thread 0 vpp_main
1.5K20编辑于 2023-03-07
来自专栏从流域到海域
Planning and Learning
Dyna-Q: Integrating Planning, Acting, and Learning 如果能有完美的环境模型，就可以使用类似动态规划那样的planning方法来更快更好地收敛Q，但是实际上由于各种各样的原因
46010发布于 2019-11-12
来自专栏算法与数据之美
Ensemble Learning
集成学习(ensemble [ɒnˈsɒmbl] learning)通过构建并结合多个学习器来完成任务，有时也被称为多分类器系统(multi-classifier system)。
54710发布于 2020-01-17
来自专栏应兆康的专栏
Pandas Learning
本文介绍了Pandas的基础用法 Github: https://github.com/yingzk/pandas_learning 本文PDF下载:https://www.yingjoy.cn/downloads
2.5K80发布于 2018-04-16
来自专栏DPDK VPP源码分析
learning：vetpolicer
https://github.com/jin13417/dpdk-vpp-learning/tree/main/new_map 命令行 1、添加。 3、查询pool资源情况查询当前pool资源使用情况： learning_vpp1# show policer pools pool sizes: configs=1 templates=1 policers [unapply] name <name> <interfac> #接口使能policer policer input name jsh GigabitEthernet13/0/0 #查询使能情况 learning_vpp1 5、policer bind worker线程 #新增命令行 policer bind [unbind] name <name> <worker> #查询当前环境worker线程数量 learning_vpp1 #1、policer绑定核1. learning_vpp1# policer bind name jsh 0 #2、从worker1上收取报文，通过handoff送到worker0核上去做限速处理。
1.6K20编辑于 2023-03-07
来自专栏计算机视觉理论及其实现
Multitask Learning
performance），关系具体定义可以参考文献[1]6、Multitask Learning方法浅层隐含层节点共享神经网络是最简单MTL，如图2所示。 7、多任务学习与其他学习算法之间的关系多任务学习（Multitask learning）是迁移学习算法的一种，迁移学习之前介绍过。多类别学习（Multiclass learning）是多标签学习任务中的一种，对多个相互独立的类别（classes）进行建模。 Multitask Learning. A Convex Formulation for Learning Task Relationships in Multi-Task Learning. arXiv.org.[5] Zhou, J.,
76210编辑于 2022-09-02
来自专栏SAMshare
Machine Learning-经典模型之DT Learning
本篇文章整理一下decision tree learning的知识点。下面是维基百科的定义： Decision tree learning uses a decision tree (as a predictive model) to go from observations Decision tree learning is the construction of a decision tree from class-labeled training tuples. N2N2 4>> 对N1N1和N2N2分别继续执行2-3步，直到每个结点足够纯为止；参考文献： 1）维基百科 https://en.wikipedia.org/wiki/Decision_tree_learning
96230发布于 2019-08-22
来自专栏JNing的专栏
深度学习: Zero-shot Learning One-shot Learning Few-shot Learning
为了 “多快好省” 地通往炼丹之路，炼丹师们开始研究 Zero-shot Learning / One-shot Learning / Few-shot Learning。 Learning类型分为： Zero-shot Learning、One-shot Learning、Few-shot Learning、传统 Learning 。 Zero-shot Learning Zero-shot Learning，零次学习。成品模型对于训练集中没有出现过的类别，能自动创造出相应的映射： XXX -> YYY。 One-shot Learning One-shot Learning，一次学习。 Few-shot Learning Few-shot Learning，少量学习。也即 One-shot Learning 。
2.2K30发布于 2018-09-27
来自专栏点云PCL
deep learning paper
Some high-light papers are selected just for reference, most of them are associated with machine learning （deep learning） for 3D data. (ECCV 2016) (2) Voxels-based Learning Semantic Deformation Flows with 3D Convolutional Networks – Yumer (CVPR 2018) Dynamic Graph CNN for Learning on Point Clouds – Wang et al. (CVPR 2018) AtlasNet: A Papier-Mâché Approach to Learning 3D Surface Generation – Groueix et al.
80710发布于 2019-07-30
来自专栏老秦求学
Deep Learning综述
Deep-Learning-Papers-Reading-Roadmap: [1] LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning." (2015) (Three Giants' Survey) Review 机器学习在当下有很多应用：从网络搜索的内容过滤到电商的商品推荐，以及在手持设备相机和智能手机上的应用 Supervised learning 机器学习算法中最常见的形式为监督学习。比如我们想搭建一个图片分类系统，区分马、汽车、人和宠物四类。首先收集这四类的图片，然后打上标签。
75270发布于 2018-06-14
来自专栏python3
Perl Learning - 3 (A
While scalar is single value, list is a list of scalars in order. Every element of a list is a dependant scalar, it can be number or characters.
1.5K20发布于 2020-01-10
来自专栏杨熹的专栏
Instance Based Learning
Udacity Machine Learning Instance Based Learning ---- Supervised Learning 给你一些数据集，用算法去训练函数，训练出来后，就可以投入新的数据进行预测 Instance Based Learning 不包含训练函数这个过程，只需要把所有数据放在数据库里，投入新的数据时，只需要去数据库里查找， ? 优点是： Remember：可信，不需要平滑什么的近似 Fast：不需要 learning Simple：缺点是： Overfitting：太依赖已有数据了看起来只能返回已有数据，无法返回新数据并不是 LR 就比 NN 慢，因为 learning 只需要一次，但是可以 query 很多次这个例子计算一下 q 这个点，在不同的 Domain 和不同的 k 时，结果是怎样的，不过与实际值 18
1.5K40发布于 2018-04-02
来自专栏夏天爱西瓜
Learning Scrapy（一）
　　学习爬虫有一段时间了，从Python的Urllib、Urlllib2到scrapy，当然，scrapy的性能且效率是最高的，自己之前也看过一些资料，在此学习总结下。
1K20发布于 2020-09-07
来自专栏潇涧技术专栏
Learning Git by Animations
看到一个动画版的Git教程(网址)，动画效果真心不错，所以学了下，本文是记录其中的几个重点部分。
59920发布于 2018-08-01

第 2 页第 3 页第 4 页第 5 页第 6 页第 7 页第 8 页第 9 页第 10 页第 11 页

点击加载更多

Hands on Reinforcement Learning 15 Imitation Learning

Transfer Learning

Reinforce Learning

Deep Learning

Feasibility of Learning

Represent learning

learning： arping

Planning and Learning

Ensemble Learning

Pandas Learning

learning：vetpolicer

Multitask Learning

Machine Learning-经典模型之DT Learning

深度学习: Zero-shot Learning One-shot Learning Few-shot Learning

deep learning paper

Deep Learning综述

Perl Learning - 3 (A

Instance Based Learning

Learning Scrapy（一）

Learning Git by Animations

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐