## PyTorch ## 情感分类实战 主讲人：龙良曲 ## Sentiment Classification Ignore Ignore  RNN The RNN food ## 👍 🔧 Linear Classifier

## PyTorch ## 多分类问题 主讲人：龙良曲  input layer (784) Output layer (10) 2nd hidden layer (200) 1st hidden layer (200) ## Network w2.grad.norm()) optimizer.step() C:\ProgramData\conda\python.exe F:/PytorchTutorial/lesson26-LR多分类实战/main.py Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz Downloading http://yann

## 华为云深度学习在文本分类中的实践 华为 Cloud&AI 李明磊 ## 极客邦科技 会议推荐2019  ## QCon 北京 ## 全球软件开发大会 大会：5月6–8日 培训：5月9–10日 QCon ![I 培训：11月10–11日 ## AiCon 北京 ## 全球人工智能与机器学习大会 大会：11月21–22日 培训：11月23–24日 ## 目录 分类算法简史 2 深度学习架构 3 难点 4 应用案例 ## 文本分类介绍 内容: 买没几天就降价一点都不开心，闪存跑分就五百多点…… 外观漂亮音质不错，现在电子产品基本上都是华为的了…… 汽车不错，省油，性价比高…… 这个政策好啊，利国利民…… f(text)=label 词 句子 篇章 对话 ## 文本分类方法简史-机器学习 label 输入文本 特征提取 特征选择 分类器 模型训练 评测 模型部署 词袋 卡方 SVM 预测标签 TFIDF PCA LR Ngram 互信息 XGBoost 词典 RFE 随机森林 ## 文本分类方法简史-深度学习 label 输入文本 模型训练 评测

- 基础：图像分类问题定义与说明 - 基础：越来越深的图像分类网络 - 应用：检测SKU抠图与分类标注流程 - 应用：分类训练集与验证集划分 - 应用：使用TensorFlow 2训练ResNet - 应用：使用ResNet识别货架商品 - 扩展：图像分类常用数据集综述 - 扩展：图像分类更多应用场景介绍 基础：图像分类问题定义与说明 ## 图像分类问题  American Kennel Club akc.org ## 图像分类问题 ## 实例级分类  Siberian Husky

3c62dbc766167c/p26_2.jpg) ## 经典人脸检测算法流程 用大量的人脸和非人脸样本图像进行训练，得到一个解决二分类问题的分类器，也称为人脸检测模板。这个分类器接受固定大小的输入图片，判断这个输入图片是否为人脸，即解决是否的问题。人脸二分类器的原理如下图所示： ![Image](/uploads/documents/0/b/d/4/0bd4f69b2bdb870dee3c62dbc766167c/p27_2 基于深度学习的算法 ## 基于模板匹配的人脸检测算法 早期的人脸检测算法使用了模板匹配技术，即用一个人脸模板图像与被检测图像中的各个位置进行匹配，确定这个位置处是否有人脸，即针对图像中某个区域进行人脸-非人脸二分类的判别。 早期有代表性的成果是Rowley等人提出的方法 $ ^{[1]} $ 。他们用神经网络进行人脸检测，用20x20的人脸和非人脸图像训练了一个多层感知器模型。论文 $ ^{[1]} $ 中 Learning）算法。俗话说 “三个臭皮匠，顶个诸葛亮”。Boost 的核心思想便是利用多个简单的弱分类器，构建出高准确率的强分类器。 在2001年，Viola和Jones设计了一种人脸检测框架（VJ框架） $ ^{[3]} $ 。它使用简单的 Haar-like 特征和级联的 AdaBoost 分类器构造检测器，检测速度较之前的方法有2个数量级的提高，并且保持了很好的精度。 在深度学习出现以前

小结 第2章 复杂度分析 2.1 算法效率评估 2.2 迭代与递归 2.3 时间复杂度 2.4 空间复杂度 2.5 小结 第3章 数据结构 3.1 数据结构分类 3.2 基本数据类型 3.3 数字编码* 3.4 字符编码* 3.5 小结 第4章 数组与链表 4.1 数组 4.2 链表 4.3 列表 4.4 内存与缓存* #### 0.1.2 内容结构 本书的主要内容如图 0-1 所示。 复杂度分析：数据结构和算法的评价维度与方法。时间复杂度和空间复杂度的推算方法、常见类型、示例等。 数据结构：基本数据类型和数据结构的分类方法。数组、链表、栈、队列、哈希表、树、堆、图等数据结构的定义、优缺点、常用操作、常见类型、典型应用、实现方法等。 · 算法：搜索、排序、分治、回溯、动态规划、贪心等算法的定义、优缺点、效率、应用场景、解题步骤和示例问题等。 轮的重复后，就能将其牢记在心。推荐的题单和刷题计划请见此 GitHub 仓库。 3. 阶段三：搭建知识体系。在学习方面，我们可以阅读算法专栏文章、解题框架和算法教材，以不断丰富知识体系。在刷题方面，可以尝试采用进阶刷题策略，如按专题分类、一题多解、一解多题等，相关的刷题心得可以在各个社区找到。 如图 0-8 所示，本书内容主要涵盖“阶段一”，旨在帮助你更高效地展开阶段二和阶段三的学习。 ![Image](/uploads/doc