Posts

KNN是一种分类算法，通过输入数据点与训练集中距离最近的k个数据点的类别来判断当前数据点的类别。该方法适用于各种距离度量（如欧几里得、曼哈顿和闵科夫斯基），并无需传统“训练”阶段学习模型参数。

NLP的核心任务包括理解和合成。文章介绍了输入预处理的各种方法，如分词、统一大小写（case folding）、去除停用词、词干提取和词形还原等，并讨论了每种方法可能带来的利弊。这些技术对于提高效率有帮助，但需根据具体任务进行选择。

本文主要介绍了输入向量、自注意力机制的概念和作用，并讨论了它们在BERT模型中的实现。同时，提到self-attention层的依赖性可以被feed-forward层解决。

VGG16是一个使用TensorFlow实现的深度神经网络结构，用于图像分类任务。该模型包含多个卷积层和最大池化层，并采用不同滤波器数量以提高特征提取能力。

本文介绍了弱监督和强监督的概念，并讨论了多实例学习（MIL）在病灶检测中的应用。传统方法使用CAM/MIL，新方法是SAM。附带了一些上手路径的图片示例。

本文介绍了两个具有深远影响的卷积神经网络：LeNet-5和AlexNet，以及dropout、maxpooling和relu等概念。这些技术为计算机视觉领域的发展提供了重要启示，并在现代深度学习中仍然具有重要意义。

输入x输出y=1的可能性最大，使用sigmoid作为激活函数的神经网络，并解释logistic回归如何通过交叉熵损失来最大化观测数据的概率。

NLP处理阶段包括词法、句法、语义和普适性，知识图谱通过实体抽取和关系抽取构建，并使用BERT模型进行微调。

图片基础：一个图片由长、宽和通道构成，每个像素点的色彩由调色板决定。CNN通过多层卷积操作提取特征并保留显著特征，最终输出高分辨率像素级分类图。FCN将全连接换为解码器，结合编码器中的语义信息丰富层次，生成细致的像素级分类结果。

通过超像素分类方法识别图像中的汇管区域，并描述了三种常用算法（Superpixel，SLIC和LBP）及其特点。此外，还提到了深度学习时代之前广泛使用的另一种解决方案——全卷积网络，并讨论了其困难之处之一：像素级标注。