多分类损失函数 label.shape:[batch_size]; pred.shape: [batch_size, num_classes] 使用 tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred, from_logits=False, axis=-1) – y_true 真实值， y_pred 预测值 – from_logits,我的理解是，如果预测结果经过了softmax(单次预测结果满足和为1)就使用设为`False`,   如果预测结果未经过softmax就设为`True`. pred = tf.c

监督学习中的损失函数常用来评估样本的真实值和模型预测值之间的不一致程度，一般用于模型的参数估计。受应用场景、数据集和待求解问题等因素的制约，现有监督学习算法使用的损失函数的种类和数量较多，而且每个损失函数都有各自的特征，因此从众多损失函数中选择适合求解问题最优模型的损失函数是相当困难的。研究了监督学习算法中常用损失函数的标准形式、基本思想、优缺点、主要应用以及对应的演化形式，探索了它们适用的应用场景和可能的优化策略。本研究不仅有助于提升模型预测的精确度，而且也为构建新的损失函数或改进现有损失函数的应用研究提供了一个新的思路。

概念 从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中，人们事先不知道的，但又是潜在有用的信息和知识的过程。 通过一个瓜农数据（线性回归）的例子，简述了数据挖掘在实际应用中的作用：预测。

使用Bellhop工具包，如果前期没有使用过Bellhop请配合主页博文使用；主程序为mainfuction.m，其他文件为调用的函数与载入的数据，需要将他们放在同一个文件夹；具体的相关问题请参见我的博文“Bellhop-复杂海底地形仿真”

特征点提取aXgboost与LightGBM的用法速查表方法 自定义损失函数与评估准则 网格搜索与交叉验证 early- stopping早停及并行训练加速

具有设计的三重态损失的时尚跨域图像检索 当前网络结构 局部网络“ embNet” 执行 这些笔记本由keras = 2.1.1的python = 3.5或3.6实现。 用法 在执行jupyter笔记本之前，我们需要做一些工作。 $ mkdir model $ brew install graphviz # or apt-get install graphviz $ pip install pydot 实验 乃木坂46 询问 最近的 距离 mnist 数据集 通过使用DeepFashion的数据集，我解决了三个任务之一。 （ http://mmlab.ie.cuhk.edu.hk/projects/DeepFashion.html ）通过检索的top-K分数计算准确性。 首先，我将尝试使用由数据集提供者建议的FashionNet。 （ https://ieeexplore.ie

matlab 基于八叉树和损失编码的无损点云压缩，以及质量评价，点云到bin,再解码到点云。

传统边框组件应用在大中型光伏电站中发电时逆变器没有做接地保护，导致负极端的组件处于较高负偏压，特别在潮湿环境下，组件有机会形成漏电电流，玻璃中的钠离子在电场的作用下向电池端迁徙，组件的输出功率就会受到负面影响称为电势诱导功率衰变。目前常规组件在应用中由于下边有边框阻挡，导致灰尘清洗后堆积严重覆盖电池片，实验对比发现双玻组件更容易使覆盖组件表面积雪滑落，增加组件发电量，无边框的设计很好的规避了这一点。

matlab 光学仿真 菲涅尔公式

vgg16利用相似性损失函数预训练模型（cpu）