高光谱病虫害SPA x-Loading Weights MSC SNV SGSmoothing Normalize
ENVI(The Environment for Visualizing Images)
RMSE
Root Mean Square Error, 均方根误差
是观测值与真值偏差的平方和与观测次数 m 比值的平方根。
是用来衡量观测值同真值之间的偏差
MAE
Mean Absolute Error ,平均绝对误差
是绝对误差的平均值
能更好地反映预测值误差的实际情况.
标准差
Standard Deviation ,标准差
是方差的算数平方根
是用来衡量一组数自身的离散程度
RMSE 与标准差对比:标准差是用来衡量一组数自身的离散程度,而均方根误差是用来衡量观测值同真值之间的偏差,它们的研究对象和研究目的不同,但是计算过程类似。
RMSE 与 MAE 对比:RMSE 相当于 L2 范数,MAE 相当于 L1 范数。次数越高,计算结果就越与较大的值有关,而忽略较小的值,所以这就是为什么 RMSE 针对异常值更敏感的原因(即有一个预测值与真实值相差很大,那么 RMSE 就会很大)。
RMSE引用
xloading
偏最小二乘(pls)
Unscrambler软件
MSC
SNV
SGSmoothing
sg平滑引用
Normalize
SACNN
注意力机制
Dropout说的简单一点就是:我们在前向传播的时候,让某个神经元的激活值以一定的概率p停止工作,这样可以使模型泛化性更强,因为它不会太依赖某些局部的特征。
为什么说Dropout可以解决过拟合?
(1)取平均的作用: 先回到标准的模型即没有dropout,我们用相同的训练数据去训练5个不同的神经网络,一般会得到5个不同的结果,此时我们可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果。例如3个网络判断结果为数字9,那么很有可能真正的结果就是数字9,其它两个网络给出了错误结果。这种“综合起来取平均”的策略通常可以有效防止过拟合问题。因为不同的网络可能产生不同的过拟合,取平均则有可能让一些“相反的”拟合互相抵消。dropout掉不同的隐藏神经元就类似在训练不同的网络,随机删掉一半隐藏神经元导致网络结构已经不同,整个dropout过程就相当于对很多个不同的神经网络取平均。而不同的网络产生不同的过拟合,一些互为“反向”的拟合相互抵消就可以达到整体上减少过拟合。
(2)减少神经元之间复杂的共适应关系: 因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现。这样权值的更新不再依赖于有固定关系的隐含节点的共同作用,阻止了某些特征仅仅在其它特定特征下才有效果的情况 。迫使网络去学习更加鲁棒的特征 ,这些特征在其它的神经元的随机子集中也存在。换句话说假如我们的神经网络是在做出某种预测,它不应该对一些特定的线索片段太过敏感,即使丢失特定的线索,它也应该可以从众多其它线索中学习一些共同的特征。从这个角度看dropout就有点像L1,L2正则,减少权重使得网络对丢失特定神经元连接的鲁棒性提高。
(3)Dropout类似于性别在生物进化中的角色:物种为了生存往往会倾向于适应这种环境,环境突变则会导致物种难以做出及时反应,性别的出现可以繁衍出适应新环境的变种,有效的阻止过拟合,即避免环境改变时物种可能面临的灭绝。
梯度消失、爆炸解决方法
- 预训练加微调
- 梯度剪切、权重正则(针对梯度爆炸)
- 使用不同的激活函数
- 使用batchnorm
- 使用残差结构
- 使用LSTM网络
高光谱病虫害SPA x-Loading Weights MSC SNV SGSmoothing Normalize相关推荐
- ImportError: `load_weights` requires h5py when loading weights from HDF5.错误
TensorFlow:ImportError: load_weights requires h5py when loading weights from HDF5. 错误原因是TensorFlow的版 ...
- load_weights` requires h5py when loading weights from HDF5
需要安装指定版本的h5py 安装过程中会出现 h5py error: command 'aarch64-linux-gnu-gcc' failed with exit status 1 的错误 解决办 ...
- Darknet框架的权重文件.weights类型转换为keras框架的权重文件类型.h5
YOLO:Darknet框架的.weights模型转keras框架的.h5模型 前言 所需材料 实现转换的代码 应用举例 .weights转.pt格式 参考信息 前言 由于存在多种框架下的YOLO算法 ...
- keras h5—darknet weights模型相互转换
目录 一.版本介绍 二.保存方式 三.转换过程 四.参考 一.版本介绍 keras 2.1.5 tensorflow 1.13.1 这里以一个yolov3_tiny模型为案例. 二.保存方式 首先准备 ...
- 【AI作画】使用stable-diffusion-webui搭建AI作画平台
一.安装配置Anaconda 进入官网下载安装包https://www.anaconda.com/并安装,然后将Anaconda配置到环境变量中. 打开命令行,依次通过如下命令创建Python运行虚拟 ...
- 3D MinkowskiEngine稀疏模式重建
3D MinkowskiEngine稀疏模式重建 本文看一个简单的演示示例,该示例训练一个3D卷积神经网络,该网络用一个热点向量one-hot vector重构3D稀疏模式.这类似于Octree生成网 ...
- GPU端到端目标检测YOLOV3全过程(下)
GPU端到端目标检测YOLOV3全过程(下) Ubuntu18.04系统下最新版GPU环境配置 · 安装显卡驱动 · 安装Cuda 10.0 · 安装cuDNN 1.安装显卡驱动 (1)这里采用的是P ...
- AlexeyAB DarkNet YOLOv3框架解析与应用实践(三)
AlexeyAB DarkNet YOLOv3框架解析与应用实践(三) ImageNet分类 您可以使用Darknet为1000级ImageNet挑战赛分类图像.如果你还没有安装Darknet,你应该 ...
- AlexeyAB DarkNet YOLOv3框架解析与应用实践(二)
AlexeyAB DarkNet YOLOv3框架解析与应用实践(二) 版本3有什么新功能? YOLOv3使用了一些技巧来改进训练和提高性能,包括:多尺度预测.更好的主干分类器等等.全部细节都在我们的 ...
最新文章
- Py之uiautomator2:uiautomator2的简介、安装、使用方法之详细攻略
- Scanner的next,nextint和nextLine的使用总结
- java 8 string_java8、jdk8日期转化成字符串
- exe4j打包成可执行程序
- 【转】Android 轻松实现语音识别
- 四川大学计算机学院 期末考试安排,四川大学《计算机组成原理》2018期末考试B卷.doc...
- linux 64位module内联汇编,@yuanbor: Linux内联汇编总结
- easycode 表配置_EasyCode插件使用及模板参考
- [转]简析 IOS 程序图标的设计
- shell中使用if判断时用到的一些参数
- uva 10803(floyd)
- spacemacs project设置
- php实现倒计时,PHP实现倒计时功能
- 电脑重启bootmgr_解决电脑出现bootmgr is missing如何解决
- 聚石塔,云鼎,多多云-----有一种坑叫盲打
- 攻防世界-Web-练习区12题解
- 代码随想录第十天 LeetCode 232、225(栈,队列)
- matlab四足仿真,基于MATLAB的四足机器人建模与仿真.docx
- js判断字符串字符数(汉字算两个)
- 蓝奏云直链解析API接口