南极Python Kaggle竞赛:宠物吸引力预测

Kaggle竞赛:宠物吸引力预测

发表于2022-01-15

目标检测:Two-stage

RPN寻找每一个anchor匹配到的GT box，所以是多对一(不一定每个anchor都能找到匹配的GT box，原因见第三行) 假设有m个GT box，n个anchor，则有一个mxn的矩阵M, M[i,j]代表第j个anchor与第i个GT box之间的IOU anchor和GT...

交叉验证时划分数据的方式

交叉验证是机器学习中常用的一种策略，其核心是对数据集进行划分，本文介绍sklearn中的3种交叉验证时划分数据集的方法： 123KFoldStratifiedKFoldGroupKFold 这里来举例说明各个方法的使用。先来导入这些方法，并创建一个简单的数据集： 12345from sklearn.model_selection import KFold,StratifiedKFold,GroupKFoldx=[1,2,3,4,5,6,7,8,9,10]# 特征y=[0,0,0,0,0,1,1,1,1,1]# 标签group=['a','a','a','b','b','b','b','c','c','c']# 样本所在的组 KFoldKFold只需要特征x就能够完成数据划分 123kf = KFold(n_splits=3,shuffle=True)#...

公告

本站内容的最终版本将发布在微信公众号[南极Python]

最新文章

轻量级大语言模型MiniMind源码解读（七）：像搭积木一样构建一个大模型

轻量级大语言模型MiniMind源码解读（七）：像搭积木一样构建一个大模型2026-01-24

轻量级大语言模型MiniMind源码解读（六）：从稠密到稀疏，详解专家混合模型MoE

轻量级大语言模型MiniMind源码解读（六）：从稠密到稀疏，详解专家混合模型MoE2025-11-26

轻量级大语言模型MiniMind源码解读（五）：魔改的注意力机制，细数当代LLM的效率优化手段

轻量级大语言模型MiniMind源码解读（五）：魔改的注意力机制，细数当代LLM的效率优化手段2025-10-26

轻量级大语言模型MiniMind源码解读（四）：旋转位置编码原理与应用全解析

轻量级大语言模型MiniMind源码解读（四）：旋转位置编码原理与应用全解析2025-10-19

2025年8月，Meta出品的DINO系列再出新作！视觉自监督的GPT时刻真的到来了！｜DINOv3

2025年8月，Meta出品的DINO系列再出新作！视觉自监督的GPT时刻真的到来了！｜DINOv32025-09-06

©2025 - 2026 By Fuhanshi