华东师范大学数据科学与工程学院暑期夏令营实践项目总结与反思 less than 1 minute read

在所给的四个项目中,经过仔细的考虑,选择完成【个人博客搭建】这个项目。其原因有一下三点:

  • 首先,在比较了【关联时间序列】和【个人博客】的项目后,由于我未上手搭建过机器学习的模型,因此在14天的时间里是一个巨大的挑战。而本科期间,多项课程设计是有关网站系统的开发,选择【个人博客搭建】更加容易上手。
  • 其次,在我看来【个人博客】是一个很好的展示自己个人能力、兴趣爱好的媒介。而GitHub Pages提供的这种静态网页,可以在没有个人域名和服务器的情况下向外提供个人网站链接,是一个很好的工具。
  • 最后,我一直有过搭建个人博客来记录日常和学习的想法,但平时课程紧张,并没有来得及实现,而这次实践给了我一个合适的机会。

目前为止,整个博客构建的较为仓促,后期会对其进行补充和美化,并一直记录。下面我将从5个方面介绍此项目:

博客主题的选取

  • Jekyll框架
    • Jekyll ,是由 Ruby 编写的、快速、简洁且高效的静态网站生成引擎, 使用一个模板目录作为网站布局的基础框架,并且支持 Markdown、Textile 等标记语言的解析,同时可以直接在 GitHub Pages 上使用 Jekyll来进行个人博客的搭建。
    • 本次项目,选择 Jekyll 正是由于其简易而强大的布局,可以快速上手开始项目搭建。同时 Jekyll Themes 提供了大量的页面模板,可以进行美化。
  • 模板选择
    • 选择 Jekyll theme: Adam Blog 2.0 为模板进行网页的开发。它提供了主页、所有文章、标签、关于我、文章详情5种页面的设计模板,界面简单整洁。
  • 参考链接

博客页面布局

  • PC端
    • 主界面: 上方是页头,包括导航条按钮(默认关闭),博客标题,搜索按钮(可以点击以关键字搜索文章)。下方是文章列表和所有标签。最下方是页脚,包括关键的导航。主界面search
    • 导航: 通过点击页头左方三个横线的标志,可以展开导航栏。导航栏上方灯泡标志,控制页面的明亮或黑暗主题。导航 导航-暗
    • 所有文章:展示所有文章列表,竖向排列。所有文章
    • 标签:根据文章标签展示文章。标签
    • 关于我:个人简单介绍。me
    • 文章详情:文章详情页。中间的正文,左侧的标签,而部分页面会显示导航,以及分享的链接按钮,最下方包括其他文章,作者信息,评论。detailnagsothercom
    • ... read more
等疫情结束就去趟海边吧 less than 1 minute read

说到海边,我想到的就是阳光、沙滩、椰子,从日出坐到日落。

晒晒太阳,吹吹海风,看一盛大日出和日落。

但其实,海边也可以是礁石,鲜花和海风。

青岛的海是多变的。冬天,他凌冽而广阔,静谧的海面似乎蕴藏着巨大的谜团。春日,他温柔而清凉,海鸥盘旋在海的上空,仿佛一双温柔的手抚平心中的不安与焦虑。

看海

在海边看着太阳缓缓从天边升起,一层金光逐渐洒向海面,慢慢拂上我的肩膀。清晨的海边是静悄悄的,阳光驱散黑暗的同时也仿佛带走了我们的疲惫。连夜赶路的困倦瞬间消失的无影无踪,这是大海带来的震撼与惊喜。看海

奔跑

下午,从大学路到龙江路,向信号山公园走去。大学路的红墙黄瓦,龙江路的卡通墙绘,古风和动漫有了奇妙的结合。一路上车辆很少,我们奔跑在狭窄的马路上,是青春肆意的洒脱。奔跑

read more
Evidential Deep Learning less than 1 minute read

问题

  • 由于标准方法是训练网络以使预测损失最小化,模型对其预测置信度一无所知。
  • 已有的方式:通过权重不确定性间接推断预测不确定性的贝叶斯神经网络
  • 提出:使用主观逻辑理论(SL)的显式建模。在类概率上放置狄利克雷分布,将神经网络的预测视为主观意见。学习从数据中收集导致这些意见的确定性神经网络的证据的函数。
  • Softmax存在的问题:夸大预测类别的概率,结果是不可靠的不确定性估计。(预测的标签的距离除了与其他类别的比较值外,对结论没有用处)举例

理论说明

  • Subjective Logic (SL)主观逻辑,为每个单例提供 可信度 bk 考虑 K 个互斥单例(类标签),并提供总体不确定性u。

    Untitled

    • 可信度 bk 由单例的证据 ek 计算。设 ek≥0 为第 k 个单例的证据,可信度 bk 和不确定性 u 计算为

      Untitled

      Untitled

    • 不确定性与总证据成反比

      • 当没有证据时,每个单例的信度为0,不确定性为1。
      • 证据是从数据中收集的支持量的度量,用以支持将样本分类到某个类别。
      • 可信度(主观意见),对应于 参数αk = ek + 1的狄利克雷分布
      • bk = (αk−1)/S,从相应的狄利克雷分布的参数中得到主观意见,S =∑k αi被称为狄利克雷强度
      • Untitled

      • Untitled
  • 举例
    • 假设b = < 0,…, 0 >为10类分类问题的可信度分配。则对图像进行分类的先验分布变为均匀分布,即D(p; < 1,…, 1 >) 参数均为1的狄利克雷分布。简单说就是因为没有观察到的证据,所以可信度都是零。不包含任何信息,意味着完全不确定性,即u = 1。
    • 经过一些训练,让可信度变为 b = < 0.8, 0,…,0 >。这意味着对观点的总信任度(∑bk)是0.8,剩下的0.2是不确定性(u)。狄利克雷强度计算为 S... read more