对CART决策树剪枝过程的理解前言：CART决策树生成的过程比较好理解，但是剪枝的过程看了好几遍才看明白，故写出下文，供同样困惑的朋友参考。下文不涉及复杂严密的数学推导，以辅助理解为主。一.损失函数的定义方法CART的损失函数用的是下式：\[C_\alpha(T)=C(T)+\alpha|T|\tag{1}\]损失函数表征的是模型预测错误的程度，所以它越小越好。上式中\(C_\alpha(T)\)是关于\(T\)和\(\alpha\)的函数，\(T\)表示一个决策树，\(C(T)\)是对训练数据的预测误差（分类用基尼指数表示，回归用均方误差表示），\(|T|\)表示树\(T\)的叶节点个数。$
发布发布流程的问题方式一1.打开图片进行本地预览2.输入文字&选择相应的信息3.点击发布按钮 3.1将本地图片上传到腾讯云对象存储中COS（oss），并将COS中的图片地址返回。 3.2将COS中的图片URL和文字等信息一起提交到后台。BUG： 在3.2步骤时可能拿不到COS中的图片。functiononClickSubmit(){//耗时1分钟，不会阻塞。wx.request({url:"...",success:function(res){console.log(res)}})console.log(123);}方式二（推荐）1.打开图片进行本地预览2.将本地图片上传到腾讯云对象存储中CO
发布发布流程的问题方式一1.打开图片进行本地预览2.输入文字&选择相应的信息3.点击发布按钮 3.1将本地图片上传到腾讯云对象存储中COS（oss），并将COS中的图片地址返回。 3.2将COS中的图片URL和文字等信息一起提交到后台。BUG： 在3.2步骤时可能拿不到COS中的图片。functiononClickSubmit(){//耗时1分钟，不会阻塞。wx.request({url:"...",success:function(res){console.log(res)}})console.log(123);}方式二（推荐）1.打开图片进行本地预览2.将本地图片上传到腾讯云对象存储中CO
声明：本文涉及图文和模型素材仅用于个人学习、研究和欣赏，请勿二次修改、非法传播、转载、出版、商用、及进行其他获利行为。背景如果你有玩过?《王者荣耀》、《阴阳师》等手游，一定注意到过它的启动动画、皮肤立绘卡片等场景，经常采用静态底图加局部液态流动效果的简单动画，这些流动动画可能出现在缓缓流动的水流?、迎风飘动的旗帜?、游戏角色衣袖?♀️、随着时间缓动的云、雨、雾天气效果⛅等。这种过渡效果不仅节省了开发全量动画的成本，而且使得游戏画面更加热血、冒险、奥德赛、高级，也更加容易吸引玩家氪金?。本文使用前端开发技术，结合SVG和CSS来实现类似的液化流动效果。本文包含的知识点主要包括：mask-ima
声明：本文涉及图文和模型素材仅用于个人学习、研究和欣赏，请勿二次修改、非法传播、转载、出版、商用、及进行其他获利行为。背景如果你有玩过?《王者荣耀》、《阴阳师》等手游，一定注意到过它的启动动画、皮肤立绘卡片等场景，经常采用静态底图加局部液态流动效果的简单动画，这些流动动画可能出现在缓缓流动的水流?、迎风飘动的旗帜?、游戏角色衣袖?♀️、随着时间缓动的云、雨、雾天气效果⛅等。这种过渡效果不仅节省了开发全量动画的成本，而且使得游戏画面更加热血、冒险、奥德赛、高级，也更加容易吸引玩家氪金?。本文使用前端开发技术，结合SVG和CSS来实现类似的液化流动效果。本文包含的知识点主要包括：mask-ima
摘要：本文主要讲解图像局部直方图均衡化和自动色彩均衡化处理。这些算法可以广泛应用于图像增强、图像去噪、图像去雾等领域。本文分享自华为云社区《[Python从零到壹]五十四.图像增强及运算篇之局部直方图均衡化和自动色彩均衡化处理》，作者：eastmount。一.局部直方图均衡化前文通过调用OpenCV中equalizeHist()函数实现直方图均衡化处理，该方法简单高效，但其实它是一种全局意义上的均衡化处理，很多时候这种操作不是很好，会把某些不该调整的部分给均衡处理了。同时，图像中不同的区域灰度分布相差甚远，对它们使用同一种变换常常产生不理想的效果，实际应用中，常常需要增强图像的某些局部区域的细
摘要：本文主要讲解图像局部直方图均衡化和自动色彩均衡化处理。这些算法可以广泛应用于图像增强、图像去噪、图像去雾等领域。本文分享自华为云社区《[Python从零到壹]五十四.图像增强及运算篇之局部直方图均衡化和自动色彩均衡化处理》，作者：eastmount。一.局部直方图均衡化前文通过调用OpenCV中equalizeHist()函数实现直方图均衡化处理，该方法简单高效，但其实它是一种全局意义上的均衡化处理，很多时候这种操作不是很好，会把某些不该调整的部分给均衡处理了。同时，图像中不同的区域灰度分布相差甚远，对它们使用同一种变换常常产生不理想的效果，实际应用中，常常需要增强图像的某些局部区域的细
一，前言1.1，模型剪枝定义二，深度神经网络的稀疏性2.1，权重稀疏2.2，激活稀疏2.3，梯度稀疏2.4，小结三，结构化稀疏3.1，结构化稀疏分类3.1.1，Channel/Filter剪枝3.1.2，阶段级别剪枝3.2，结构化稀疏与非结构化稀疏比较参考资料一，前言学术界的SOTA模型在落地部署到工业界应用到过程中，通常是要面临着低延迟（Latency）、高吞吐（Throughpout）、高效率（Efficiency）挑战的。而模型压缩算法可以将一个庞大而复杂的预训练模型转化为一个精简的小模型，从而减少对硬件的存储、带宽和计算需求，以达到加速模型推理和落地的目的。近年来主流的模型压缩方法包括
一，前言1.1，模型剪枝定义二，深度神经网络的稀疏性2.1，权重稀疏2.2，激活稀疏2.3，梯度稀疏2.4，小结三，结构化稀疏3.1，结构化稀疏分类3.1.1，Channel/Filter剪枝3.1.2，阶段级别剪枝3.2，结构化稀疏与非结构化稀疏比较参考资料一，前言学术界的SOTA模型在落地部署到工业界应用到过程中，通常是要面临着低延迟（Latency）、高吞吐（Throughpout）、高效率（Efficiency）挑战的。而模型压缩算法可以将一个庞大而复杂的预训练模型转化为一个精简的小模型，从而减少对硬件的存储、带宽和计算需求，以达到加速模型推理和落地的目的。近年来主流的模型压缩方法包括
一，剪枝分类1.1，非结构化剪枝1.2，结构化剪枝1.3，本地与全局修剪二，PyTorch的剪枝2.1，pytorch剪枝工作原理2.2，局部剪枝2.2.1，局部非结构化剪枝2.2.2，局部结构化剪枝2.2.3，局部结构化剪枝示例代码2.3，全局非结构化剪枝三，总结参考资料一，剪枝分类所谓模型剪枝，其实是一种从神经网络中移除"不必要"权重或偏差（weigths/bias）的模型压缩技术。关于什么参数才是“不必要的”，这是一个目前依然在研究的领域。1.1，非结构化剪枝非结构化剪枝（UnstructuredPuning）是指修剪参数的单个元素，比如全连接层中的单个权重、卷积层中的单个卷积核参数元素
