1.序列化推荐中的损失损失GRU与Transformer源码解析之一
2.ALBEF，BLIP中的函数函数对比学习损失函数——源码公式推导
3.FCOS：论文与源码解读
4.Python实现岭回归(Ridge Regression)
5.MaskFormer源码解析
6.PyTorch 源码分析(一）：torch.nn.Module
序列化推荐中的GRU与Transformer源码解析之一
GRU4Rec源码(TF版本)：github.com/Songweiping/...
Transformer源码：github.com/kang/SASR...
序列化推荐领域中，GRU4Rec成功地将循环神经网络(NLP和时序预测常用)应用至推荐领域，源码源码此模型取得了良好效果。损失损失紧随其后的函数函数是"SASR"，基于注意力机制的源码源码thinkphp黄金家园源码自适应序列推荐模型，实验表明其性能超越了GRU4Rec。损失损失
两篇论文的函数函数作者均在源码公开阶段，为研究者提供参考。源码源码我们深入剖析源码，损失损失后续系列文章将比较GRU4Rec与SASR的函数函数差异、联系与优缺点。源码源码
GRU4Rec模型结构简洁，损失损失采用门限循环神经网络，函数函数Embedding层处理item_id的源码源码one_hot编码，降低维度，便于优化。
并行化训练数据集优化了模型训练速度，构建了training_batch，便于使用GPU加速矩阵运算。
负采样技术提高了训练频率，利用同一时刻不同session中的item作为负样本。
模型设计了贝叶斯排序和TOP1等pairwise方法计算排序损失，认为pairwise结果优于pointwise。
实验数据集包括RSC和私有VIDEO集，结果表明GRU4Rec模型性能优秀，测试集评价指标包括召回率(recall)和倒序排名得分(mrr)。
深入分析模型的Tensorflow版本代码，主要从main.py和model.py文件开始，重点解析模型定义、损失函数、GRU4Rec核心代码、数据集初始化、模型训练与预测以及评估函数。
GRU4Rec的代码分析暂告一段落，后续将详细梳理SASR代码，目标是通过三篇文章全面探讨两个模型的细节。感谢关注。
ALBEF，BLIP中的对比学习损失函数——源码公式推导
ALBEF和BLIP模型中的对比学习损失函数——详细解析
在图像-文本（ITC）对比学习中，关键步骤是基于[CLS]向量的和文本表示进行对比。和文本的全局表示分别用[公式]和[公式]表示，动量编码器的输出通过[公式]和[公式]反映。首先，通过动量编码器处理和文本，将得到的[CLS]置入对应队列头部，接着计算编码器与动量编码器输出的外挂官方源码相似度，如[公式]和[公式]所示。
硬标签的制作部分，通过[公式]生成每对图-文的标签，表示它们的关系。原始标签队列与生成的硬标签进行拼接，形成新的对比矩阵。动量蒸馏引入后，计算动量编码器输出与队列的相似度，并生成软标签，如[公式]和[公式]所示。
对比学习ITC损失计算基于交叉熵，通过[公式]变形，考虑了动量蒸馏的情况。不蒸馏时，损失函数可以表示为[公式]，而带动量蒸馏的MLM损失则为[公式]，通过KL散度的近似公式简化计算，最终得到的源代码计算公式为[公式]。
ITM头的运用则是在每个样本的全局表示上进行分类，通过[公式]计算ITM损失。至于MLM损失，通过掩码处理文本并生成标签，计算方式基于[公式]，并在动量蒸馏下调整为[公式]。
模型的配置调整可以通过改变num_hidden_layers参数来完成，如在Huggingface的bert-base-uncased模型中。总的来说，ALBEF和BLIP的损失函数设计注重了全局表示的对比和样本关系的精细处理，通过动量蒸馏优化了模型的训练效果。
FCOS：论文与源码解读
FCOS：全称为全卷积单阶段目标检测，它在锚框自由领域中占有重要地位，与RetinaNet在锚框基础领域中地位相似。它沿用ResNet+FPN架构，通过实验证明，在相同backbone和neck层下，锚框自由方法可以取得比锚框基础方法更好的效果。 FCOS借鉴了语义分割的思想，成功地去除了锚框先验，实现了逐点的目标检测，是全卷积网在目标检测领域的延伸。代码比锚框基础类简单，非常适合入门。1. 动机
锚框基础类目标检测方法存在多处缺点，FCOS通过去除锚框，提出了简单、温柔且有力的源码国学课堂目标检测模型。2. 创新点
FCOS借鉴了语义分割的思想，实现了去除锚框、逐点的目标检测。以年提出的全卷积网（FCN）为例，FCOS借鉴了FCN的思想，将其应用于目标检测，主要步骤包括生成先验、分配正负样本和设计bbox assigner。3. 模型整体结构与流程
训练时，包括生成先验和正负样本分配。FCOS的先验是将特征图上的每一点映射回原始图像，形成逐点对应关系。分配正负样本时，正样本表示预测目标，负样本表示背景。3.1 训练时
在训练阶段，先通过prior generate生成先验，然后进行bbox assign。在分配过程中，FCOS利用了FPN层解决ambigous点的问题，通过多尺度特征融合和逐层分配目标来解决。3.1.1 prior generate
FCOS通过映射特征图上的每一点回原始图像，形成点对点对应关系，生成先验。通过公式计算映射关系，其中s表示步长。3.1.2 bbox assigne
分配正负样本时，FCOS借鉴了anchor base方法的正负样本分配机制，通过设计bbox assigner解决ambigous点问题。分配流程包括计算输出值、对输出进行exp操作和引入可学习参数scale，以及使用FPN层分而治之，进一步解决ambigous问题。3.1.3 centerness
FCOS额外预测了centerness分支，以过滤远离目标中心的点，提高检测质量。centerness值范围为0~1，越靠近中心，值越大。测试时，最终score=cls_score*centerness。3.1.4 loss
损失函数包括focal loss、IoU loss和交叉熵损失，用于训练分类、定位和centerness分支。3.2 模型结构
模型继续沿用ResNet和FPN层，叠破源码进行公平比较。FPN输出的特征层与RetinaNet类似，但FCOS在FPN输出的最后一层特征层上进行额外卷积，与RetinaNet在输入特征层上进行额外卷积不同。在推理阶段，注意centerness与分类分数的乘积作为最终得分，且需要进行NMS操作。4. 总结与未来方向
FCOS是一个简单、温柔、有力量的锚框自由方法，地位重要，思想借鉴于语义分割，流程类似传统目标检测，包括生成先验、正负样本匹配、bbox编码和NMS等，额外加入centerness分支以提升检测质量。 未来，FCOS的研究方向可能包括更深入的理论分析、模型优化和跨领域应用探索。5. 源码
mmdetection提供了FCOS的配置文件和代码实现，包括多个版本和改进。了解这些细节有助于深入理解FCOS的实现和优化策略。Python实现岭回归(Ridge Regression)
项目专栏： Python实现经典机器学习算法附代码+原理介绍
前言
我的项目环境：
项目专栏： Python实现经典机器学习算法附代码+原理介绍
一、基于原生Python实现岭回归(Ridge Regression)
岭回归（Ridge Regression）是一种常见的线性回归的扩展形式，它通过引入 L2正则化项 来解决线性回归模型中可能存在的过拟合问题。
线性回归模型的预测函数为：
其中，[公式]是预测值，[公式]是特征值，[公式]是模型参数。
线性回归模型的损失函数是平方损失函数：
其中，[公式]是样本数量，[公式]是第[公式]个样本的真实标签值，[公式]是第[公式]个样本的预测标签值。
当特征数量[公式]很大时，线性回归模型可能会出现过拟合的现象，即模型在训练数据上表现良好，但在测试数据上表现较差。为了解决过拟合问题，我们可以通过引入正则化项来限制模型参数的取值范围，从而使模型更加稳定。
岭回归通过引入L2正则化项来限制模型参数的取值范围，其损失函数为：
其中，[公式]是正则化系数，用来控制正则化的强度。[公式]是app源码仿制L2正则化项，用来限制模型参数的取值范围。
岭回归的优化目标是最小化损失函数，即：
岭回归的参数可以通过解析解 或 迭代优化方法（如梯度下降） 来得到。
本篇文章我们采用Python语言实现经典的机器学习算法Ridge Regression 。
二、正则化项介绍
在机器学习中，正则化（Regularization）是一种常用的技术，它通过在目标函数中增加一个 惩罚项 来控制模型的复杂度，从而防止过拟合问题的出现。
正则化项通常添加在模型的损失函数（目标函数）中，它的一般形式如下：
其中，L(w)是损失函数，y是实际标签值，f(x; w)是模型的预测值，w是模型的参数，λ是正则化系数，R(w)是正则化项。
正则化项R(w)可以有多种形式，常见的有L1正则化 和 L2正则化 两种。
L1正则化的作用是使部分系数变为0，从而实现特征选择和降维。
L2正则化的作用是使系数向量w的每个分量都尽可能小，从而防止过拟合问题的出现。
正则化项的正则化系数λ 可以通过交叉验证等方法来确定，通常取值范围为 0到1 之间的实数，数值越大，正则化项的惩罚力度越强，模型越倾向于选择较小的系数。
三、岭回归的算法原理
岭回归的算法原理可以分为两步：参数估计和预测。
在预测时，我们可以使用模型得到的参数[公式]来预测新的样本的标签值。需要注意的是，在预测时，我们需要对新样本的特征值进行标准化处理，使其和训练集的特征值处于同样的尺度范围。
以上就是岭回归的算法原理，需要注意的是，在实际应用中，我们需要对正则化系数进行调参，以达到最优的模型效果。常用的调参方法有网格搜索和交叉验证等。
四、算法实现
本部分将讲解如何使用原生Python来实现Ridge回归，本文并没有直接使用sklearn 中的 Ridge，而是利用纯Python实现一个效果一致的Ridge Regression，因为这样才能够帮新手小白理解算法内部的具体流程。
3.1 导包
对于本项目主要使用到的第三方库有以下几种，都是比较常见的
3.2 搭建岭回归算法
以下代码实现了岭回归模型，通过自己实现的方法和sklearn库中的Ridge模型进行比较。
3.2.1 初始化模型参数
在下面搭建的RidgeRegression类中，__init__ 方法是类的初始化方法，主要用于初始化RidgeRegression类的参数。该方法的输入参数如下：
3.2.2 模型训练
LassoRegression类的fit 方法用于训练 岭回归 模型，其主要功能是根据输入的特征矩阵 X 和标签 y 来更新模型的系数 self.coef_ 和 self.intercept_。
注：这里为什么没有使用梯度下降法来迭代更新参数呢？
岭回归的参数更新是通过解析解得到的，而不是通过梯度下降。这是因为岭回归的损失函数是一个带有L2正则化项的二次函数，它的解析解可以直接通过求导和矩阵运算得到。使用解析解可以避免梯度下降所带来的局部最优问题，同时也可以提高算法的计算效率。
具体来说，岭回归的损失函数为：
其中，[公式]是[公式]的设计矩阵，[公式]是[公式]的参数向量，[公式]是[公式]的目标向量，[公式]是正则化系数。
对损失函数求导，得到最优参数[公式]的解析解：
其中，[公式]是[公式]的单位矩阵。
因此，岭回归可以直接通过矩阵运算计算最优参数[公式]，而不需要使用梯度下降。
3.2.3 模型预测
RidgeRegression类的predict 方法用于使用训练好的Ridge回归模型进行预测，其主要功能是根据输入的特征矩阵 X 来预测相应的标签值。
3.2.4 完整岭回归模型
完整的岭回归模型定义如下：
3.3 定义数据
为了测试模型，我们使用了如下代码来生成回归的数据集，该代码用于生成一个具有线性关系的数据集，其中：
函数的返回值X 和 y 分别表示生成的数据集的特征矩阵和响应变量向量。生成的数据集包含了一个线性关系，其中特征矩阵X和响应变量y之间的关系为 y = Xw + b + e，其中 w 是一个真实的权重向量，b 是一个常数偏置项，e 是一个高斯噪声项。
3.4 对比自实现模型与官方Ridge模型效果
然后我们使用如下代码通过自己实现的方法和sklearn 库中的Ridge模型进行比较。
效果如下：
可以看到，自己实现的Ridge回归模型和sklearn的Ridge回归模型的参数和均方误差非常接近，证明了自己实现的Ridge回归模型的正确性和有效性。
3.6 测试模型
通过如下代码，我们可以查看Ridge模型预测值与真实值之间的MSE 和 R2 等指标，查看模型训练的效果如何。
模型的测试结果如下：
3.7 可视化结果
为了查看效果可以用matplotlib 库将真实数据和预测结果可视化：
上图蓝色曲线为自实现Ridge模型的预测结果，橙色曲线为sklearn中的Ridge模型的预测结果，绿色曲线未真实标签。可以看到，预测结果和真实值基本吻合，证明了RidgeRegression模型的有效性。
完整源码
MaskFormer源码解析
整个代码结构基于detectron2框架，代码逻辑清晰，从配置文件中读取相关变量，无需过多关注注册指令，核心在于作者如何实现网络结构图中的关键组件。MaskFormer模型由backbone、sem_seg_head和criterion构成，backbone负责特征提取，sem_seg_head整合其他部分，criterion用于计算损失。
在backbone部分，作者使用了resnet和swin两种网络，关注输出特征的键值，如'res2'、'res3'等。在MaskFormerHead中，核心在于提供Decoder功能，这个部分直接映射到模型的解码过程，通过layers()函数实现。
pixel_decoder部分由配置文件指定，指向mask_former/heads/pixel_decoder.py文件中的TransformerEncoderPixelDecoder类，这个类负责将backbone提取的特征与Transformer结合，实现解码过程。predictor部分则是基于TransformerPredictor类，负责最终的预测输出。
模型细节中，TransformerEncoderPixelDecoder将backbone特征与Transformer结合，生成mask_features。TransformerEncoderPixelDecoder返回的参数是FPN结果与Transformer编码结果，后者通过TransformerEncoder实现，关注维度调整以适应Transformer计算需求。predictor提供最终输出，通过Transformer结构实现类别预测与mask生成。
损失函数计算部分采用匈牙利算法匹配查询和目标，实现类别损失和mask损失的计算，包括dice loss、focal loss等。整个模型结构和输出逻辑清晰，前向运算输出通过特定函数实现。
总的来说，MaskFormer模型通过backbone提取特征，通过Transformer实现解码和预测，损失函数计算统一了语义分割和实例分割任务，实现了一种有效的方法。理解代码的关键在于关注核心组件的功能实现和参数配置，以及损失函数的设计思路。强烈建议阅读原论文以获取更深入的理解。
PyTorch 源码分析(一）：torch.nn.Module
nn.Module是PyTorch中最核心和基础的结构，它是操作符/损失函数的基类，同时也是组成各种网络结构的基类（实际上是由多个module组合而成的一个module）。
在Python侧，2.1回调函数注册，2.2 module类定义中，有以下几个重点函数：
重点函数一：将模型的参数移动到CUDA上，内部会遍历其子module。
重点函数二：将模型的参数移动到CPU上，内部会遍历其子module。
重点函数三：将模型的参数转化为fp或者fp等，内部会遍历其子module。
重点函数四：forward函数调用。
重点函数五：返回该net的所有layer。
在类图中，PyTorch的算子都是module的子类，包括自定义算子和整网定义。
在C++侧，3.1 module.to("cuda")详细分析中，本质是将module的parameter&buffer等tensor移动到CUDA上，最终调用的是tensor.to(cuda)。
3.2 module.load/save逻辑中，PyTorch模型保存分为两种，一种是纯参数，一种是带模型结构（PyTorch中的模型结构，本质上是由module、sub-module构造的一个计算图）。
parameter、buffer是通过key-value的形式来存储和检索的，key为module的.name，value为存储具体数据的tensor。
InputArchive/OutputArchive的write和read逻辑。
通过Module，PyTorch将op/loss/opt等串联起来，类似于一个计算图。基于PyTorch构建的ResNet等模型，是逐个算子进行计算的，tensor在CPU和GPU之间来回流动，而不是整个计算都在GPU上完成（即中间计算结果不出GPU）。实际上，在进行推理时，可以构建一个计算图，让整个计算图的计算都在GPU上完成，不知道是否可行（如果GPU上有一个CPU就可以完成这个操作，不知道tensorrt是否是这样的操作）。
U-Net代码解读python[每周一篇]Week1-U-Net
本文提供Python版本的U-Net代码解读，内容覆盖数据加载、模型架构、训练及结果展示。源码及数据集可在线获取，详细步骤如下：
1. 数据集加载：`dataset.py`文件负责数据读取与预处理，确保输入数据符合模型需求。
2. U-Net模块定义：`unet_parts.py`中定义U-Net结构中的关键组件，包括卷积层、下采样层、上采样层和连接层，实现特征提取与语义分割。
3. U-Net模型构建：`unet_model.py`整合各部分，构建完整的U-Net模型，实现图像分割任务。
4. 模型训练：`train.py`脚本用于训练U-Net模型，设置超参数、损失函数、优化器等，以优化模型性能。
5. 结果展示：`resultshow.py`展示训练效果，包括分割结果可视化等。
源码链接：LYK/U-Net-Week1-(github.com)
训练流程及结果可参照：Pytorch深度学习实战教程（三）：UNet模型训练，深度解析！-腾讯云开发者社区-腾讯云 (tencent.com)
通过以上步骤，开发者能够深入理解U-Net在生物医学图像分割领域的应用，掌握其代码实现与训练技巧。
DETR解读
DETR（Detection Transformer）是一种新型的目标检测模型，它基于Transformer架构，由Facebook AI Research（FAIR）提出。DETR与传统目标检测方法不同，不使用锚框或候选区域，而是直接将整个图像输入到Transformer中，同时输出目标的类别和边界框。
DETR的主要构成部分包括backbone、transfomer以及head模块。本文将结合源码对DETR进行解析。
Backbone部分包含PE（position embedding）和cnn（resnet）主干网络。
PE采用二维位置编码，x和y方向各自计算了一个位置编码，每个维度的位置编码长度为num_pos_feats（该数值实际上为hidden_dim的一半），奇数位置正弦，偶数位置余弦，最后cat到一起（NHWD），permute成（NDHW）。输入的mask是2**，那么最后输出的pos encoding的shape是2***。
CNN_backbone采用resnet，以输入3**为例，输出**，下采样5次合计倍。
Transfomer主要由encoder和decoder两大模块构成。
TransformerEncoder中，qkv都来自src，其中q和k加了位置编码，v没有加，猜测原因可能是qk之间会计算attention，所以位置是比较重要的，value则是和attention相乘，不需要额外的位置编码。
TransformerDecoder中，几个重点的变量包括object query的自注意力和cross attention。
Head部分，分类分支是Linear层，回归分支是多层感知机。
Matcher采用的是HungarianMatcher匹配，这里计算的cost不参与反向传播。
Criterion根据匈牙利算法返回的indices tuple，包含了src和target的index，计算损失：分类loss+box loss。
分类损失采用交叉熵损失函数，回归损失采用L1 loss + Giou loss。
推理部分，先看detr forward函数，后处理，预测只需要卡个阈值即可。
论文链接：arxiv.org/pdf/....
代码链接：github.com/facebookrese...
参考链接：zhuanlan.zhihu.com/p/... zhuanlan.zhihu.com/p/...
如需删除侵权内容，请联系我。
