import numpy as np
import scipy
import scipy.io as sio
np.set_printoptions(threshold=np.inf)
# 基本資料載入
data_root=
"./googlenet_awa/"
awa = scipy.io.loadmat(
'awa_demo_data.mat'
)# 訓練用資料
# 可見類樣本
train_seen_data = np.load(data_root+
"str_f.npy"
)# 可見類語義資訊
train_seen_att = np.load(data_root+
"str_att.npy"
)# 未見類標籤
train_unseen_label = awa[
'testclasses_id'
]# 未見類語義資訊
train_unseen_att = awa[
's_te_gt'
]# 測試用資料
# 未見類測試樣本
test_unseen_data = np.load(data_root+
"ute_f.npy"
)# 未見類標籤
test_unseen_labels = np.load(data_root+
"ute_l.npy"
)# 訓練階段
# 資料預處理
from sklearn import preprocessing
train_seen_data_scaled = preprocessing.scale(train_seen_data)
# 未見類虛擬樣本生成（這一步我們的方法中用gan代替了回歸器）
# 訓練乙個語義視覺回歸器
from sklearn import linear_model
regressor = linear_model.linearregression(
)regressor.fit(train_seen_att, train_seen_data)
# 使用未見類語義資訊，基於視覺語義回歸器，生成對應的未見類虛擬樣本
pred_train_unseen_data = regressor.predict(train_unseen_att)
# 使用未見類虛擬樣本，訓練乙個分類器，該分類器能夠對未見類樣本進行分類
from sklearn import neighbors
classfier = neighbors.kneighborsclassifier(
)classfier.fit(pred_train_unseen_data, train_unseen_label.reshape(-1
))# 測試階段
# 預處理未見類樣本
test_unseen_data_scaled = preprocessing.scale(test_unseen_data)
# 零樣本識別
pred_label = classfier.predict(test_unseen_data_scaled)
(test_unseen_labels.reshape(-1
)== pred_label)
.sum()
/6180
未知工作載荷下故障診斷的零樣本學習方法（閱讀筆記）
未知工作載荷下故障診斷的零樣本學習方法 a zero shot learning method for fault diagnosis under unknown working loads 創新點 本文提出了一種基於壓縮堆疊自動編碼器的零樣本學習方法。該方法僅由已知工作載荷的資料訓練而成，無需先驗...
CSS中視覺語義不等於基於表現的類
你和使用者之間的 堆疊 簡化www.cppcns.com版 在txjs大會的最後一天，乙個開發者問我 物件導向的css沒有給你留下一大堆基於表現的class名?網路堆疊中的每一層都有它自己的結構。你不會期望將資料庫架構用於構建php中介軟體，人們對於html和css的期望是一樣一樣的。html需要用...
基於深度學習問答系統中的語義相似度計算
問答系統，簡稱qa，是自然語言處理領域的一類經典問題。問答系統的模式基本上分為兩類 1.由輸入的問題在n個候選答案中選取乙個最佳的答案。2.由輸入的問題在已有的問題中選取乙個語義最相似的問題，將該已有問題的答案作為最終的答案返回。第一種問答系統類似與京東客服的自動回答系統，很多使用過京東客服或是 客...