- 博客(4)
- 收藏
- 关注
RSS订阅原创 PAC中的 H
一个线性分类器的参数数量，而这两者又由和决定。对于一个输入特征维度为d（例如，一张32x32x3的彩色图像被展平后就是3072维的向量），分类类别数为c的线性分类器，其参数总数为：d × cWc × ddccb。
2025-09-16 12:06:54
423
1
原创 token与embedding
：Token 像是给每个词一个身份证号（ID），而 Embedding 则是这个身份证号对应的详细档案（特征向量）。：Embedding 层根据这些 ID，从一个可学习的参数矩阵（Embedding Table）中查找出对应的向量。）才会输入到后续的神经网络中进行处理。最终，这些向量组成的矩阵（如形状。：这是模型处理文本的标准流程。，并转换为 ID 序列，例如。(代表 "love")(代表 "NLP")
2025-09-14 11:05:11
164
原创 先验 后验 MAP
## 后验（Posterior） 1. **定义**： 后验概率是在考虑并结合了观测数据之后，对某个事件或参数的概率分布重新进行的评估。为了找到最大后验估计值，通常可以对 \(P(θ|x)\) 取对数（因为对数函数是单调递增的，求原函数最大值等价于求对数函数最大值，且在很多情况下取对数后便于计算），得到 \(\ln P(θ|x)\) ，然后通过求导等数学方法，令导数为0，解出使得 \(\ln P(θ|x)\) 最大的 \(θ\) 值，这个值就是最大后验估计值 \(\hat{θ}_{MAP}\)。
2025-04-02 19:27:20
782
原创 EMD具体流程
计算 \(r_1(t)\) 的局部均值 \(m_1(t)\)： \[m_1(t)=\frac{e_{1_{max}}(t)+e_{1_{min}}(t)}{2}, \quad t \in [t_1, t_N]\] - 提取中间信号 \(h_1(t)\)： \[h_1(t)=r_1(t)-m_1(t), \quad t \in [t_1, t_N]\] - 再判断 \(h_1(t)\) 是否满足 IMF 条件，若不满足则继续迭代，若满足则得到第二个本征模态函数 \(IMF_2(t)\)。
2025-03-27 15:24:47
714
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人