<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Europe233的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Europe233</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Europe233]]></copyright><item><title><![CDATA[图像处理常用matlab函数整理]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/90731926</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/90731926</guid><author>Europe233</author><pubDate>Sat, 01 Jun 2019 18:07:17 +0800</pubDate><description><![CDATA[fspecial：用于产生各种各样的卷积模板
https://www.mathworks.com/help/images/ref/fspecial.html?s_tid=srchtitle
imfilter：用于图像和卷积模板卷积
https://www.mathworks.com/help/images/ref/imfilter.html?s_tid=srchtitle#btsmcj2-1-op...]]></description><category></category></item><item><title><![CDATA[图像处理中卷积的作用]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/90419742</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/90419742</guid><author>Europe233</author><pubDate>Thu, 30 May 2019 23:43:32 +0800</pubDate><description><![CDATA[1

]]></description><category></category></item><item><title><![CDATA[吴恩达老师机器学习第二次作业——逻辑回归（python实现）]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89922621</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89922621</guid><author>Europe233</author><pubDate>Tue, 07 May 2019 15:49:28 +0800</pubDate><description><![CDATA[github地址：https://github.com/Europe233/ml_homework_py/tree/master/exercise2
【第一部分：不带正则化】
这一部分的数据是这样的：
我们用一个线性函数来分割两种不同种类的点。做完逻辑回归后结果是这样的：

代码如下：
import numpy as np
import scipy.optimize as opt

from pl...]]></description><category></category></item><item><title><![CDATA[Visual Studio 中导入python scipy 模块时出现问题，及其解决方法]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89863191</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89863191</guid><author>Europe233</author><pubDate>Mon, 06 May 2019 00:44:54 +0800</pubDate><description><![CDATA[我个人比较习惯用VS来写python，想安装一个scipy库，于是参考了以下博文：
http://www.mamicode.com/info-detail-2041262.html
这篇文章帮助很大，让我成功安装了scipy。但我发现在导入该模块时出现了问题：

也就是说：下面代码没有出问题
import scipy

但这个代码出了问题：
import scipy.optimize as opt...]]></description><category></category></item><item><title><![CDATA[logistic回归代价函数的凸性分析]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89760889</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89760889</guid><author>Europe233</author><pubDate>Fri, 03 May 2019 00:40:45 +0800</pubDate><description><![CDATA[logistic回归的代价函数为：J(θ)=−1m∑i=1m[y(i)log(hθ(x(i)))+(1−y(i))log(1−hθ(x(i)))]J(\theta)=-\frac{1}{m}\sum_{i=1}^m[y^{(i)}log(h_\theta(x^{(i)}))+(1-y^{(i)})log(1-h_\theta(x^{(i)}))]J(θ)=−m1​i=1∑m​[y(i)log(hθ...]]></description><category></category></item><item><title><![CDATA[sigmoid函数的求导]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89743424</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89743424</guid><author>Europe233</author><pubDate>Thu, 02 May 2019 11:18:35 +0800</pubDate><description><![CDATA[最常见的sigmoid函数：f(x)=11+e−xf(x)=\frac{1}{1+e^{-x}}f(x)=1+e−x1​
对xxx求导：$f′(x)=f(x)⋅(1−f(x))f&amp;#x27;(x)=f(x)\cdot(1-f(x))f′(x)=f(x)⋅(1−f(x))

]]></description><category></category></item><item><title><![CDATA[关于R^n空间的二次函数的几何图像的一个有趣发现]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89443060</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89443060</guid><author>Europe233</author><pubDate>Thu, 02 May 2019 01:32:42 +0800</pubDate><description><![CDATA[我们都知道，一个定义在R上的二次函数，对应一条抛物线，R2R^2R2上对应图形有以下几种：

一件有趣的事情是，

]]></description><category></category></item><item><title><![CDATA[吴恩达老师机器学习第一次作业：线性回归【python实现】]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89408115</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89408115</guid><author>Europe233</author><pubDate>Fri, 19 Apr 2019 21:11:27 +0800</pubDate><description><![CDATA[【写在前面】

最近刚刚学了python，用来写了下吴恩达老师机器学习第一次作业，没有用别人写好的框架，地址是：

https://github.com/Europe233/ml_homework_py/tree/master/exercise1

【结果展示】

首先给出单变量下的拟合效果：







梯度下降法和 Normal Equation 方法结果对比：





多变量拟合：
...]]></description><category></category></item><item><title><![CDATA[【转载】python函数参数的用法]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/89049282</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/89049282</guid><author>Europe233</author><pubDate>Sat, 06 Apr 2019 00:02:54 +0800</pubDate><description><![CDATA[廖老师写得非常详细，非常好：



https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431752945034eb82ac80a3e64b9bb4929b16eeed1eb9000
]]></description><category></category></item><item><title><![CDATA[直方图均衡化和规范化的简单笔记【手写】]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/88851399</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/88851399</guid><author>Europe233</author><pubDate>Wed, 27 Mar 2019 17:53:26 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[直方图均衡化对图像信息熵的影响]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/88809476</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/88809476</guid><author>Europe233</author><pubDate>Wed, 27 Mar 2019 17:50:43 +0800</pubDate><description><![CDATA[\quad在图像分析中，常常用图像的灰度直方图来计算图片的信息熵。假设图像有kkk个灰度级，第iii个灰度级出现的频率为pkp_kpk​，那么信息熵为：
H=−∑i=1kpilog(pi).H=-\sum_{i=1}^k{p_i}log(p_i).H=−i=1∑k​pi​log(pi​).
\quad直方图均衡化，实际上是减少图像的灰度级数，换取图像对比度的增大。在此过程中，图像的信息熵会有所减少...]]></description><category></category></item><item><title><![CDATA[向量范数的几何直观理解和等价定义——如何从几何上定义向量范数？]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/88298842</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/88298842</guid><author>Europe233</author><pubDate>Tue, 19 Mar 2019 17:39:24 +0800</pubDate><description><![CDATA[我们知道，一个函数：f:Rn↦Rf:R^n\mapsto Rf:Rn↦R 被称为RnR^nRn空间的一个范数,如果它满足以下三条性质：（以下以∥⋅∥\left\|\cdot\right\|∥⋅∥来代表这个函数）
(1)正定性：∥x∥≥0,∀x∈Rn\left\|x\right\|\geq0,\forall x\in R^n∥x∥≥0,∀x∈Rn，且：∥x∥=0⟺x=0;\left\|x\right...]]></description><category></category></item><item><title><![CDATA[P问题，NP问题与NPC问题的概念的简单总结]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/88534542</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/88534542</guid><author>Europe233</author><pubDate>Wed, 13 Mar 2019 16:15:42 +0800</pubDate><description><![CDATA[看到了一篇很不错的博文，很清楚地说明了什么是P问题、NP问题、NPC问题：http://www.matrix67.com/blog/archives/105



自己做一下总结：

1. P问题是指：存在某一算法，能在多项式时间复杂度内解决该问题。

2. NP问题是指：给定一个特定的解，能在多项式时间复杂度内验证这个解是否是满足条件的。

Remark：P问题一定是NP问题（显然），但NP问...]]></description><category></category></item><item><title><![CDATA[矩阵公式tr(AA')=tr(A'A)/tr(AA^T)=tr(A^TA)的推导]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/88239091</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/88239091</guid><author>Europe233</author><pubDate>Wed, 06 Mar 2019 15:48:26 +0800</pubDate><description><![CDATA[求证：tr(AAT)=tr(ATA)tr(AA^{T})=tr(A^{T}A)tr(AAT)=tr(ATA)
证明：根据这篇博客，AAT和ATAAA^{T}和A^{T}AAAT和ATA具有相同的非零特征值。因此我们有：
\quad矩阵AATAA^{T}AAT的特征值之和=ATAA^{T}AATA的特征值之和.
\quad同时，根据高等代数，一个方形矩阵的迹等于它的所有特征值之和，因此有上面的结论，...]]></description><category></category></item><item><title><![CDATA[【转载】函数对向量、矩阵的求导]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/88214460</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/88214460</guid><author>Europe233</author><pubDate>Wed, 06 Mar 2019 00:06:26 +0800</pubDate><description><![CDATA[最近在网上看到一篇很好的文章，清楚地讲解了机器学习中函数对矩阵的求导公式和法则。在这里转载一下，大家可以去作者的这个知乎专栏看到这篇文章：

https://zhuanlan.zhihu.com/p/25063314


...]]></description><category></category></item><item><title><![CDATA[线性系统的频率特性和低通滤波特性]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/87707695</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/87707695</guid><author>Europe233</author><pubDate>Tue, 19 Feb 2019 14:26:30 +0800</pubDate><description><![CDATA[手写了一些推导，给出了线性系统的频率特性的物理意义，也由此看出线性系统的低通滤波特性：


]]></description><category></category></item><item><title><![CDATA[最小二乘解一定存在]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/86715175</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/86715175</guid><author>Europe233</author><pubDate>Thu, 31 Jan 2019 22:25:33 +0800</pubDate><description><![CDATA[得到的

]]></description><category></category></item><item><title><![CDATA[矩阵AB和BA的特征值关系]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/86727078</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/86727078</guid><author>Europe233</author><pubDate>Thu, 31 Jan 2019 22:20:02 +0800</pubDate><description><![CDATA[\quad本文考察这样的两个矩阵：A∈Rm×n，B∈Rn×mA\in R^{m\times n}，B\in R^{n\times m}A∈Rm×n，B∈Rn×m.于是AB∈Rm×m，BA∈Rn×nAB\in R^{m\times m}，BA\in R^{n\times n}AB∈Rm×m，BA∈Rn×n.它们都是方阵但阶次不同.我们将证明：
\quadAB和BA具有相同的非零特征值.
\quad证...]]></description><category></category></item><item><title><![CDATA[矩阵A^TA(A'A)和AA^T(AA')的性质]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/86720864</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/86720864</guid><author>Europe233</author><pubDate>Thu, 31 Jan 2019 20:14:58 +0800</pubDate><description><![CDATA[\quad对于任意一个矩阵A∈Rm×nA\in R^{m\times n}A∈Rm×n，其转置与它自身的乘积ATAA^TAATA,以及它自身与其转置的乘积AATAA^TAAT有如下性质：
1.rank(ATA)=rank(A)=rank(AT)=rank(AAT)rank(A^TA)=rank(A)=rank(A^T)=rank(AA^T)rank(ATA)=rank(A)=rank(AT)=ra...]]></description><category></category></item><item><title><![CDATA[矩阵化简与不变子空间直和分解的关系]]></title><link>https://blog.youkuaiyun.com/Europe233/article/details/86689233</link><guid>https://blog.youkuaiyun.com/Europe233/article/details/86689233</guid><author>Europe233</author><pubDate>Thu, 31 Jan 2019 14:44:41 +0800</pubDate><description><![CDATA[\qquad本文限于讨论规模n×nn\times nn×n的方阵AAA.
\qquad我们知道方阵也可以看做是一个映射：Rn→RnR^n \rightarrow R^nRn→Rn.而如果一个RnR^nRn空间的子空间TTT满足:∀x∈T,Ax∈T\forall x\in T,Ax\in T∀x∈T,Ax∈T，我们就称T是A的一个不变子空间. 不变子空间是矩阵化简的一个利器.
\qquad设RnR^...]]></description><category></category></item></channel></rss>