<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Jason__Liang的博客]]></title><description><![CDATA[本人电子系，只为一学生。心喜计算机，小编以怡情。]]></description><link>https://blog.youkuaiyun.com/Jason__Liang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Jason__Liang]]></copyright><item><title><![CDATA[attention 理解 根据pytorch教程seq2seq源码]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/81866006</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/81866006</guid><author>Jason__Liang</author><pubDate>Mon, 20 Aug 2018 10:20:54 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/wuzqchom/article/details/75792501

http://baijiahao.baidu.com/s?id=1587926245504773589&amp;amp;wfr=spider&amp;amp;for=pc

pytorch源码

这是李宏毅老师的ppt。右侧对应pytorch seq2seq源码。

我们的问题是，左边的数学符号，右侧...]]></description><category></category></item><item><title><![CDATA[pytorch lstm crf 代码理解]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/81772632</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/81772632</guid><author>Jason__Liang</author><pubDate>Fri, 17 Aug 2018 10:30:17 +0800</pubDate><description><![CDATA[好久没有写博客了，这一次就将最近看的pytorch 教程中的lstm+crf的一些心得与困惑记录下来。

原文 PyTorch Tutorials 

参考了很多其他大神的博客，https://blog.youkuaiyun.com/cuihuijun1hao/article/details/79405740

https://www.jianshu.com/p/97cb3b6db573

至于原理，非常建议...]]></description><category></category></item><item><title><![CDATA[python html表格 转化]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80783851</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80783851</guid><author>Jason__Liang</author><pubDate>Sat, 23 Jun 2018 15:24:48 +0800</pubDate><description><![CDATA[在做html解析时，遇到了需要将html的&amp;lt;table&amp;gt; 标签转成需要的形式。这里是转成   ('      增持方式     ', '      竞价交易     ')  这种形式。接下来的代码是可以处理可变长的table，思路很简单，可以根据自己的需求封装成函数，或者修改。from bs4 import BeautifulSoup

html = &quot;&quot;&quot;
目标html的只包含表格的...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十六章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80492794</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80492794</guid><author>Jason__Liang</author><pubDate>Thu, 31 May 2018 20:12:31 +0800</pubDate><description><![CDATA[16.1 Three Learning Principles - Occam’ Razor简单的hypothesis，简单的model简单的model。当输入乱乱的资料时，Ein无法很小。因此，如果用简单的模型，能够分开资料，那么就说明其中会有某种规律。而不能分开，则说明没有啥规律。因为复杂的模型能够拟合所有的数据，所以你根本不知道到底是有规律的样本？还是随机抛硬币产生的样本（没有内在规律）。16...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十五章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80491287</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80491287</guid><author>Jason__Liang</author><pubDate>Tue, 29 May 2018 10:12:42 +0800</pubDate><description><![CDATA[15.1 Validation - Model Selection Problem我们为了解决过拟合的问题，我们提出了regularization。我们不只关注Ein，而是在Ein上面加上一个regularizer，一起做minimize。这样可以有效的减小model complexity我们面临着很多的选择，之间的组合会产生组合爆炸的。输入：各种g和演算法。输出：最好的那个模型，能让Eout变小...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十四章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80483465</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80483465</guid><author>Jason__Liang</author><pubDate>Mon, 28 May 2018 18:25:52 +0800</pubDate><description><![CDATA[14.1 Regularization - Regularized Hypothesis Set我们可以看出，右侧的数据拟合的并不好，因为我们用来拟合的方程维数太高！！！我们想让右侧的overfit 变成左侧的看起来不错的 ‘regularized fit’。我们想从高次的H慢慢回退到低次的Hypothesis、命名的历史是：当有限的数据点可以用多个方程来进行拟合时，我们需要选择最合适的那个。弹幕...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十三章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80475761</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80475761</guid><author>Jason__Liang</author><pubDate>Mon, 28 May 2018 11:24:48 +0800</pubDate><description><![CDATA[13.1 Hazard of Overfitting - What is Overfitting我们可以看出，虽然Ein为0，貌似算法的表现很好，但是实际上可以看出，我们的拟合曲线和target一点点也不像！！！！这意味着，我们有很高的Eout。不好的“举一反三”（generation）。我们从紫色曲线的最低点开始往右移，我们可以看出来，模型的复杂度在增加，而输入样本的偏差却在不断减小。我们把fi...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十二章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80472247</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80472247</guid><author>Jason__Liang</author><pubDate>Mon, 28 May 2018 09:45:19 +0800</pubDate><description><![CDATA[12.1 Nonlinear Transformation - Quadratic Hypotheses我们用非线性的方法来做分类。但是也有其他的情况，无法利用线性的方法来进行分割。我们不用线的方式，而是用其他的方法，将数据进行分割。我们想通过使用圆圈的方式来进行分类。这样我们要重新改写之前所有的分类结果。重新编写 圆-PLA，圆-Regression 这几种方法。我们给w上面加了个~，表示   ...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十一章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80464193</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80464193</guid><author>Jason__Liang</author><pubDate>Sun, 27 May 2018 20:28:53 +0800</pubDate><description><![CDATA[11.1 Linear Models for Classification - Binary Classificationstochastic 随机的linear classification是一个NP hard问题，因此如何找到一种方法，能够使相对容易的linear regression 和 logistics regression 来帮助求解linear classification，就比较有...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第十章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80460765</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80460765</guid><author>Jason__Liang</author><pubDate>Sat, 26 May 2018 16:00:05 +0800</pubDate><description><![CDATA[10.1 Logistics Regression - Logistics Regression Problem判断有还是没有心脏病，即二元分类问题。左上角说明有噪音。我们比较在意的是错误率的多少。我们不是很强硬的就0或者1，而是变成了一个值，值的大小即概率值。我们得不到理想中的数据，而是实际上有噪音的数据，而且数据不是概率值，而是确定的0,1x0是bias，其他都是数据，然后计算一个加权和。我们...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第九章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80459377</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80459377</guid><author>Jason__Liang</author><pubDate>Sat, 26 May 2018 12:14:35 +0800</pubDate><description><![CDATA[9.1 Linear Regression - Linear Regression Problem我们花力气在二元分裂的VC Bound是可以用在各种情形，也可以用在线性回归。输出不是二元了，而是一个实数。输出空间就是一个实数。我们怎么做到机器学习呢？相比感知器，我们最后的输出没有了sign左图为二元空间，右图为三元空间。想找个小的residuals传统上最常用的错误衡量使用  squared e...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第八章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80453591</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80453591</guid><author>Jason__Liang</author><pubDate>Sat, 26 May 2018 10:01:04 +0800</pubDate><description><![CDATA[8.1 Noise and Error - Noise and Probabilistic Target任务：有噪音的情况下如何衡量我们错误上一节：如果我们的假设空间有有限的dvc ，很大的资料 又能找到g使Ein很小的话，那么我们大概就能学到东西。如果有noise怎么办呢？比如标签标错了，同时既是好的又是坏的，输入信息就有错误等等。此时的vc bound 还有用嘛？我们进行vc bound 推导...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第七章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80450851</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80450851</guid><author>Jason__Liang</author><pubDate>Fri, 25 May 2018 16:20:13 +0800</pubDate><description><![CDATA[7.1 The VC Dimension - Definition of VC Dimension我们上个周证明了Ein 约等于 Eout ，即测试的表现和训练的表现相似。在成长函数在某个地方有break point 和 N足够大的时候。意义在于之后介绍的VC维度。我们以后就不用B（N，k）这种麻烦的写法了，只需要使用N^(k-1)这种简单的写法。因为N^(k-1)是最大的上限。vc bound，...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第六章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80441419</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80441419</guid><author>Jason__Liang</author><pubDate>Thu, 24 May 2018 21:10:45 +0800</pubDate><description><![CDATA[6.1 Theory of Generalization - Restriction of Break Point机器学习领域机器是如何做到举一反三的本领的？   dichotomies 是二分类 ，即label只有（o，x）这种。例如positive rays，意思是一侧全是正，另一侧全是负，而出现ox 这种情景时，则两个点的mh（2）=3，实现了小于2^2的目的。突破口是两个点，则k=2.例如...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第五章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80436404</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80436404</guid><author>Jason__Liang</author><pubDate>Thu, 24 May 2018 19:37:55 +0800</pubDate><description><![CDATA[5.1Training versus Testing - Recap and Preview训练和测试过程到底有什么不一样？机器学习是否可行，老师说的是：                1）资料从一个distribution中学习，如抽球问题                2）我们有  有限的  hypothesis  的那么无限大的hypothesis的，那怎么办？如果我们选择了一个 g 使Ei...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第四章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80424988</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80424988</guid><author>Jason__Liang</author><pubDate>Wed, 23 May 2018 20:43:14 +0800</pubDate><description><![CDATA[4.1 Feasibility of Learning - Learning is Impossible 老师提出了一个难以学习的例子。我们无法知道未知的东西，但是我们想要推断未知的东西。4.2 Feasibility of Learning - Probability to the Rescue有什么工具对未知的 f 做一些推论？？？例如对瓶子里的弹珠颜色比例进行推论。思路是进行抽样。引入了大数...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第三章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80418259</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80418259</guid><author>Jason__Liang</author><pubDate>Wed, 23 May 2018 14:40:15 +0800</pubDate><description><![CDATA[3.1Learnig with Different Output Space本节介绍了很多的机器学习问题。是非问题可以用PLA。其实就是二分类的问题（binary classification）。是非题应用十分广泛。从而引申到多类分类的问题。Multiclass Classification二分类其实就是多分类时k=2。回归问题典型，输出是一个实数。自然语言处理：如果是一个单词，则是多分类问题。但...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第二章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80411463</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80411463</guid><author>Jason__Liang</author><pubDate>Wed, 23 May 2018 12:28:05 +0800</pubDate><description><![CDATA[2.1 Perceptron Hypothesis set问题：什么样的机器学习能解决是非问题？问题：我们的H 到底长什么样子？通过w来进行加权，然后看是否通过门槛值。红字h被称为'感知器'。perceptron打个比方：就是数学题，权值是每个题的分数。这样60分就是阈值。我们想要将threshold也当成一个特殊的W！这样用两个向量就能很简单的表示出来了。注意w的第0个数字是（-threshol...]]></description><category></category></item><item><title><![CDATA[机器学习基石（林轩田）第一章 笔记与感悟总结]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80410725</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80410725</guid><author>Jason__Liang</author><pubDate>Tue, 22 May 2018 20:34:36 +0800</pubDate><description><![CDATA[第一章 The Learning Problem 1.1  Course Indroduction 老师观点：从基础学起。不要成为机器学习的奴隶。1.2 What is Machine Learning  学习是从观察出发，视听嗅觉。观察——&amp;gt;学习——&amp;gt;技能电脑的观察是资料，然后进行处理变成技能。什么是技巧？技巧是improve some performance measure(e.g...]]></description><category></category></item><item><title><![CDATA[大学四年历经四个专业  他是如何做到的？]]></title><link>https://blog.youkuaiyun.com/Jason__Liang/article/details/80208819</link><guid>https://blog.youkuaiyun.com/Jason__Liang/article/details/80208819</guid><author>Jason__Liang</author><pubDate>Sat, 05 May 2018 19:55:38 +0800</pubDate><description><![CDATA[    本来写来用来评选校级的优秀毕业生的，可惜最后落选，但既然写了文字，与其删掉不见天日，不如放到博客里，作为自己的回忆。-------------------------------------------------- -------------------------------------------------- --------------------------大学四年历经四个专业...]]></description><category></category></item></channel></rss>