<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Daniel的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Kayaobi</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Kayaobi]]></copyright><item><title><![CDATA[Distributional RL with Quantile Regression论文翻译]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/117399076</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/117399076</guid><author>Kayaobi</author><pubDate>Wed, 02 Jun 2021 21:14:57 +0800</pubDate><description><![CDATA[毕业设计需要选择一篇外文论文进行翻译，翻译完成正好分享到这里。因为这一篇论文比较难懂，也是比较重要的一篇论文，所以选择了这一篇。]]></description><category></category></item><item><title><![CDATA[深度学习论文中的黑话总结]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/115019050</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/115019050</guid><author>Kayaobi</author><pubDate>Sat, 20 Mar 2021 00:56:28 +0800</pubDate><description><![CDATA[最近做毕业设计的时候需要大量阅读论文，在阅读的过程中难免会遇到反复出现却又不认识的词汇，这些词汇有本身的含义，又不是像Convolutional Neural Network这种专业词语，一般是缩写或者比喻，对于初学者有的时候很难理解，所以在这里做一个总结。

SOTA: State-Of-The-Art, 即最前沿的研究成果。论文说提出的算法表现超过了SOTA算法，就是说比目前已知表现最好的算法效果更好。
Vanilla Model: Vanilla的模型指的是最简单、最原始的模型，没有经过任何升级或修改]]></description><category></category></item><item><title><![CDATA[一句话介绍面向对象设计原则与23种设计模式]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/106037677</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/106037677</guid><author>Kayaobi</author><pubDate>Sun, 17 May 2020 12:05:41 +0800</pubDate><description><![CDATA[1111

]]></description><category></category></item><item><title><![CDATA[卷积神经网络原理]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/104517922</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/104517922</guid><author>Kayaobi</author><pubDate>Fri, 28 Feb 2020 20:05:49 +0800</pubDate><description><![CDATA[（文章同步更新在@dai98.github.io）
卷积神经网络 (Convolutional Neural Nework, CNN)是受生物学上感受野机制的启发而提出的深度学习模型，在图像处理中较为常见，下面我们依次介绍各种层的结构和作用，并给出实现的代码。
一、从图像到矩阵
每张图片都是由像素组成的，一张图片每行和每列有多少个像素即为图片的分辨率 (Resolution)；每一个像素都有一个颜...]]></description><category></category></item><item><title><![CDATA[Kaggle实战：泰坦尼克幸存者预测 -下]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/104397008</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/104397008</guid><author>Kayaobi</author><pubDate>Wed, 19 Feb 2020 20:04:56 +0800</pubDate><description><![CDATA[（文章同步更新于个人博客@dai98.github.io）
上一篇文章介绍了如何使用深度学习来预测泰坦尼克号幸存者，这一部分使用多分类器投票来做。由于数据预处理部分比较相似，重复的地方不再赘述，把重点放在模型的构建和优化上面。
使用的环境以及依赖包版本：
from matplotlib import pyplot as plt
import matplotlib
import seaborn as...]]></description><category></category></item><item><title><![CDATA[Kaggle实战：泰坦尼克幸存者预测 - 上]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/104257314</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/104257314</guid><author>Kayaobi</author><pubDate>Wed, 19 Feb 2020 12:41:18 +0800</pubDate><description><![CDATA[（文章同步更新于个人博客@dai98.github.io）
  泰坦尼克幸存者预测是Kaggle的入门竞赛，我在一年前作为作业使用传统机器学习模型完成过，当时获得了80%的正确率。现在我想要使用深度学习来解决这个问题，并当作PyTorch的练习，作为在Kaggle起始的象征。
  这个竞赛的核心思路是使用船上人员的各种特征，来预测最后是否在泰坦尼克号下沉的灾难中幸存下来，属于二分类问题。我的思路是...]]></description><category></category></item><item><title><![CDATA[交叉熵损失函数]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/104229972</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/104229972</guid><author>Kayaobi</author><pubDate>Sun, 09 Feb 2020 14:44:05 +0800</pubDate><description><![CDATA[(文章同步更新在@dai98.github.io)
交叉熵(Cross Entropy)是与均值误差(MSE)一样常用的损失函数，用在分类中。
一、分类的损失函数
为什么我们选择交叉熵作为损失函数呢？它与其他的损失函数相比有什么好处呢？我们用下面的例子来说明：
我们训练一个简单的神经网络，来判断图片中的动物是猫、狗还是兔子，用独热码表示最后结果。
模型一




正确答案
猫概率
狗概率
兔子概率...]]></description><category></category></item><item><title><![CDATA[怎样理解异或]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/103886826</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/103886826</guid><author>Kayaobi</author><pubDate>Thu, 09 Jan 2020 10:19:50 +0800</pubDate><description><![CDATA[一、异或
异或是离散数学中逻辑运算的一种二元计算，符号为⊕，当符号前后的两者分别为F和T时，结果才为T，若两者都是F，或两者都是T，则运算结果为F。即，




V1
V2
结果




F
F
F


F
T
T


T
F
T


T
T
F


两个数字也可以做异或操作，首先需要把两个数字转换为二进制，并把每一位的数字两两做如下比较：




V1
V2
结果




0
0
0


0
1...]]></description><category></category></item><item><title><![CDATA[矩阵的QR分解以及在最小二乘法中的应用]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/101260540</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/101260540</guid><author>Kayaobi</author><pubDate>Thu, 10 Oct 2019 12:20:41 +0800</pubDate><description><![CDATA[一、最小二乘法
  最小二乘法是一种数学优化方法，通过最小化误差的平方和来拟合数据点。
二、QR分解
三、最小二乘法中的QR分解
四、参考文献
[3]. UC Berkeley Stat154 讲义
[4]. 最小二乘法

...]]></description><category></category></item><item><title><![CDATA[为什么样本方差要除以n-1]]></title><link>https://blog.youkuaiyun.com/Kayaobi/article/details/100626650</link><guid>https://blog.youkuaiyun.com/Kayaobi/article/details/100626650</guid><author>Kayaobi</author><pubDate>Thu, 12 Sep 2019 11:31:21 +0800</pubDate><description><![CDATA[  这学期在外交换选的大部分是统计学院的课，前几天在课上教授偶然提到了样本方差与样本空间的方差v(x)=1n∑i=1n(xi−xˉ)2v(x)=\frac{1}{n}\sum_{i=1}^n (x_i-\bar x)^2v(x)=n1​∑i=1n​(xi​−xˉ)2不同，样本方差为v(x)=1n−1∑i=1n(xi−μ)2v(x)=\frac{1}{n-1}\sum_{i=1}^n(x_i - \...]]></description><category></category></item></channel></rss>