<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[左左左左想]]></title><description><![CDATA[本博客已不再更新，请移步新博客：https://zuoxiang95.github.io/]]></description><link>https://blog.youkuaiyun.com/Left_Think</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Left_Think]]></copyright><item><title><![CDATA[numpy入门100题]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/78124030</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/78124030</guid><author>Left_Think</author><pubDate>Thu, 28 Sep 2017 15:23:40 +0800</pubDate><description><![CDATA[本博客仅为作者记录笔记之用，不免有很多细节不对之处。还望各位看官能够见谅，欢迎批评指正。此文中的题目均来自GitHub，完整代码请参考我的GitHub。期待各位的小心心~~~1.初级
导入numpy包，并重命名为np (★☆☆)
打印numpy库的版本 (★☆☆)
输出numpy矩阵的大小 (★☆☆)
如何获取numpy库中某一个函数（如add）的帮助文档 (★☆☆)
创建一个0向量，向量长度为10]]></description><category></category></item><item><title><![CDATA[Tensorflow学习（一）--使用TensorFlow实现线性回归]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/78061675</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/78061675</guid><author>Left_Think</author><pubDate>Fri, 22 Sep 2017 12:36:34 +0800</pubDate><description><![CDATA[本博客仅为作者记录笔记之用，不免有很多细节不对之处。还望各位看官能够见谅，欢迎批评指正。  最近发现自己都没有真正好好学习过TensorFlow，只是看看别人project的代码，然后能跑起来就行，实际自己想要去搭建一些网络还是很困难，因此准备写一个使用TensorFlow实现一些网络的系列。这是第一篇，因此就从最简单的线性回归开始。  首先简单介绍一下线性回归。线性回归的表达式为： 
y=wx+b]]></description><category></category></item><item><title><![CDATA[深度学习--防止过拟合的几种方法]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/77684087</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/77684087</guid><author>Left_Think</author><pubDate>Tue, 29 Aug 2017 18:05:37 +0800</pubDate><description><![CDATA[本博客仅为作者记录笔记之用，不免有很多细节不对之处。还望各位看官能够见谅，欢迎批评指正。  在机器学习和深度学习中，过拟合是一个十分常见的问题，一旦模型过拟合了，可能这个模型就无法适用于业务场景中了。所以为了降低产生过拟合的风险，机器学习中的大牛们提出了以下几种方法供大家使用：
引入正则化
Dropout
提前终止训练
增加样本量
  本文将对这5种方法进行简单的讲解分析。1. 正则化  正则化的思]]></description><category></category></item><item><title><![CDATA[深度学习--激活函数的对比分析]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/77664085</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/77664085</guid><author>Left_Think</author><pubDate>Tue, 29 Aug 2017 09:29:06 +0800</pubDate><description><![CDATA[本博客仅为作者记录笔记之用，不免有很多细节不对之处。还望各位看官能够见谅，欢迎批评指正。  在学习神经网络的时候，你会经常听到一个词：激活函数。在最开始学习的时候，对激活函数总是有很多的疑惑。在日常搭建网络的时候选择激活函数也是很随意，看到大家都说ReLU效果好，就一股脑使用ReLU。通常没去深究一些问题：
激活函数到底是什么？
为什么要使用激活函数？
常用的激活函数有哪些？
这些常用的激活函数有什]]></description><category></category></item><item><title><![CDATA[深入理解支持向量机-SVM]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/76726568</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/76726568</guid><author>Left_Think</author><pubDate>Sat, 05 Aug 2017 17:02:04 +0800</pubDate><description><![CDATA[秋招在即，发现最近一直在做的都是深度学习里的一些项目。机器学习里的一些经典算法快忘光了。想重新再对一些经典的算法整理下，更好的面对即将到来的秋招。今天要总结的是机器学习里比较火的一种算法：支持向量机(Support Vector Machine)。1. 结构风险最小原理  在对支持向量机算法介绍之前，我们需要了解一下在传统的统计学里的一个概念“结构风险最小原理”。  首先我们回想一下，在机器学习中，]]></description><category></category></item><item><title><![CDATA[语音识别：深入理解CTC Loss原理]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/76370453</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/76370453</guid><author>Left_Think</author><pubDate>Sun, 30 Jul 2017 09:58:47 +0800</pubDate><description><![CDATA[最近看了百度的Deep Speech，看到语音识别使用的损失函数是CTC loss。便整理了一下有关于CTC loss的一些定义和推导。由于个人水平有限，如果文章有错误，还恳请各位指出，万分感谢~附上我的github，欢迎各位的follow~~~献出小星星~1. 背景介绍  在传统的语音识别的模型中，我们对语音模型进行训练之前，往往都要将文本与语音进行严格的对齐操作。这样就有两点不太好：
严格对齐要]]></description><category></category></item><item><title><![CDATA[Logistic回归]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/75951721</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/75951721</guid><author>Left_Think</author><pubDate>Mon, 24 Jul 2017 09:06:31 +0800</pubDate><description><![CDATA[众所周知，线性回归主要是用于预测，而当我们所研究的问题是一个分类问题，这里简化为一个二分类（假定两类为0和1）问题的话，由于线性回归目标函数y的输出域为负无穷到正无穷，因此线性回归就无法满足我们的需求。因此，我们就想到要将一般线性回归模型的输出从负无穷到正无穷映射至0到1之间（这里假定为输出的是将样本划分为1的概率），这样当目标函数的输出大于0.5时，我们将该样本划分为1；当目标函数小于0.5时，我]]></description><category></category></item><item><title><![CDATA[Deep Speech：端到端的语音识别]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/75577512</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/75577512</guid><author>Left_Think</author><pubDate>Thu, 20 Jul 2017 20:37:30 +0800</pubDate><description><![CDATA[本文为百度的Deep Speech的论文笔记，本人为深度学习小白，文章内如有错误，欢迎请各位指出~ 
  附上我的github主页，欢迎各位的follow~~~献出小星星~什么是端到端？  对于传统的语音识别，通常会分为3个部分：语音模型，词典，语言模型。语音模型和语言模型都是分开进行训练的，因此这两个模型优化的损失函数不是相同的。而整个语音识别训练的目标（WER：word error rate）与]]></description><category></category></item><item><title><![CDATA[TACOTRON:端到端的语音合成]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/74905928</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/74905928</guid><author>Left_Think</author><pubDate>Sun, 09 Jul 2017 20:50:53 +0800</pubDate><description><![CDATA[由于最近在学习语音识别和语音合成方面的内容，整理了一些东西，本文为论文tacotron的笔记。tacotron主要是将文本转化为语音，采用的结构为基于encoder-decoder的Seq2Seq的结构。其中还引入了注意机制（attention mechanism）。在对模型的结构进行介绍之前，先对encoder-decoder架构和attention mechanism进行简单的介绍。其中纯属个人]]></description><category></category></item><item><title><![CDATA[spark中查询PG数据库老是报无法找到该列]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/53412626</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/53412626</guid><author>Left_Think</author><pubDate>Wed, 30 Nov 2016 19:46:50 +0800</pubDate><description><![CDATA[最近学习spark的过程中，发现在使用spark中的sql语句查询数据的时候老是报错： 
16/11/30 19:38:42 ERROR Executor: Exception in task 0.0 in stage 2.0 (TID 2) 
org.postgresql.util.PSQLException: ERROR: column “studentid” does not exist]]></description><category></category></item><item><title><![CDATA[scala学习-trait学习]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/52540614</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/52540614</guid><author>Left_Think</author><pubDate>Wed, 14 Sep 2016 18:07:02 +0800</pubDate><description><![CDATA[trait是scala中代码复用的基础单元。特质中封装了一些方法和字段，可以通过混入到类中来重用他们。
定义trait的方法：
trait ConsoleLogger{ 
    def logger(msg: String) = {println(msg)} 
}与类的继承不同，一个子类只能继承自唯一的超类，而一个类中可以混入多个特质。特质的定义与类定义除关键字不同以外，基本无大的差异。
特质同样]]></description><category></category></item><item><title><![CDATA[scala学习]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/52495990</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/52495990</guid><author>Left_Think</author><pubDate>Sat, 10 Sep 2016 17:23:36 +0800</pubDate><description><![CDATA[关于构造器

在scala中，构造器存在于类中，是整个类体。而构造器所需的所有参数都在类名称之后。看scala编程一书中的一个例子：    


class Ration(a:Int, b:Int){
    require(b != 0)

    override def toString: String = {a + " / " + b}

    def add(p: Ration): R]]></description><category></category></item><item><title><![CDATA[R语言__数据处理2列表]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/42421591</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/42421591</guid><author>Left_Think</author><pubDate>Mon, 05 Jan 2015 13:46:14 +0800</pubDate><description><![CDATA[列表

    R语言中的列表与向量不同，在单个向量中所存放的数据类型必须一致，而列表却不同，它可以组合多种不同类型的对象，且列表的每一个组件可以是不同的长度。

    1.创建列表：
      通过list函数进行创建列表


    2.列表的索引：
      在列表a中索引age这一列：
      a.通过列表+组件名进行索引


      b.通过列表+]]></description><category></category></item><item><title><![CDATA[R语言___数据处理1向量]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/42105897</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/42105897</guid><author>Left_Think</author><pubDate>Tue, 23 Dec 2014 18:09:06 +0800</pubDate><description><![CDATA[一.向量
1.构造向量
   在R语言里，通过函数c来建立一个向量。（注意：向量内的数据类型必须一致。）
    example：a 
   （1）查看向量的类型，用mode（向量名）
 
   （2）在向量中实现索引
    在向量a中得到大于等于3的数
     a.用subset函数.
       subset函数的第一个参数是要索引的向量，第二个参数是索引条件。]]></description><category></category></item><item><title><![CDATA[关联规则（一）]]></title><link>https://blog.youkuaiyun.com/Left_Think/article/details/41213815</link><guid>https://blog.youkuaiyun.com/Left_Think/article/details/41213815</guid><author>Left_Think</author><pubDate>Mon, 17 Nov 2014 18:50:02 +0800</pubDate><description><![CDATA[关联规则]]></description><category></category></item></channel></rss>