Andrew_jdw的博客

#include <torch/script.h> // One-stop header. #include <iostream>#include <memory> int main() { // Deserialize the ScriptModule from a file using torch::jit::load(). std::shared_ptr<torch::jit::script::Module> module = torch.

首先介绍一个算法：coordinate-wise minimization问题的描述：给定一个可微的凸函数，如果在某一点x，使得f(x)在每一个坐标轴上都是最小值，那么f(x)是不是一个全局的最小值。形式化的描述为：是不是对于所有的d，i都有这里的代表第i个标准基向量。答案为成立。这是因为：但是问题来了，如果对于凸函数f，若不可微该会怎样呢？答案为不成立，上面的图片就给出了一个反例。那么同样的问题，现在，其中g是可微的凸函数，每一个hi都是凸的？答案为成立。证明如下，对每

logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。自变量既可以是连续的，也可以是分类的。#1.理论推导#2.怎么使用逻辑回归进行多分类：我们已经知道，普通的logistic回归只能针对二分类(Binary Classification)问题，要想实现多个类别的分类，我们必须要改进logistic回归，让其适应多分类问题。关于这种改进，有两种方式可以做到。（1）第一种方式是直接根据每个类别，都建立一个二分类器，带有这

1.朴素贝叶斯原理推导2.常见模型不同的朴素贝叶斯分类器的区别主要在于它们对P(x_{i} |y_{k} )分布的假设不同。尽管它们的假设显然过于简化，但naive Bayes分类器在许多实际情况下都能很好地工作，比如著名的文档分类和垃圾邮件过滤。它们需要少量的训练数据来估计必要的参数。(由于理论上的原因，naive Bayes工作得很好，以及它工作的数据类型，请参阅下面的参考资料。)Naive Bayes learners and classifiers can be extremely fas

粒子群优化算法(详细易懂_很多例子)在实现的过程中由于对其算法理解不够遇到了一些小问题。于是又找到了上面这篇文章加深了理解。#实现过程##1.初始化（1）种群规模，即代码中的pop,为整数（2）取值范围lower，upper（3）初始化位置，x，求得对于适应值fitness,当前历史最优值pbest_x,pbest_y就设置为对应的x和fitness，当前全局最优gbest_x,gbest_y设置为pbest_x和pbest_y对应的最优位置。初始化速度v为随机值.##2.根据fitnes

1.配置环境windows10 + VisualStudio2017community + YOLOV3cuda10.0.130_411.31cunn-10.0-v7.6.5.32opencv3.2常规windows sdk版本 10.0.19041.0（10.0.17763.0）平台工具集 Visual Studio 2017(V141)C++ —常规KaTeX parse error: Undefined control sequence: \include at position 1

在学习Andrew Ng的课程的随机梯度下降算法时，想着去实现一下，就自定了一个一次函数来进行尝试：使用python3生成随机数：import pandas as pdimport numpy as npimport randomimport matplotlib.pyplot as pltX = np.random.randint(1,10,5)Y = 1 + 2*Xd...

归纳和演绎是科学推理的两大基本手段。归纳是从特殊到一般的“泛化”过程，即从具体的事实归结出一般性规律。演绎是从一般到特殊的“特化”过程，即从基础原理推演出具体情况。“奥卡姆剃刀”（Occam's razor）是一种常用的、自然科学研究中最基本的原则，即“若有多个假设与观察一致，则选最简单的那个”。1.经验误差与过拟合       学习器在训练集上的误差称为训练误差（traini...

Softmax 与 Sigmoid 的 异同  Softmax Sigmoid 公式 本质 离散概率分布 非线性映射 任务 多分类 二分类 定义域 某个一维向量 单个数值 值域 [0,1] （0,1） 结果之和 一定为1 为某个正数 Sigmoid...

面向对象编程的思想：https://blog.youkuaiyun.com/Andrew_jdw/article/details/82151275将实现感知器任务划分成以下几个部分：初始化感知器，包括权重和偏置项的初始化（设置激活函数以及输入参数的个数） 根据输入计算结果 根据计算的结果迭代更新权重和偏置项 输出最终结果注：可以将第三步进行分解，将更新独立出来，再每次迭代进行更新。 ...

 感知机理论链接：https://www.zybuluo.com/hanbingtao/note/433855import numpy as np#定义激活函数def acti_fun(x): return 1 if x &gt; 0 else 0#创建感知器类class Perception(object): #初始化权重 def __init__(sel...

import numpy as npdef MDS(D,d): D = np.asarray(D) DSquare = D ** 2 totalMean = np.mean(DSquare) columnMean = np.mean(DSquare, axis = 0) rowMean = np.mean(DSquare, axis = 1) ...