bagba的知识分享库

最近需要用到CCA（CANONICAL CORRELATION ANALYSIS），典型相关分析, 所以查了一些资料，本文主要内容参考于UCLA的一个统计课：https://stats.oarc.ucla.edu/stata/dae/canonical-correlation-analysis/

如何证明向量内积公式。一图看懂。

一图看懂TP,TN,FP,FN,F1,TPR,FPR

在深度学习中，对某一个离散随机变量X进行采样，并且又要保证采样过程是可导的（因为要用梯度下降进行权重更新），那么就可以用Gumbel softmax trick。属于重参数技巧(re-parameterization)的一种。首先我们要介绍，什么是Gumbel distribution，然后再介绍怎么用到梯度下降中，最后是用pytorch实现它。

Sampling核心问题是如何根据一定的分布产生随机变量.先考虑一个随机变量的例子。方法一：Function Transformatione.g.1: Given a cumulative distribution function,Fx(x)=∫−∞xp(τ)dτ. F_x(x)=\int_{-\infty}^xp(\tau)d\tau.Fx​(x)=∫−∞x​p(τ)dτ.then we derive a closed form inverse function uuu of F:u:=

[Source From: https://www.countbayesie.com/blog/2017/5/9/kullback-leibler-divergence-explained]Since the origin source cannot interpret the latex, so it is convient to read here.---------------------------------------------------Kullback-Leibler Diverge

近日需要用到一些互信息的知识，于是又重新学习了一些信息论知识，上一次学习信息论还是8年前杨洁老师的课上。信息熵熵（Entropy）最早概念来源于热力学，玻尔兹曼，普朗克扩展了热力熵：S=klog⁡ΩS = k\log \OmegaS=klogΩ, kkk 为常数，Ω\OmegaΩ为微观态数. 香农提出了平均信息熵H(X)=−∑x∈Xp(x)log⁡p(x)H(X)=-\sum_{x\in X}p(x)\log p(x)H(X)=−∑x∈X​p(x)logp(x)，来衡量信息的量，XXX是一个离散的随机变

function [x,y,resh] = mysaddle(B,c,d,alg,tol,maxiter)%% Solve minimax problem:% min_x max_y f(x,y) = x'By + c'x + d'y% Inputs:% (B,c,d) is the problem data where B is m by n (m <= n) and d is in% the range of B'. Parameter alg specifies one of the

Power Method Matlab Code