墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
304平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
又叫马尔科夫随机场,是一种概率无向图模型.
HMM和马尔科夫随机场都是对联合分布进行建模,所以都是生成式模型.条件随机场对条件概率建模,所以是判别模型.
团:无向图中节点的一个子集,如果其中任意两个节点都有边连接,那就成为一个团
极大团:不能被其他团包含的团.每个节点都至少在一个极大团中.
分离集:如果节点集A和节点集B被节点集C分离,那么C被称为分离集.
全局马尔可夫性:给定两个子集的分离集,那么两个子集条件独立.P(A,B|C)=P(A|C)P(B|C)
信贷审批中的那些坑：从零开始搭建风控策略体系的5个关键步骤
本文深入探讨了信贷审批中的风控策略体系搭建，从数据陷阱识别、规则冲突诊断到反欺诈攻防，提供了5个关键步骤的实战指南。重点解析了如何通过特征工程、决策树优化和模型可解释性技术，构建动态平衡的风控体系，有效降低逾期风险并提升审批效率。
机器学习：《统计学习方法》笔记（二）—— 条件随机场（CRF）
参考：《统计学习方法》——李航； 摘要 介绍条件随机场的基本概念、概率计算、学习方法、预测方法等内容。 正文 1.基本概念 1.1 什么是条件随机场 条件随机场的定义为：X和Y都是随机变量，是给定X条件下Y的条件概率分布。若Y可以构成一个由无向图表示的马尔可夫随机场，即 对任意成立，则称为条件随机场。 其中指在无向图中除之外的所有点，指与相连的所有点。 1.2 什么是概率...
解放双手：用KUKA示教器白键一键触发复杂工艺，自定义你的快捷指令
本文详细介绍了如何利用KUKA示教器的工艺白键功能，通过自定义快捷指令一键触发复杂工艺，显著提升自动化产线效率。文章涵盖UserTech技术栈解析、KRL脚本封装、人机交互视觉工程及工业实战策略，帮助工程师实现机械臂操作的高阶优化。
统计学习方法笔记（十五）条件随机场（三）
条件随机场的预测算法 预测问题：给定条件随机场P(Y|X)P(Y|X)P(Y|X) 和输入序列（观测序列）x，求条件概率最大的输出序列y∗y∗{y^*} 。条件随机场的预测算法是著名的维特比算法。 y∗=argmaxyPw(y|x)=argmaxy(wF(y,x))y∗=argmaxyPw(y|x)=argmaxy(wF(y,x)){y^*} = \arg \mathop {\max ...
Jetson AGX ORIN硬件初始化和环境部署
orin预安装了ubuntu20.04，只需开机，像重装系统一样设置用户信息即可，可以参考官网的教程[https://developer.nvidia.com/embedded/learn/get-started-jetson-agx-orin-devkit]，官网提供了两种方式：一种是orin + 显示器，orin有提供DP接口，你需要准备一台显示器，最好也是有DP口的，因为我用DP转HDMI的连的，分辨率会受影响。确认安装的路径，一般直接回车安装在默认的 /home/你的名字/anaconda3。
Dify+MCP 双剑合璧：告别知识库模糊统计，让AI精准查询数据库数据！
本文详细介绍了如何通过Dify和MCP的结合，解决知识库在数据库查询中的模糊统计问题。通过MCP中间件将自然语言实时转换为SQL语句，实现精准数据查询，并支持SSE协议持续更新数据。文章包含MySQL环境搭建、MCP服务端部署、Dify工作流配置等实战步骤，帮助用户高效构建智能数据库查询系统。
【统计学习方法-李航-笔记总结】十一、条件随机场
本文是李航老师《统计学习方法》第十一章的笔记，欢迎大佬巨佬们交流。 主要参考博客: https://www.cnblogs.com/YongSun/p/4767734.html 主要内容： 1. 概率无向图模型 2. 条件随机场的定义与形式 3. 条件随机场的概率计算问题 4. 条件随机场的学习算法 5. 条件随机场的预测算法 条件随机场(conditional r...
Jetson AGX Orin边缘AI实战：用YOLOv8做目标检测，我的环境配置踩坑与优化记录
本文详细记录了在Jetson AGX Orin上部署YOLOv8目标检测模型的环境配置与优化过程。从JetPack版本确认、PyTorch安装陷阱到Torchvision编译技巧，再到YOLOv8部署和系统级优化，提供了完整的实战指南。特别针对边缘AI设备的特性，分享了CUDA加速、内存管理等性能调优经验，帮助开发者高效完成工业级AI应用部署。
[CRF] 条件随机场 统计学习方法例11.3 代码实践
def viterbi_CRF(y, t, s): """ 统计学习方法例11.3 :param y: 输出序列 :param t: 转移特征 [序列*y标记矩阵*[yi-1,yi]] :param s: 状态特征 [序列*y标记] :return: 最优路径的状态索引、概率最大值矩阵、节点矩阵 """ y_lable = len(t...
【数据挖掘】心跳信号分类预测 之 特征工程 —— 学习笔记（三）
三、特征工程 3.1 看书 常言道，“巧妇难为无米之炊”。在 ML 中，数据和特征将作“米”，模型和算法则为“妇”。若无数量充足的数据、良好表示的特征，再强大的模型也难以得到满意的结果 (garbage in，garbage out)。对于 ML 问题，数据和特征往往决定了结果的上限，而模型、算法的选择及优化则是在逐步接近该上限。 特征工程，顾名思义，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。在本质上，特征工程是一个表示和展现数据的过程。在实际中，特征工程旨在去除...
极简JEPA世界模型实战：低门槛复现LeWorldModel，CPU可跑
这次我们来看一个能让普通开发者真正上手跑起来的“世界模型”项目。如果你对Yann LeCun提出的JEPA（联合嵌入预测架构）框架感兴趣，但又苦于Meta官方实现过于庞大复杂，那么这个GitHub上4k star的项目就是为你准备的。它用极简的PyTorch代码（核心文件仅160-278行）完整复刻了包括LeWorldModel在内的五个JEPA核心变体，最大的亮点是： 门槛极低，普通笔记本甚至CPU就能跑，显存占用友好，非常适合学习和原理验证。 这个项目名为 keon/jepa ，完全开源。它剥离了工业级
【条件随机场的定义】11.8条件随机场的核心性质 公式解析
公式(11.8)定义了条件随机场的核心性质，即条件随机场在给定输入条件X下的马尔可夫性。
2026终极反反爬：Canvas/WebGL/字体指纹全维度伪装，应对浏览器检测实战指南
本文分享了2026年浏览器指纹检测现状及全维度伪装方案。当前反爬系统采用多维度联合指纹检测，重点针对硬件级（WebGL、Canvas）、系统级（字体、CPU）和行为级（鼠标移动）指纹。作者设计了一个独立的指纹伪装引擎，包含真实设备指纹库、指纹生成器和统一注入层，通过JS沙箱隔离实现伪装。核心方案包括：Canvas指纹通过真实设备渲染差异添加微偏移；WebGL指纹完整劫持上下文返回真实显卡参数；字体指纹劫持measureText方法模拟不同系统字体宽度。该方案实测可连续运行一个月零封号，解决了传统方法易被检测
【条件随机场的简化形式】11.13特征函数表示为一个全局的特征值累加 公式解析
公式(11.13)的作用是通过对序列中每个位置的特征函数值fk(yi−1,yi,x,i)进行求和，得到该特征函数在整个序列上的总贡献。这种形式简化了条件随机场模型的公式表达，为后续的概率计算和参数优化提供了基础。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
【条件随机场的学习算法】11.36转移特征函数tk的期望值EP~[tk]更新方程 公式解析
公式(11.36)定义了特征函数tk在训练数据分布P~(x,y)下的期望值，并通过分解联合分布和引入模型分布P(y∣x)的修正项exp(δkT(x,y))，为参数更新提供了核心依据。在CRF的学习算法中，该公式用于调整模型参数，使模型分布更好地拟合训练数据。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
【条件随机场的学习算法】11.38所有特征函数的总和T(x,y) 公式解析
公式(11.38)定义了特征总和T(x,y)，即所有特征函数在给定输入x和标签y下的加权和。它是条件随机场模型计算条件概率Pw(y∣x)的核心部分，反映了模型对标签序列y的打分。通过最大化对数似然函数，模型会调整参数wk以优化T(x,y)，从而提高模型对训练数据的拟合程度。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
【条件随机场的简化形式】11.12转移特征和状态特征的统一表达形式 公式解析
公式 (11.12) 通过将转移特征函数tk和状态特征函数sl统一为fk，大大简化了条件随机场的数学表达。这种统一形式为后续公式的向量化表示和模型优化提供了基础。
【条件随机场的概率计算问题】概率计算-11.32位置i上标签yi的条件概率的公式 解析
公式(11.32)是条件随机场（CRF）模型中用前向向量αi(yi∣x)和后向向量βi(yi∣x)计算位置i上标签yi的条件概率的公式。它是前向-后向算法的核心应用之一，用于高效计算标签的边缘概率。具有以下特点：高效性：避免直接枚举所有路径；递归性：前向和后向向量可以递归计算；归一化：通过归一化因子确保输出是合法的概率分布。在序列标注任务中，公式(11.32)是条件概率计算的核心工具，可用于预测每个位置的最优标签。
【条件随机场的学习算法】11.37状态特征函数sl的期望值EP~[sl]更新方程 公式解析
公式(11.37)定义了状态特征函数sl的期望值。它通过将经验分布P~(x,y)分解为边缘分布P~(x)和条件分布P(y∣x)，引入参数修正量δK1+l来实现状态特征在模型分布下的动态调整。在 改进的迭代尺度法（IIS） 中，该公式用于计算状态特征的期望值，为参数更新提供依据，目标是让模型的预测分布逐渐逼近真实数据分布。
【条件随机场的简化形式】11.19向量内积的形式表达条件概率 公式解析
公式(11.19)的核心思想是用向量化的形式统一特征函数和权重，简化条件概率的表示。通过向量内积w⋅F(y,x)计算未归一化分数，再通过归一化因子Zw(x)将其转换为合法的概率分布。这种形式为CRF的数学表示和优化计算提供了简洁高效的框架。
【条件随机场的概率计算问题】后向算法-11.30后向向量的递归计算公式 解析
公式(11.30)是条件随机场（CRF）后向向量的递归计算公式，用于从终点向前计算未归一化路径概率。通过矩阵Mi(x)和后向向量βi+1(x)的逐步累加，从终点状态开始递归向前，直到起点。本文还给出了计算示例，演示了详细的计算过程。
【条件随机场的概率计算问题】概率计算-11.33相邻两个标签Yi−1和Yi的联合条件概率的公式 解析
公式(11.33)是条件随机场（CRF）模型中用于计算相邻两个标签Yi−1和Yi的联合条件概率的公式，它是基于前向向量αi−1、后向向量βi、以及转移矩阵Mi计算的。分子部分：前向部分：表示到标签yi−1的路径概率。转移部分：表示从yi−1到yi的转移概率。后向部分：表示从yi到终点的路径概率。分母部分：归一化因子Z(x)确保概率总和为1。用途：可以用于计算边缘概率（如P(Yi−1,Yi∣x)），是CRF模型在序列标注任务中的关键工具。
【条件随机场的概率计算问题】前向算法-11.27前向向量递归计算的核心公式 解析
公式(11.27)是条件随机场（CRF）前向向量递归计算的核心公式，用于计算某位置i上，输出标签为yi的所有可能路径的未归一化概率。通过逐步累加路径概率高效地计算条件随机场模型的前向向量，为归一化因子和条件概率的计算奠定了基础。本文还给出了一个详细的计算示例，演示了计算过程和变量的数据类型。
统计学习方法11—条件随机场
序 为了不学迷糊，条件随机场这儿应该理一理它与其他概率图模型的关系和区别。上一文讲的隐马尔可夫模型（HMM）是经典的有向图模型，同时也是一个生成模型，通过对\(P(Y,X)\)建模得到。HMM有两个重要假设，通过上文的推导过程也能体会到，这两个假设大大简化了计算过程。但是实际应用中，这两个假设往往不是很合理，后面出现了 最大熵马尔可夫模型（MEMM），它消除观测独立的假设，本文要讲的...
《统计学习方法》—— 11. 条件随机场
后面将更新本块的代码实现，本文主要是在阅读过程中对本书的一些概念摘录，包括一些个人的理解，主要是思想理解不涉及到复杂的公式推导。会不定期更新，若有不准确的地方，欢迎留言指正交流 第 11 章 条件随机场 条件随机场（Conditional random field,CRF） 是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔可夫随机场。 马尔科夫...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
416
扫一扫
