<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cw199731的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cw199731</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cw199731]]></copyright><item><title><![CDATA[深度学习之损失函数]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/107606183</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/107606183</guid><author>cw199731</author><pubDate>Mon, 27 Jul 2020 10:35:35 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[深度学习之激活函数]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/107605153</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/107605153</guid><author>cw199731</author><pubDate>Mon, 27 Jul 2020 10:15:40 +0800</pubDate><description><![CDATA[1.0 sigmoid激活函数
函数表达式：f(x) = 	1 / (1 + exp(-x))
导数表达式：g(x) = f(x)*(1-f(x))
函数图像：
特点：
1）反向传播算法求解梯度时要进行链式求导，即各个偏导数相乘。由sigmoid导数图像可以看出，当偏导数取值在两边接近0时，连乘得结果会导致所得结果无限接近0，即造成梯度消失现象。
2）幂运算复杂，训练时间长
3）输出非0均值，收敛慢
tensorflow语法：
tf.nn.sigmoid(x)
2.0 Tanh函数
函数表达式：f(x) =]]></description><category></category></item><item><title><![CDATA[深度学习入门---基于tensorflow2.0实现对鸢尾花数据多分类]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/107590873</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/107590873</guid><author>cw199731</author><pubDate>Sun, 26 Jul 2020 13:13:14 +0800</pubDate><description><![CDATA[背景：
1.环境：基于tensorflow 2.0 python
2.网络结构：单层全连接网络结构、4个输入结点，3个输出结点
3.训练损失函数：mse
4.评价指标：准确率
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_dat]]></description><category></category></item><item><title><![CDATA[深度学习＜二＞]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/107345643</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/107345643</guid><author>cw199731</author><pubDate>Tue, 14 Jul 2020 23:00:30 +0800</pubDate><description><![CDATA[本篇主要涉及深度学习中相关的数学知识
讲解的函数都是充分光滑的函数
1. 导数
1.1. 导数
严格定义：

假设如下图片：y轴是位移，x是时间，现在要求特定点的瞬时速度。直观上抠出任意时刻的一点得到的瞬时速度为0，但是如果任意时刻都为0的话，那么不就没有位置变化了吗？这个问题其实就是著名的飞矢不动悖论。
但我们知道单单抠出一个点来谈速度就是扯淡。因为根据速度的定义式：速度=位移/时间。所以对应单一时刻位移差为0，同时分母也为0，因此这个定义从数学上就没有意义可言。但是具体到研究该过程中速度变化状态，我们确]]></description><category></category></item><item><title><![CDATA[深度学习「一」]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/107315763</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/107315763</guid><author>cw199731</author><pubDate>Mon, 13 Jul 2020 16:03:14 +0800</pubDate><description><![CDATA[1. 感知机算法
以上就是从生物学界得到启发后抽象并发展提出的感知机(Perceptron)模型。
说明：
输入向量X的各维特征分量分别乘以各自的权值w，后在求和，添加偏置b，再喂入一个激活函数，得到分类的判定结果。这里的激活函数使用符号函数。
具体数学形式：
???? = ????1 ????1 + ????2 ????2 + ⋯+ ???????? ???????? + ????
向量形式：
???? = ????????????+ ????
添加线性函数：
???? = ????(????) = ??]]></description><category></category></item><item><title><![CDATA[统计学习方法中GDBT简单实现]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/105817200</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/105817200</guid><author>cw199731</author><pubDate>Tue, 28 Apr 2020 16:37:12 +0800</pubDate><description><![CDATA[@[TOC]李航统计学习中GDBT的简单实现
import numpy as np
import math
import matplotlib.pyplot as plt
# 准备数据
x = np.arange(1,11,1)
threshold = np.linspace(1.5,9.5,num=9)
y = np.array([5.56,5.70,5.91,6.40,6.80,7.05,8....]]></description><category></category></item><item><title><![CDATA[（超详细）启动eclipse提示找不到虚拟机解决办法]]></title><link>https://blog.youkuaiyun.com/cw199731/article/details/105281901</link><guid>https://blog.youkuaiyun.com/cw199731/article/details/105281901</guid><author>cw199731</author><pubDate>Thu, 02 Apr 2020 23:05:01 +0800</pubDate><description><![CDATA[1.双击左键进入如下红框标注出来的文件
2.进入后文件内容如下：
3.在行首输入如下内容（1.必须分为两行2.第二行为本机系统中jdk具体安装路径，如果不知道怎么查看自身jdk安装路径，自行百度），保存，退出：
4.双击如下按钮，即可正常启动eclipse!

...]]></description><category></category></item></channel></rss>