euzmin的博客

可以有效避免代码问题导致的梯度泄露。

查询所有环境conda info --envs显示结果:# conda environments:#base * /home/zmq/anaconda3myenv /home/zmq/anaconda3/envs/myenv其中 * 表示当前正在使用的环境。激活环境比如想切换到myenv环境，则输入conda activate myenv此指令没有结果输出。然后再查询所有环境可得# conda envir

图1. 识别-估计流程如图1所示，前两章我们学习了如何识别因果效应，将因果量转化为统计量，这一章我们学习如何估计因果效应。首先回忆下之前学过的相关概念。ITE(individual treatment effect):个体因果效应。ITE=Yi(1)−Yi(0)ITE = Y_i(1) - Y_i(0)ITE=Yi​(1)−Yi​(0)ATE(average treatment effect)：平均因果效应ATE=E[Yi(1)−Yi(0)]ATE = E[Y_i(1) - Y_i(0)..

上文我们提到了含有未观测变量的情况，在这种情况下，我们无法block所有后门路径，那么有没有办法可以不满足后门准则也能识别因果效应？（这章篇硬核，建议跟着推一遍）Frontdoor Adjustment如图1所示，W是未观测变量，如果我们能只计算T到Y的直接因果边，自然就能识别T到Y的因果关系了，Frontdoor Adjustment就是奔着这个目标去的，它指出只要T和Y直接有一个mediator（中介者）M，即使不满足后门准则，我们也能计算出因果效应，只要因果图满足Frontdoor criteri

上一章我们从统计学角度学习了贝叶斯网络中点与点的关系，并没有真正涉及因果的重要内容，因为基于的都是条件概率，没有牵扯到干预，而干预是因果很重要的操作，这一章我们从干预开始，进一步学习如何识别因果图中的因果量。首先让我们回顾并正式定义第一章中提到的干预–do操作。The do-operator图1. condition和intervention如图1所示，conditioning和intervening是不同的操作。conditioning on T=t（在T=t条件下）表示我们只关注数据中T=t

上一章我们介绍了潜在结果模型，这一章我们尝试从图的角度理解因果，大家都有图论基础，我就不多赘述图的基本概念了，在因果图里我们主要研究DAG（directed acyclic graph，有向无环图），如图1。...

本文只在博客基础上，在三、指数分布族中有所改动。逻辑回归作为被广泛使用的二分类模型，面试中自然是不可缺少的。但要深刻理解逻辑回归又不是那么容易的，比如说，逻辑回归输出的值是0到1之间的值，这个值是真实的概率吗？逻辑回归为什么要选择sigmoid函数的形式，而不是其他将数值映射到0到1之间的形式？本文试图给出一个尽可能简单明了的分析。一、从一个例子开始假设你在一家金融公司工作，老板交给你...