faker1895的博客

神经网络和深度学习logistic 回归对于二元分类问题来讲，给定一个输入特征向量 XXX，它可能对应一张图片，你想识别这张图片看它是否是一只猫或者不是一只猫，你想要一个算法能够输出预测，你只能称之为 y^\hat{y}y^​，也就是你对实际值 yyy 的估计。XXX 是一个 nxn_xnx​ 维的向量（相当于有 nxn_xnx​ 个特征的特征向量）。我们用 www 来表示逻辑回归的...

神经网络和深度学习神经网络基础二分分类在神经网络的计算中，通常先有一个叫做前向传播的步骤，接着有一个叫做反向传播的步骤。逻辑回归是一个用于二分类(binary classification)的算法。这里有一个二分类问题的例子，假如你有一张图片作为输入，如果识别这张图片为猫，则输出标签1作为结果；如果识别出不是猫，那么输出标签0作为结果。现在我们可以用字母 yyy 来表示输出...

神经网络和深度学习神经网络基础计算图可以说，一个神经网络的计算，都是按照前向或反向传播过程组织的，计算图解释了为什么我们用这种方式组织这些计算过程。首先我们计算出一个新的网络的输出（前向过程），紧接着进行一个反向传输操作，后者我们用来计算出对应的梯度或导数。我们尝试计算函数 JJJ，JJJ 是由三个变量 a,b,ca, b, ca,b,c 组成的函数，这个函数是 3(a+b...

神经网络和深度学习深度学习引言神经网络的监督学习在监督学习中你有一些输入 xxx，你想学习到一个函数来映射到一些输出 yyy，比如我们之前提到的房价预测的例子，你只要输入有关房屋的一些特征，试着去输出或者估计价格 yyy。如今应用深度学习获利最多的一个领域，就是在线广告。具体就是通过在网站上输入一个广告的相关信息，因为也输入了用户的信息，于是网站就会考虑是否向你展示广告。神经网络...

神经网络和深度学习深度学习引言欢迎深度学习改变了传统互联网业务，例如如网络搜索和广告。但是深度学习同时也使得许多新产品和企业以很多方式帮助人们，从获得更好的健康关注。深度学习做的非常好的一个方面就是读取 X 光图像，到生活中的个性化教育，到精准化农业，甚至到驾驶汽车以及其它一些方面。事实证明，构建机器学习系统的策略改变了深度学习的错误。举个例子：你分割数据的方式，分割成训...

神经网络和深度学习神经网络基础梯度下降法梯度下降法可以在你测试集上，通过最小化代价函数（成本函数）J(w,b)J(w, b)J(w,b) 来训练的参数 www 和 bbb。梯度下降法的形象化说明：在这个图中，横轴表示你的空间参数 www 和 bbb；在实践中，www 可以是更高的维度，但是为了更好地绘图，我们定义 www 和 bbb 都是单一实数；代价函数（成本函数）J...

第二章 面试需要的基础知识面试官谈基础知识C++ 的基础知识，如面向对象的特性、构造函数、析构函数、动态绑定等，能够反映出应聘者是否善于把握问题本质，有没有耐心深入一个问题。另外还有常用的设计模式、UML 图等，这些都能体现应聘者是否有软件工程方面的经验。对基础知识的考查需要特别重视 C++ 中对内存的使用管理。内存管理是 C++ 程序员特别注意的，因为内存的使用和管理会影响程序的...

第一章 面试的流程面试官谈面试对于初级程序员，一般会偏向考察算法和数据结构，看应聘者的基本功；对于高级程序员，会多关注专业技能和项目经验。应聘者要事先做好准备，对公司近况、项目情况有所了解，对应聘的工作很有热情。另外，应聘者还要准备好合适的问题问面试官。应聘者在面试过程中首先需要放松，不要过于紧张，这有助于后面解决问题时开拓思路。其次不要急于编写代码，应该先了解清楚所要解决的...

线性分类损失函数从图像像素值到所属类别的评分函数（score function）的参数是权重矩阵 W。在函数中，数据 (xi,yi)(x_i,y_i)(xi​,yi​) 是给定的，不能修改。但是我们可以调整权重矩阵这个参数，使得评分函数的结果与训练数据集中图像的真实类别一致，即评分函数在正确的分类的位置应当得到最高的评分（score）。我们将使用损失函数（Loss Funct...

图像分类图像分类、数据驱动方法和流程图像分类目标：介绍图像分类问题所谓图像分类问题，就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。计算机视觉领域中很多看似不同的问题（比如物体检测和分割），都可以被归结为图像分类问题。例子：以下图为例图像分类模型读取该图片，并生成该图片属于集合 {cat, dog, ...

线性分类线性分类器简介图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。k-Nearest Neighbor （k-NN）分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest Neighbor 分类器存在以下不足：分类器必须记住所有训练数据并将其存储起来，以便于未来测试数据用于比较。这在存储空间上...

图像分类验证集、交叉验证集和超参数调优用于超参数调优的验证集k-NN 分类器需要设定 k 值，那么选择哪个 k 值最合适的呢？我们可以选择不同的距离函数，比如 L1 范数和 L2 范数等，那么选哪个好？还有不少选择我们甚至连考虑都没有考虑到（比如：点积）。所有这些选择，被称为超参数（hyperparameter）。在基于数据进行学习的机器学习算法设计中，超参数是很常见的。一般说来...