<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[诚朴求食]]></title><description><![CDATA[个人公众号「诚朴求食」]]></description><link>https://blog.youkuaiyun.com/fengchi863</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fengchi863]]></copyright><item><title><![CDATA[latex公式图片识别(转换为latex语法格式)]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/125410403</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/125410403</guid><author>fengchi863</author><pubDate>Wed, 22 Jun 2022 15:32:51 +0800</pubDate><description><![CDATA[latex公式图片识别(转换为latex语法格式)]]></description><category></category></item><item><title><![CDATA[损失函数MSE和MAE的区别以及如何选择]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/125387045</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/125387045</guid><author>fengchi863</author><pubDate>Tue, 21 Jun 2022 11:09:09 +0800</pubDate><description><![CDATA[损失函数MSE和MAE的区别，如何进行选择]]></description><category></category></item><item><title><![CDATA[Python垃圾回收学习笔记]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/125210726</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/125210726</guid><author>fengchi863</author><pubDate>Thu, 09 Jun 2022 20:50:22 +0800</pubDate><description><![CDATA[python垃圾回收机制学习笔记]]></description><category></category></item><item><title><![CDATA[@property装饰器的用途和意义]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/125179985</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/125179985</guid><author>fengchi863</author><pubDate>Wed, 08 Jun 2022 17:23:33 +0800</pubDate><description><![CDATA[@property是非常好用的装饰器]]></description><category></category></item><item><title><![CDATA[Tensorflow-tf.reshape()详解]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/103050832</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/103050832</guid><author>fengchi863</author><pubDate>Wed, 13 Nov 2019 16:01:19 +0800</pubDate><description><![CDATA[TensorFlow是常用的深度学习框架，在数据准备过程中，我们常常要将数据处理成我们想要的维度，在这里就需要用到reshape语法。
与numpy的reshape类似，其基本语法为：
tf.reshape(tensor, shape, name=None) 

One shape dimension can be -1. In this case, the value is inferred f...]]></description><category></category></item><item><title><![CDATA[机器学习中调优的思路总结]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102792682</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102792682</guid><author>fengchi863</author><pubDate>Tue, 29 Oct 2019 11:00:04 +0800</pubDate><description><![CDATA[在项目、工作中，如果你是作为一个算法工程师或者数据分析师，用到机器学习或深度学习模型的话，会经常遇到模型的结果始终提升不了的瓶颈。在这个时候，我们该怎么做呢？
我对模型的优化进行了一份总结，以后大家遇到类似的模型效果提升不了的时候，就按照这个清单看一遍有哪些自己还没做的，有哪些觉得可以用到的，进行一番尝试。
我主要从以下四个方面进行了一下总结：
1、数据
人们都说，数据决定了模型的上限，而不同的模...]]></description><category></category></item><item><title><![CDATA[python中的直接赋值、浅复制与深复制]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102743434</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102743434</guid><author>fengchi863</author><pubDate>Mon, 28 Oct 2019 11:00:38 +0800</pubDate><description><![CDATA[直接赋值： 其实就是对象的引用（别名）。


浅拷贝(copy)： 拷贝父对象，不会拷贝对象的内部的子对象。


深拷贝(deepcopy)： copy 模块的 deepcopy 方法，完全拷贝了父对象及其子对象。使用时需要import copy


首先这个涉及到

...]]></description><category></category></item><item><title><![CDATA[python的占位符——%]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102680718</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102680718</guid><author>fengchi863</author><pubDate>Tue, 22 Oct 2019 13:57:44 +0800</pubDate><description><![CDATA[在书写python程序的时候，大家经常会遇到格式化输出的情况。每到这种情况，大家如果没有好好总结过这方面的问题，就得需要去网上查找相关的博客。其实在python中，格式化输出都是使用占位符来实现的，下面我就对占位符使用的情况进行了一下总结。
占位符的格式如下：
%[(name)][flags][width].[precision]typecode
不要被上面这一大串给吓唬到了，实际上这也是Pyth...]]></description><category></category></item><item><title><![CDATA[python中@property的用法]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102676652</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102676652</guid><author>fengchi863</author><pubDate>Tue, 22 Oct 2019 09:47:00 +0800</pubDate><description><![CDATA[在绑定属性时，如果我们直接把属性赋值给对象，比如：
p = Person()
p.name= 'Mary'

那么会发生什么事情呢？我们可以按照下面的步骤做个试验。
class Person(object):
    def __init__(self, name, age):
        self.__name = name
        self.__age = age

    def...]]></description><category></category></item><item><title><![CDATA[python日期和时间函数]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102627795</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102627795</guid><author>fengchi863</author><pubDate>Fri, 18 Oct 2019 16:35:31 +0800</pubDate><description><![CDATA[获取当前日期/获取前一天日期/日期加减：
import datetime
today = datetime.date.today()
oneday = datetime.timedelta(days=1)
yesterday = today - oneday
fmt = '%Y%m%d'
yesterday = yesterday.strftime(fmt)
print(yesterday)

字...]]></description><category></category></item><item><title><![CDATA[世界就是一部经济史]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102579448</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102579448</guid><author>fengchi863</author><pubDate>Wed, 16 Oct 2019 09:31:08 +0800</pubDate><description><![CDATA[欢迎关注我的公众号：诚朴求食
文章链接：原文链接
如果我说，世界就是一部经济史，可能有人不会这么觉得。
但如果反观世界上任何一场战争，没有那么多所谓的爱与正义，深究一下，根本原因都是经济。
美国南北战争，南方搞种植，出口棉花，进口日用品，要求国家降关税，利于出口，北方搞工业，怕外国货抢生意，所以要求提关税，减少外来货进入国内，这样南北方在经济上出现了矛盾，从而发生了南北战争。
第二次世界大战，类似...]]></description><category></category></item><item><title><![CDATA[Tensorflow–tf.assign()详解]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/102560329</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/102560329</guid><author>fengchi863</author><pubDate>Tue, 15 Oct 2019 10:50:26 +0800</pubDate><description><![CDATA[tf中的tf.assign()函数非常容易被人误解，如果不是非常透彻理解tensorflow graph和op的概念的话，一不小心就会计算错误。
下面先来看一下源代码中的注释：
def assign(ref, value, validate_shape=None, use_locking=None, name=None):
  """Update 'ref' by assigning 'value...]]></description><category></category></item><item><title><![CDATA[量化投资——IC、IR、RankIC]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/101203639</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/101203639</guid><author>fengchi863</author><pubDate>Wed, 25 Sep 2019 10:28:26 +0800</pubDate><description><![CDATA[在量化投资中，IC和IR是用来计算因子好坏的一个标准。在多因子模型中，IC的值如果大于0.03则可能说明该因子是个不错的因子，和收益率有较大的相关性。那么我们应该如何来计算IC呢，IR又是什么东西呢，我将在本文中对IC、IR的计算方法以及含义进行介绍，并引出RankIC的计算方法。
1、IC
**IC即信息系数（Information Coefficient），表示所选股票的因子值与股票下期收益率...]]></description><category></category></item><item><title><![CDATA[C/C++之STL简介]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/82902012</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/82902012</guid><author>fengchi863</author><pubDate>Sat, 29 Sep 2018 19:48:12 +0800</pubDate><description><![CDATA[C++是一门很复杂的语言，因为其面向对象以及各类继承多态的性质，再包括其中指针的难以理解，导致要想全面的了解C++是非常难的， 一般的开发人员只要做到会用和知道怎么用和大概的底层实现就足够了，下面我们就来说一下C++中STL的特性。
STL（Standard Template Library，标准模板库)是惠普实验室开发的一系列软件的统称。它是由Alexander Stepanov、Meng Le...]]></description><category></category></item><item><title><![CDATA[梯度弥散与梯度爆炸]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/82148926</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/82148926</guid><author>fengchi863</author><pubDate>Tue, 28 Aug 2018 15:37:59 +0800</pubDate><description><![CDATA[

问题描述

先来看看问题描述。 
 
当我们使用sigmoid funciton 作为激活函数时，随着神经网络hidden layer层数的增加，训练误差反而加大了，如上图所示。

下面以2层隐藏层神经网络为例，进行说明。 
 
结点中的柱状图表示每个神经元参数的更新速率(梯度)大小，有图中可以看出，layer2整体速度都要大于layer1.

我们又取每层layer中参数向量的长度来粗略的估...]]></description><category></category></item><item><title><![CDATA[浅谈LR算法的Cost Function]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/82146419</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/82146419</guid><author>fengchi863</author><pubDate>Tue, 28 Aug 2018 13:33:59 +0800</pubDate><description><![CDATA[了解LR的同学们都知道，LR采用了最小化交叉熵或者最大化似然估计函数来作为Cost Function，那有个很有意思的问题来了，为什么我们不用更加简单熟悉的最小化平方误差函数（MSE）呢？

我个人理解主要有三个原因：


MSE的假设是高斯分布，交叉熵的假设是伯努利分布，而逻辑回归采用的就是伯努利分布；
MSE会导致代价函数J(θ)非凸，这会存在很多局部最优解，而我们更想要代价函数是凸函数；
M...]]></description><category></category></item><item><title><![CDATA[深度学习：卷积神经网络]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/80932380</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/80932380</guid><author>fengchi863</author><pubDate>Thu, 05 Jul 2018 20:01:41 +0800</pubDate><description><![CDATA[卷积神经网络是实际应用中最为成功的神经网络。卷积在机器学习中有两个具体的优势：稀疏连接和参数共享。


对一幅图像进行卷积，使用卷积核进行卷积，然后卷积后得到特征映射或者特征图（Feature Map）。卷积就是对数据加权求和。一般而言，卷积使用星号表示卷积的过程，卷积适合交换律。在机器学习中卷积就是就是局部特征乘以对应的权重，然后再累加起来即可。
稀疏连接：在传统的神经网络中，每个神经元都会连接...]]></description><category></category></item><item><title><![CDATA[深度学习：优化器]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/80916427</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/80916427</guid><author>fengchi863</author><pubDate>Wed, 04 Jul 2018 21:19:17 +0800</pubDate><description><![CDATA[在神经网络中经常面对非凸函数的优化问题，所以在平时经常会用到一些网络的优化方法，包括局部最优、鞍点、梯度悬崖和梯度消失问题。


对于大规模的神经网络，大多数的局部最优都有一个比较低的损失值，并且寻找真实的全局最优也不是一个很重要的问题，重要的是在参数空间中找到一个相对较低的局部最优值。（因为全局最优可能过拟合严重，局部最优反而可能更好）
鞍点：是高维数据中一个很突出的问题。鞍点就像是两座山峰的中...]]></description><category></category></item><item><title><![CDATA[深度学习：正则化]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/80890512</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/80890512</guid><author>fengchi863</author><pubDate>Mon, 02 Jul 2018 21:58:36 +0800</pubDate><description><![CDATA[正则化是为了使训练错误率和测试错误率的差距尽可能的缩小。以下为一些方法笔记：


L0范数惩罚：拿高次多项式函数进行说明，将参数不等于0的个数控制在c以内来达到限制模型的目的。
L1范数惩罚：要求参数数值的总和要小于某个数值，这种对参数数值总和的限制就是L1范数惩罚，也叫参数稀疏性惩罚。
L2范数惩罚：把对参数绝对值求和的限制改为对参数的平方求和的限制，也叫权重衰减惩罚。
对于代价函数，常使用MS...]]></description><category></category></item><item><title><![CDATA[深度学习：前馈神经网络]]></title><link>https://blog.youkuaiyun.com/fengchi863/article/details/80856092</link><guid>https://blog.youkuaiyun.com/fengchi863/article/details/80856092</guid><author>fengchi863</author><pubDate>Fri, 29 Jun 2018 14:18:00 +0800</pubDate><description><![CDATA[
神经元模型，由两部分组成。一部分将信号进行累加，得到得分函数，还有偏置项（bias），相当于函数的截距项或者常数项。 
Z=bias+∑i=1mxiwi=∑i=0mxiwiZ=bias+∑i=1mxiwi=∑i=0mxiwiZ=bias+\sum_{i=1}^{m}x_{i}w_{i}=\sum_{i=0}^{m}x_{i}w_{i} 
第二部分是激活函数，这是神经元的关键，通常使用某类激活函数...]]></description><category></category></item></channel></rss>