m0_51594476的博客

原创 PCA主成分分析

原创 假设空间理解

我们也可以将学习过程看作一个在所有假设组成的空间中进行搜索的过程，搜索目标是找到与训练集"匹配"的假设，即能够将训练集中的瓜判断正确的假设。监督学习（supervised learning）的任务是学习一个模型，使模型能够对任意给定的输入，对其相应的输出做出一个好的预测。原文链接：https://blog.youkuaiyun.com/qq_44528283/article/details/120909321。模型属于由输入空间到输出空间的映射的集合，这个集合就是假设空间(hypothesis space)。

原创 机器学习“判定模型”和“生成模型”有什么区别？

具体来说，机器学习已知X，从Y的候选集合中选出一个来，可能的样本有(X,Y_1), (X,Y_2), (X,Y_3),……HMM等都是生成式模型，熟悉Naive Bayes的都知道，对于输入X，需要求出好几个联合概率，然后较大的那个就是预测结果~（根本原因个人认为是对于某示例X_1，对正例和反例的标记的联合概率不等于1，即P(Y_1,X_1)+P(Y_2,X_1)<1，要遍历所有的X和Y的联合概率求和，即sum(P(X,Y))=1）在机器学习中任务是从属性X预测标记Y，判别模型求的是P(Y|X)，即。

原创 TensorBoard中展示网络模型中images参数的用法

然后，我们加载了一个预训练的模型，并使用 Pillow 库加载了一张图像。接下来，我们将图像数据转换为 NumPy 数组，并将其转换为 PyTorch 的张量（Tensor）。最后，我们使用 add_graph() 方法将图像数据传递给模型，并将其添加到 TensorBoard 中进行可视化。通常情况下，images 参数用于记录模型训练过程中的图像数据。你可以将图像数据传递给 add_graph() 方法，以便在 TensorBoard 中可视化模型的结构和训练过程。# 将图像数据转换为 Tensor。