麦田里的守望者

原文0 代码import的包from matplotlib import pyplot as pltfrom matplotlib.pyplot import savefigimport numpy as npimport pandas as pdfrom statsmodels.graphics.tsaplots import plot_acfimport matplotlib.gridspec as gs1 散点图1.1 normal scatterdef scatter():

原文本文将会使用大量的图片和公式推导通俗易懂地讲解RNN,LSTM,Seq2Seq和attention注意力机制（结合colah’s blog 和CS583），希望帮助初学者更好掌握且入门，若有已经掌握RNN，LSTM的读者自行跳过阅读即可,更详细的讲解在Seq2Seq,Attention那。目录RNNLSTMSeq2Seq注意力机制参考1 RNN（递归神经网络）我们知道人类并不是从零开始思考东西，就像你读这篇文章的时候，你对每个字的理解都是建立在前几个字上面。你读完每个字后并不是

原文一篇让你很容易理解什么是梯度下降的博客0 什么是梯度下降梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景：一个人被困在山上，需要从山上下来(i.e. 找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视度很低。因此，下山的路径就无法确定，他必须利用自己周围的信息去找到下山的路径。这个时候，他就可以利用梯度下降算法来帮助自己下山。具体来说就是，以他当前的所处的位置为基准，寻找这个位置最陡峭的地方，然后朝着山的高度下降的地方走，同理，如果我们的目标是上山，也就是爬到山顶，那么此

原文学科：数字图像处理（Digital Image Processing -video）作者：zhuhonggen计算机视觉入门基础0概念介绍0.1数字图像处理概念0.1.1图像的高频分量和低频分量总得来说，低频分量（低频信号）代表着图像中亮度或者灰度值变化缓慢的区域，也就是图像中大片平坦的区域，描述了图像的主要部分。高频分量（高频信号）对应着图像变化剧烈的部分，也就是图像的边缘（轮廓）或者噪声以及细节部分。之所以说噪声也对应着高频分量，是因为图像噪声在大部分情况下都是高频的。低频分量

原文1 图像的高频和低频成分形象一点说：亮度或灰度变化激烈的地方对应高频成分，如边缘；变化不大的地方对于低频成分，如大片色块区画个直方图，大块区域是低频，小块或离散的是高频把图像看成二维函数，变化剧烈的地方就对应高频，反之低频。举个通俗易懂的例子：一幅图象，你戴上眼镜，盯紧了一个地方看到的是高频分量摘掉眼镜，眯起眼睛，模模糊糊看到的就是低频分量。图像的高低频是对图像各个位置之间强度变化的一种度量方法.低频分量:主要对整副图像的强度的综合度量.高频分量:主要是对图像边缘和轮廓的度量.如果一

原文1 卷积神经网络一篇很好的关于理解卷积神经网络的博客（博客中的filter助手表示的是卷积核的意思）一篇关于如何搭建CNN的博客知乎回答：能否对卷积神经网络工作原理做一个直观的解释？机器视角：长文揭秘图像处理和卷积神经网络架构|该文原文定义：卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pool

原文1 需要的环境配置Anaconda环境，Anaconda安装教程CUDA，CUDA下载，这里需要注意CUDA、cuDNN、tensorflow的对应版本，对应版本查询cuDNN，cuDNN下载，这里需要注册tensorflow-gpukeras2 CUDA安装与配置进入CUDA下载页面选择对应的CUDA版本：选择一个需要下载的版本，然后选择系统以及安装方式进行安装。2.1 这里以本地安装（local）为例：你可以选择精简安装和自定义安装:精简安装：安装默认需要的包，这里

原文0 A few more concept you need to know0.1 什么是bagging和boosting|linkbagging：Bagging是Bootstrap Aggregating的英文缩写,是指一种有放回采样boosting：提升方法（Boosting），是一种可以用来减小监督式学习中偏差的机器学习算法。面对的问题是迈可·肯斯（Michael Kearns）提出的：一组“弱学习者”的集合能否生成一个“强学习者”？弱学习者一般是指一个分类器，它的结果只比随机分类好一点点；