自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

上一步保存

qq_40604352的博客

hj_cheng29 优快云认证博客专家优快云认证企业博客

码龄8年

暂无认证

91: 原创

31万+: 周排名

74万+: 总排名

6万+: 访问

: 等级

1342: 积分

83: 粉丝

75: 获赞

32: 评论

174: 收藏

私信

关注

分类专栏

机器学习 6篇
聚类 1篇
PTA练习题 22篇
PTA天梯赛 23篇
esp8266 3篇

最新评论

（C语言复习）1029 旧键盘 (20分) 测试点4分析
神神神神奈: 关于最后一个测试点，能否举例说明？
6-7 在一个数组中实现两个堆栈 (20分)
HUGE467: 分配存储空间
7-19 求链式线性表的倒数第K项 (20分)
Data_Dtructure: #include<iostream> using namespace std; typedef struct Lnode{ int data; struct Lnode *next; }Lnode,*LinkList; LinkList tail(LinkList &L){ L = new Lnode; Lnode* s, *r = L; int x; cin>>x; while(x >= 0){ s = new Lnode; s->data = x; r->next = s; r = s; cin>>x; } r->next = NULL; return L; } void print(LinkList L){ Lnode* p = L->next; while (p != NULL ){ cout<<p->data<<" "; p = p->next; } cout<<endl; } int find(LinkList L , int k){ int i = 1 ; Lnode* p = L->next,*r = L->next; while( p != NULL && i < k ){ p = p->next; i++; } if(p == NULL) { cout<<"NULL"; return 0; } // cout<< p->data; while (p->next != NULL){ p = p->next; r = r->next; } cout<< r->data; return 0; } int main(){ LinkList L; int k ; cin>>k; tail(L); // print(L); find(L, k); return 0; }
Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering解析
夜半罟霖: 关于M更新这个点，解释的好像有点问题。首先C^i_k并不是只关注当前样本被分配给聚类中心K的次数，而是在此之前有多少样本被归类到聚类中心K；其次，作者的想法也不是要多利用最新信息，而是当某一类别含有了足够多的样本时就减弱新样本的影响，否则增大新样本的影响。内在的假设是所有的簇所含的样本数目应该是趋同的，某个簇包含样本足够多时就无需在适应新样本以攫取更多样本的认同。
Arduino单片机 +resp8266接收数据（搞了一个星期）
weixin_51402468: 可以加你好友吗，问你一些问题

聚类

关注

文章平均质量分 93

关注数：文章数：1 文章阅读量：2013 文章收藏量：11

作者: hj_cheng29

这个作者很懒，什么都没留下…

展开

Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering解析

Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering解析因为最近会经常用到聚类，并且对于深度聚类的了解较少，所以准备从这篇比较经典的开始，论文地址：论文地址论文代码：代码背景大多数的学习任务都需要用到降维和聚类，不过一般来说都是分开进行降维和聚类的，但是最近的研究表明同时优化两种任务，这两者可以相互提升性能。 K-means一般只适合聚类K-means友好型数据，即样本在聚类中心周围均匀的分布，所以我们

原创 2021-03-31 22:04:22 · 2013 阅读 · 2 评论

聚类

作者: hj_cheng29

Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering解析