wzw的博客

以下内容全是学习自一位学长的读书笔记！！！！视觉蕴涵首先理解一下文本蕴涵关系：也就是两个文本之间的推理关系，一个文本作为前提，一个文本作为假设，如果能根据前提推理出假设的话，那就说明前提蕴涵假设，前提->假设再次就开始熟悉，视觉蕴涵：知识是来自 Visual Entailment Task for Visually-Groundwd Language Learning 这篇论文。提出了全新的一个数据集合一个可解释性视觉蕴涵模型。视觉蕴涵的话，也就是把前提改成了图片，而不是之前的文字，由图片来推

以下内容全是学习自一位学长的读书笔记！！！！1.跨模态检索他的定义就是将一个模态的数据（我暂且将认为是图片）作为查询去检索了一个与之相关的模态（我认为可以是视频）的数据，作为查询接过来返回。一般会将模态分为：1.自然语言处理（这就是传说中自然语言呀，写和说）2.视觉信号（也就是图片和视频）3.声音信号（对声音的编码和韵律）这就像在输入文字的搜索引擎上面找对应的图片和视频，这就是跨模态（专业专业！！！）他存在一些主要的方法：1.子空间方法基本思想：就是让不同模态的特征投影到一个共同潜在

承接上面的，首先需要将Anaconda放到环境变量中，也不知道为啥，他没有提示我要放到环境变量里。这个博客参考自：https://blog.youkuaiyun.com/qq_35494379/article/details/105603832前提条件是安装vim，并且熟悉最简单的vim操作，使用I来编辑使用 :wq来保存变成这样就行了。1.安装CUDA和CUDNN首先查看电脑是否支持GPU运算。也就是先看自己电脑显卡的型号：显卡是SVGA I1 吧。。然后去这个地方查看是不是支持GPU 运算的

因为要学习深度学习，在之前安装好ubuntu的基础上，继续安装东西这篇博客大部分内容参考自：https://blog.youkuaiyun.com/qq_35494379/article/details/105603832和https://blog.youkuaiyun.com/ITBigGod/article/details/85690257

看了这么久视频，一直都没有操作过，所以尝试着动手操作一次。这个是原学习视频位置：吴恩达机器学习p37这次的例子是：1.创建对应文件：在一个你知道的位置，创建一个后缀为.m，并且名称为costFuction的文件如果你之前安装octave成功的话，就会变成这样。如果没有安装的话，可以参考我之前的博客：https://editor.youkuaiyun.com/md/?articleId=1076101122.写入函数内容：再按照视频，将对应的costFuction函数写进去：function

学习率：多项式回归和正规方程

条件随机场的学习算法这一章节讨论的是给定训练数据集估计条件随机场模型参数的问题，也就是条件随机场的学习问题。他的学习方法包括极大似然估计和正则化的极大似然估计，并且具体的优化实现算法有改进的迭代尺度法IIS，梯度下降法以及拟牛顿法。改进的迭代尺度法拟牛顿法条件随机场的预测算法他是给定条件随机场P(x|y)和输入序列x，求条件概率最大的输出序列，也就是对观测序列进行标注，而条件随机场的预测算法就是著名的维特比算法。统计学习方法总结一共总结出了10种主要的统计学习方法：感知机,K近邻法，朴

预测算法对于隐马尔可分模型的预测有两种算法：近似算法和维特比算法首先是：近似算法

这是一篇转载的文章，主要是给自己看看保存一下https://blog.youkuaiyun.com/iszhenyu/article/details/78712228

最近在学吴恩达老师的机器学习就试着安装一下octave；(https://blog.youkuaiyun.com/Forlogen/article/details/54425766)1.下载：先通过该链接打开下载页面（我这边是windows）：https://ftp.gnu.org/gnu/octave/windows/会看到有很多的版本：我这里下载的是：octave-4.2.0-w64-installer.exe;然后就是漫长的下载环节。。修改一下：由于下载的实在太慢了，所以我网上找了了一个地方

继续核技术因为非线性问题不好求解，所以希望能用解线性分类问题的方法解决这个问题，所以进行一个非线性变换，将非线性问题变换为线性问题，通过解变换后的线性问题的方法来求解原来的非线性问题。步骤如下：首先使用一个变换将原空间的数据映射到新空间，再在新空间里用线性分类学习方法从训练数据中学习分类模型，核技术就是这个方法。有一些常用的核函数：1.多项式核函数2.高斯核函数3.字符串核函数序列最小最优化算法这个就是支持向量机学习的实现问题，也就是转换为求解凸二次规划问题，并在此基础上，使用序列最小

逻辑斯谛回归与最大熵模型一个是经典分类方法，一个是概率模型学习的准则。首先是逻辑斯蒂分布：逻辑斯谛还分为二项和多项。最大熵原理：这是概率模型学习的一个准则，这个原理认为，学习概率模型时，再所有可能的概率模型中，熵最大的模型适最好的模型，也可以表述为在满足约束条件的模型集合中选取熵最大的模型在求最大熵模型的时候，需要根据拉格朗日对偶性来求得。并且在最大熵学习中的对偶函数极大化等价于最大熵模型的极大似然估计这个事实。基于改进的迭代尺度法与拟牛顿法的最大熵模型学习算法：改进的迭代尺度法是

感知器他是二类分类的线性分类模型，输出的是实例的特征向量，而输出的是实例的类别。数据集是线性可分数据集和线性不可分的区别就是：是否可以将数据集的正实例点和负实例点完全正确地划分到超平面的两侧，也就是对所有y=1的实例都有wx+b>0,对y=-1的实例，都有wx+b<0感知机学习算法在采用不同的初值或者选取不同的误分类点的时候，解可以不同。并且感知机学习算法是基于随机梯度下降法的对损失函数的最优化算法，有原始形式和对偶形式，算法简单易实现，在原始形式中，首先任意选取一个超平面，然后用梯度

统计学是针对于计算机以及互联网上的各种数字，文字等等各种数据的预测和分析。它有三大要素：模型+策略+算法1.模型：存在决策函数的集合和条件概率的集合。2.策略：有损失函数：一次预测的好坏，风险函数：平均意义下模型预测的好坏，还有0-1损失函数和平方损失函数，以及绝对损失函数。3.算法统计学的监督学习方法主要表现在：从给定的，有限的，用于学习的训练数据集合出发，假设数据是独立同分布产生的，并且假设要学习的模型属于某个函数的集合，称为假设空间，应用某个评价准则，从假设空间中选取一个最优的模型，使它