chenwei的博客

2.1 设定优化目标这一部分引入是因为一个问题：在通过采样的方法(蒙特卡洛法)计算下面这个式子的时候可不可以走捷径(shortcut)？实际上(in practice)，对大多数的潜变量zzz而言，P(X∣z)P(X|z)P(X∣z)都是nearly zero的，因此它们对我们估计P(X)P(X)P(X)是没啥用的。这里就涉及到了VAE的核心思想了：尽量只采样那些对生成XXX 有贡献的zzz，然后用它们估计P(X)P(X)P(X) 。那么问题来了，从哪个分布里面去采样才能达到这个目的呢？不妨假设

有时候在求解规划问题时，我们想要让得到的解满足一定的条件，换句话说，如果得到的解不能满足一定的条件我们更加倾向于拒绝它，而且这种倾向还是比较大的。这种情况在实际应用中比较常见，比如在准备出去旅行时，我们肯定不太希望背包里面放置特别重的东西，这时候就可以加一个条件，如果物品的重量大于一个给定的临界值，那么它的价值将大大降低，而这种大大降低可以通过给其添加一个很大的系数实现。同样的，在求解神经网络损失函数的最小值时，我们希望自变量权重向量www满足一定的条件，如果不满足，就给其狠狠地惩罚一下。这时候我们就会在

本文给出了含指数函数的不定积分的几种形式，并通过例子来归纳这些形式的积分技巧。

形如∫ex2dx\int e^{x^2}dx∫ex2dx的积分是一种典型的很难积的函数，普通方法很难把它积出来，得用巧劲。以下为证明过程：直接求积分很难，我们先把它平方，将其转为二重积分：(∫ex2dx)2=∫ex2dx⋅∫ey2dy=∬ex2+y2dxdy(∗)\begin{aligned}\left(\int e^{x^2}dx \right)^2 &=\int e^{x^...

本篇文章的代码实现了以下三大方面的功能：一、计算级比和光滑比并做级比检验；二、序列的灰色预测；三、精度检验，主要做了以下内容：①相对残差Q检验（MAPE）；②关联度检验；③方差比C检验；④小误差概率P检验1 灰色预测模型本部分内容参照了王佳佳的硕士学位论文《京津冀地区高速铁路对区域经济影响研究》，我觉得这篇论文讲灰色预测讲得蛮详细的，如果想学灰色预测的可以看看。2...

需要求解的积分具有如下形式：∫1a+bsin⁡xdx\int \frac{1}{a+b \sin x} d x∫a+bsinx1​dx这种积分比较常见，可以考虑记一下它的结果，结果为：∫1a+bsin⁡xdx=2a2−b2⋅arctan⁡⋅{atan⁡(x2)+ba2−b2}\int \frac{1}{a+b \sin x} d x=\frac{2}{\sqrt{a^{2}-b^{2}}} ...