qq_42383283的博客

数字xxx：标量x\mathbf{x}x：向量X\mathbf{X}X：矩阵X\mathsf{X}X：张量I\mathbf{I}I：单位矩阵xix_ixi​, [x]i[\mathbf{x}]_i[x]i​：向量x\mathbf{x}x第iii个元素xijx_{ij}xij​, [X]ij[\mathbf{X}]_{ij}[X]ij​：矩阵X\mathbf{X}X第iii行第jjj列的元素集合论X\mathcal{X}X: 集合Z\mathbb{Z}Z: 整数集合R\mathbb

推荐B站up主3Blue1Brown主页有一些深度学习、概率论、微积分的数学知识。傅里叶变换神经网络结构反向传播算法梯度下降法

学习神经网络的时候，常常看到论文里说，这个网络是end-to-end的，end-to-end是指什么样子的网络？端到端指的是输入是原始数据，输出是最后的结果，原来输入端不是直接的原始数据，而是在原始数据中提取的特征，这一点在图像问题上尤为突出，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维的过程。那么问题来了，特征怎么提？特征提取的好坏异常关键，甚至比学习算法还重要，举个例子，对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发

文章目录1.Graph基本介绍1.1 图的表示1.2 图的特性• 子图 Subgraph• 接通图 Connected Graph• 连通分量 Connected Component• 最短路径 Shortest Path• 图直径 Diameter1.3 图中心性. Centrality• 度中心性 Degree Centrality• 特征向量中心性 Eigenvector Centrality• 中介中心性 Betweenness Centrality• 连接中心性 Closeness Central

pytorch安装