qqywm的博客

傅里叶变换是将函数分解到频率不同、幅值恒为1的单位圆上；拉普拉斯变换是将函数分解到频率幅值都在变化的圆上。因为拉普拉斯变换的基有两个变量，因此更灵活，适用范围更广。卷积定理：函数卷积的傅里叶变化是函数傅里叶变化的乘积，即对于函数f(t)与h(t)两者的卷积是其函数傅里叶变换乘积的逆变换：类比到Graph上并把傅里叶变换的定义带入，f与卷积核h在Graph上的卷积可以由下面步骤得到：...

https://blog.youkuaiyun.com/jnulzl/article/details/49894041https://blog.youkuaiyun.com/c9Yv2cf9I06K2A9E/article/details/86110121 基于知识图谱的问答系统入门—NLPCC2016KBQA数据集 

https://blog.youkuaiyun.com/wsj998689aa/article/details/39577011https://blog.youkuaiyun.com/brave_stone/article/details/80423784EM算法整理及其python实现https://blog.youkuaiyun.com/u010866505/article/details/77877345#_Toc49...

论文的关键点本篇文章中一个非常重要的基础就是基于解构后的电子病历数据，建立一个高质量、结构化的病种库，并在这个病种库的基础之上去做诊断模型。其根本是将电子病历结构化后形成------------------------EMR2VEC（将结构化后的电子病历转换成特征向量，该向量是疾病分类模型中的输入量）文中提到的所谓“智能病种库”就是以患者为中心形成的结构化电子病历，其中结构化不仅包括拆...

函数中，x是本层网络的激活值。Level就是dropout就是每个神经元要被丢弃的概率。注意：Keras中Dropout的实现，是屏蔽掉某些神经元，使其激活值为0以后，对激活值向量x1……x1000进行放大，也就是乘以1/(1-p)。思考：上面我们介绍了两种方法进行Dropout的缩放，那么Dropout为什么需要进行缩放呢？因为我们训练的时候会随机的丢弃一些神经元，但是预测的时候...

传统的基于CNN的分割方法缺点？传统的基于CNN的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入，用于训练与预测，这种方法主要有几个缺点：1）存储开销大，例如，对每个像素使用15 * 15的图像块，然后不断滑动窗口，将图像块输入到CNN中进行类别判断，因此，需要的存储空间随滑动窗口的次数和大小急剧上升；2）效率低下，相邻像素块基本上是重复的，针对每个像素块逐个计算...

目前，大多数图神经网络模型都有一个通用的架构。我将它们称为图卷积神经网络（GCNs），这些模型是可卷积的，因为滤波器参数在图中所有位置或者一个局部位置上（ Duvenaud et al., NIPS 2015）都可以共享。对于这些模型，它们的目标是要学习图G=（V，E）上的信号或特征的一个映射。它们的输入包括：每一个节点i的特征描述xi，可以写成一个N*D的特征矩阵（N表示节点数，D表示输...

优化算法分为两大类：1. 一阶优化算法这种算法使用各参数的梯度值来最小化或最大化损失函数E(x)。最常用的一阶优化算法是梯度下降。函数梯度：导数dy/dx的多变量表达式，用来表示y相对于x的瞬时变化率。往往为了计算多变量函数的导数时，会用梯度取代导数，并使用偏导数来计算梯度。梯度和导数之间的一个主要区别是函数的梯度形成了一个向量场。因此，对单变量函数，使用导数来分析；而梯度是基于多...