weixin_38817895的博客

原创 Macbook查看隐藏文件

删除mac自带的文件以及制作数据集时生成的文件

原创 pytorch计算特定层的激活图和梯度，实现gradcam

pytorch实现任意模型绘制cam热力图

原创 训练模型时删除数据集文件夹中的‘.ipynb_checkpoints’文件

用于删除多余的训练数据集中.ipynb_checkpoints文件

原创 傅立叶变换的意义

傅里叶变换的意义是什么？ - 李泽光的回答 - 知乎https://www.zhihu.com/question/30242595/answer/86065621

原创 机器学习超全面基础知识 从线性回归到PCA到朴素贝叶斯到推荐算法

多年前写的文档，最近找出来了，写为博客

原创 深度度量学习小综述

深度度量学习：对比损失[1]首次将深度神经网络引入度量学习，它只约束类内对的特征尽量近而类间对的特征尽量远，三元组损失[2]在对比损失的基础上进一步考虑了类内对与类间对之间的相对关系，首先固定一个锚点样本（anchor），希望包含该样本的类间对（anchor-negative）特征的距离能够比同样包含该样本的类间对特征的距离大一个间隔。由于三元组损失一次采样三个样本，虽然能够同时考虑类间距、类内距以及二者的相对关系，但没有充分利用每个batch内的所有样本，因此[3]提出在一个batch内建立稠密的成对（p

原创 线性代数的本质

转载自算法与数学之美https://mp.weixin.qq.com/s/uPBp9gcxY-sdFT0Qg7V02g一般工科学生初学线性代数，通常都会感到困难。这种情形在国内外皆然。瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：“如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。然而“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，这就带来了教学上的困难。”事实上，当我们开始学习线性代数的时候，不知不觉就进入

原创 竞赛中的模型融合/集成方法

码住：https://www.kaggle.com/c/tabular-playground-series-jun-2021/discussion/248454

原创 协方差矩阵的本征值、特征向量和行列式

考虑一个多维高斯分布的数据集，每个维度上的不确定度量等于变量的方差，最后要得到整个数据集的不确定度，在各个变量独立的情况下，显然需要将各个维度上的方差进行连乘，否则需要连乘数据矩阵对应的协方差矩阵的本征值，本征值的连乘等于行列式，这种连乘得到的是一个高维空间中的多面体的体积。考虑：协方差矩阵的特征向量指的是什么？协方差矩阵的特征向量总是指向数据方差最大的方向，准确来说，特征值最大的特征向量是数据方差最大的方向，第二大特征值对应的特征向量指向与第一个特征向量正交的方向上方差最大的方向，以此类推。参考链

原创 流形学习数学基础第3章-4核学习

原创 西电研究生矩阵论必会证明题

矩阵论必刷必会证明题

原创 Ax=b有容的极小范数解

Ax=b有容的极小范数解：为什么用A的（1，3）逆构造极小范数解。

原创 流形学习的数学基础-3核学习（3）

原创 流形学习的数学基础-3核学习（2）

原创 深入理解卷积神经网络CNN

深入理解CNN：本系列将从cnn的特征表示，可视化开始介绍，后续有注意力机制综述，流形学习等。

原创 流形学习的数学基础-3核学习（1）

原创 流形学习的数学基础-2 基础

原创 流形学习的数学基础-1介绍

流形学习深度学习的降维过程实质上是学习高维数据的流形结构，常用的卷积神经网络产生特征后，即可以接全连接神经网络，也可以用其他机器学习方法，这个过程是学习概率分布，所以说端到端的深度学习算法是模糊了这两个过程，概率分布的学习目前已经有了较多的方法，但是深度学习对流形结构的学习和降维目前的约束和认识是非常弱的，因此有必要将流行正则化框架融入到目前的深度学习框架中。...

原创 遗传算法解决TSP问题及函数优化问题（python）

遗传算法解决TSP及函数优化问题（python）：插图为原创，转载请联系我。

原创 TensorFlow简易入门1

Tensorflow 基础 前言 在掌握了Python基础之后，初学tensorflow有种无从下手的感觉，tensorflow中含有大量的已封装的函数，那么应该去逐一学习每个函数的功能和用法呢？还是有别的途径？本文中，以神经网络的结构和实现过程为导向，进行tensorflow的学习。 本文是我自己在学习的过程中的心得的体会，以及我认为的更好的学习的一种流程，如果有错误还请原谅。 在学习之...