- 博客(140)
- 收藏
- 关注
RSS订阅原创 Dempster-Shafer理论
Dempster-Shafer理论（Dempster-Shafer Theory of Evidence），又称证据理论（Theory of Evidence）或信念函数理论（Theory of Belief Functions），是由Arthur P. Dempster和他的学生Glenn Shafer在20世纪60年代和70年代发展起来的一种数学理论，用于处理不确定性和推理。该理论提供了一种在缺乏完备信息的情况下进行推理和决策的方法，是概率论的一种扩展。
2024-10-08 14:59:56
1372
原创 主观逻辑（Subjective Logic）
主观逻辑是一种强大的工具，用于处理和推理不确定性和信任度。通过使用信任三元组和一系列操作，主观逻辑能够灵活地结合和分析来自不同来源的信息，为不确定环境中的决策提供支持。
2024-10-08 14:30:05
1184
原创 使用conda-pack迁移环境
确保你在正确的 conda 环境中运行命令，并且该环境配置正确。如果问题仍然存在，请检查是否有任何特定的错误消息或日志，以便进一步诊断问题。现在你就可以在新环境中运行你的代码了。工具的一部分，用于处理打包后环境路径的修复。命令时出现 “未找到命令” 错误，这可能是因为该命令未安装或未正确配置。如果你希望 environment 目录可以移动到其他位置，可以运行。在你解压环境后，确保你已经激活了该环境，然后再运行。选择你想要打包的 conda 环境，并使用。是你要打包的 conda 环境名称，
2024-10-01 11:55:48
1483
2
原创 ubuntu添加 SSH 密钥到 GitHub
通过生成 SSH 密钥、将其添加到 SSH 代理，并将公钥添加到 GitHub，你现在应该能够无缝地使用 SSH 进行 Git 操作。如果你遇到任何问题，请确保你执行了每一个步骤，并且公钥正确添加到了你的 GitHub 账户中。
2024-10-01 11:52:39
1236
原创 B样条（B-spline）函数
好的，B样条（Basis spline，简称B-spline）函数是一种广泛应用于计算机图形学、数值分析、数据拟合等领域的数学工具。以下是对B样条函数及其相关概念的详细描述：B样条基函数是定义B样条曲线的基础，它们具有局部支撑性。即每个基函数在特定区间内非零，而在该区间外为零。这种特性使得B样条非常适合局部调整和控制曲线形状。基函数通常通过递归关系定义：控制点是定义B样条曲线形状的关键。B样条曲线由一组控制点确定，移动控制点会改变曲线的形状。例如，给定一组控制点 {P0,P1,…,Pn}\{P_0, P_1
2024-09-29 12:07:05
1981
原创 __pycache__文件夹
文件夹是 Python 用于优化性能的机制，虽然它的存在是自动的，但在日常开发中了解如何管理和处理它仍然是有益的。如果有更多问题，欢迎继续提问！
2024-09-27 23:12:35
541
原创 Poetry进行python项目创建和管理
Poetry 提供了一种简洁的方法来管理 Python 项目的依赖和打包工作。通过使用 Poetry，你可以轻松地创建新项目、管理依赖、运行脚本和发布项目。希望这个指南对你有所帮助！
2024-09-27 11:08:49
690
原创 __init__.py文件
文件是一个特殊的Python文件，用于将其所在的目录标识为一个Python包。在Python中，包是一种模块的组织方式，可以将多个模块组织到一个目录中，并通过包来管理代码。文件可以是空的，但也可以包含包的初始化代码。以下是一些关于。
2024-09-27 11:05:12
380
原创 证据理论（Dempster-Shafer 理论）
证据理论也被称为 Dempster-Shafer 理论，是一种不精确推理理论，主要用于处理不确定信息。它允许人们在证据不完全、不精确或相互矛盾的情况下进行推理和决策。
2024-09-27 00:23:10
2303
2
原创 pyproject.toml文件相关
Poetry提供了一种现代化的方式来管理项目依赖和构建流程，并自动生成文件。Setuptools仍然是一个常用的构建工具，适用于需要向后兼容的项目。通过以上步骤，你可以轻松创建和管理文件，从而提高项目配置和依赖管理的效率。如果你正在开始一个新的Python项目，使用和Poetry是一个推荐的最佳实践。通过以上步骤，你可以轻松地使用从 GitHub 下载的包含文件的项目。正确配置依赖项和管理虚拟环境是确保项目顺利运行的关键。如果项目文档提供了具体的运行指示，请优先参考文档内容。
2024-09-26 17:00:47
1222
原创 VIM简要介绍
VIM 有丰富的插件生态，你可以使用插件管理器如 Vundle、Pathogen 或 vim-plug 来安装和管理插件。大多数 Linux 发行版和 macOS 都预装了 VIM。VIM 的配置文件通常位于。
2024-09-26 15:39:03
660
原创 pip配置阿里云、清华和中科大的镜像
在pip配置文件中，默认情况下只能配置一个主镜像源。如果你想配置多个镜像源，可以使用选项来指定额外的镜像源。这些额外的镜像源将在主镜像源不可用时作为备选。
2024-09-26 11:43:15
1942
原创 ubuntu挂载磁盘或U盘
通过调整挂载点目录的权限和所有权，以及在/etc/fstab中添加适当的挂载选项，你可以确保用户能够正常访问和使用挂载点。# 查看当前权限# 设置所有权和权限# 编辑 /etc/fstab 文件，添加或修改挂载选项# 添加以下行：# 保存并关闭文件# 重新挂载分区通过这些步骤，你应该能够解决挂载点的权限问题。如果仍有问题，请提供详细的错误信息，以便进一步诊断。
2024-09-24 18:23:31
7404
2
原创 狄利克雷分布
狄利克雷分布是一个参数化的分布，其参数为一个维度为KKK的向量αα1α2αKαα1α2αK，每个元素αi\alpha_iαi称为浓度参数。fx1x2xK;
2024-09-24 11:16:30
820
原创 扩散模型系列笔记（一）——DDPM
直观理解扩散模型分为前向过程（扩散过程，Data→\to→Noise）和后向过程（生成过程或逆扩散过程，Noise→\to→Data）。在前向过程中，对于每一个观测样本，不断向样本中添加少量噪声，直到该样本完全被摧毁成为完全随机的噪声，该噪声属于正态分布；从正态分布中随机采样一个噪声样本，不断的对该样本去除少量的噪声，直到该噪声样本成为像真实样本的生成样本。前向过程的噪声是事先设置好的，该噪声还被用于神经网络训练，然后使用神经网络生成后向过程的噪声。生成模型给定从一个感兴趣的分布中观察到的样本xx
2024-08-06 19:26:21
1098
原创 隐式神经解码器（Implicit Neural Decoder）和显式神经解码器（Explicit Neural Decoder）
隐式神经解码器（Implicit Neural Decoder）和显式神经解码器（Explicit Neural Decoder）是两种不同的解码方法，它们在实现和应用上有一些显著的区别。
2024-07-21 17:40:05
404
原创 多项式近似
Pxanxnan−1xn−1⋯a1xa0Pxanxnan−1xn−1⋯a1xa0其中，anan−1a1a0anan−1a1a0是常数系数，nnn是非负整数，表示多项式的最高次幂。
2024-07-11 11:24:43
743
原创 常微分方程的离散化
常微分方程的离散化是通过将连续的微分方程转换成离散的形式来进行数值计算的方法，这在计算机模拟和工程问题求解中非常重要。离散化方法允许我们在离散的时间点上近似解微分方程。假设有一阶微分方程dtdyfty，给定初始条件yt0y0。在前向欧拉方法中，下一个时间点的值yn1由当前时间点yn加上当前斜率ftnyn与时间步长hyn1ynhftnyn其中h是时间步长，tn1tnh。
2024-07-11 09:45:31
1503
原创 Score matching
我们选择模型分布为正态分布pmodelx;θNx;θNx;θ1θ22，其中θθ1θ2θθ1θ2是我们要估计的参数。
2024-07-10 12:14:21
759
原创 VQ正则化
VQ正则化（Vector Quantization Regularization）通常是在机器学习和特别是在深度学习领域中用来提高模型性能和泛化能力的一种技术。VQ，即向量量化，是一种将向量空间中的点映射到有限数量的代表点（或称为码本或聚类中心）上的过程。这种量化可以简化模型的表示，从而帮助减少过拟合并提高模型的泛化能力。在深度学习模型中，VQ正则化通常与自编码器结合使用。自编码器旨在通过一个编码过程学习输入数据的有效表示，然后通过一个解码过程尝试重建输入数据。
2024-06-19 11:53:23
641
原创 图像的高频和低频细节
在图像处理和计算机视觉中，"高频"和"低频"是用来描述图像中不同类型细节的术语。这些术语源自信号处理领域，其中频率的概念用于描述信号随时间变化的，但在图像处理中，它们被用来描述图像随空间变化的，即图像中像素值的变化率。
2024-06-19 11:34:10
1215
原创 High-variance latent spaces
在生成模型（如生成对抗网络GANs或变分自编码器VAEs）中，高方差的潜在空间可能允许模型生成更多样化和创造性的输出，因为潜在空间中的每个点都可能对应于一个独特的输出。：然而，高方差也可能导致模型在训练数据上过拟合，因为它可能过于复杂，捕捉到了训练数据中的噪声和细节，而不是真正的数据结构。：潜在空间中的特征向量可能代表了输入数据的多种不同特征或模式，这可能有助于模型捕捉到数据的复杂性和多样性。：高方差的潜在空间可能有助于模型更好地泛化到新的、未见过的数据上，因为它能够捕捉到更广泛的数据变化。
2024-06-19 11:12:31
369
原创 Score Matching（得分匹配）
Score Matching（得分匹配）是一种统计学习方法，用于估计概率密度函数的梯度（即得分函数），而无需知道密度函数的归一化常数。这种方法由Hyvärinen在2005年提出，主要用于无监督学习，特别是在密度估计和生成模型中。
2024-06-17 21:51:43
1280
原创 Langevin动力学
Langevin动力学是一种数学模型，用于描述带有摩擦和随机扰动的粒子的运动。它是经典动力学与统计物理学的结合，尤其在研究布朗运动和其他由热涨落驱动的现象时非常重要。mdt2d2x−γdtdxηtFxtmdt2d2xγγdtdxηt⟨ηt)⟩0⟨ηtηt′)⟩Fxt物理上，Langevin动力学提供了一种描述处于热环境中的微观或纳米尺度粒子如何因热扰动而进行随机运动的方式。
2024-06-17 21:34:49
1733
原创 退火朗之万动力学采样
退火朗之万动力学采样（Simulated Annealing Langevin Dynamics Sampling）结合了退火技术和朗之万动力学，是一种用于分子模拟和统计物理中的计算方法。这种方法可以帮助系统从局部最小值中逃逸，以找到全局最小值或进行有效的配置空间探索。
2024-06-17 12:24:32
1167
原创 Fisher散度
但是，它在理论分析中非常有用，特别是在自然梯度下降和其他基于信息几何学的优化算法中，因为Fisher信息矩阵（Fisher散度的矩阵形式）可以用来调整参数更新的方向和步长，以更自然地通过参数空间移动，从而提高学习效率。Fisher散度是用来量化一个概率分布在参数空间的局部变化情况的，它是Fisher信息矩阵的一部分。Fisher散度本身是一个比较抽象的概念，它通常不直接用于数据分析的实际操作，但它的概念和衍生工具（如Fisher信息和自然梯度）在机器学习中有广泛的应用。之间的差异，它可以定义为真实分布。
2024-06-17 10:32:28
1120
原创 能量函数和能量基模型介绍
能量函数在物理学中通常描述系统的潜在能量，而在统计物理和机器学习中，特别是在能量基模型（Energy-Based Models，EBMs）中，它用来描述系统状态的概率。在机器学习的上下文中，能量函数是一个映射，它将系统的状态（例如，数据样本）映射到一个实数值，该实数值代表该状态的能量。通常，低能量对应于更可能（或更优）的状态，而高能量对应于不太可能（或更差）的状态。能量基模型的目标是学习一个能量函数，这个函数能很好地表示数据的概率分布。
2024-06-17 10:04:40
1807
原创 Langevin动力学
Langevin动力学是一种数学模型，用于描述带有摩擦和随机扰动的粒子的运动。它是经典动力学与统计物理学的结合，尤其在研究布朗运动和其他由热涨落驱动的现象时非常重要。mdt2d2x−γdtdxηtFxtmdt2d2xγγdtdxηt⟨ηt)⟩0⟨ηtηt′)⟩Fxt物理上，Langevin动力学提供了一种描述处于热环境中的微观或纳米尺度粒子如何因热扰动而进行随机运动的方式。
2024-06-17 10:04:06
585
原创 蒙特卡洛估计举例
计算期望Eqx1∣x0logpθx0∣x1)]需要知道分布qx1∣x0和函数logpθx0∣x1。这个期望表示的是，在给定x0的条件下x1的概率分布q，对数概率logpθx0∣x1的平均值。其中，pθx0∣x1是参数化条件概率分布，参数由θ给出。qx1∣x0：你需要有q。
2024-06-16 18:44:13
574
原创 高斯线性模型
线性高斯分布，也称为高斯线性模型或条件高斯分布，是一种特定的概率分布模型，涉及到变量之间的线性关系，其中变量服从高斯（正态）分布。这个模型广泛应用于统计学、信号处理、机器学习等领域，特别是在贝叶斯网络和卡尔曼滤波中非常重要。xAzbϵ其中，xzAzxbϵϵ∼N0Σ在这个模型中，给定z的条件下，x的分布是高斯分布，其均值是线性依赖于z的，而协方差是固定的。这种属性使得线性高斯模型在分析和计算上非常方便，特别是可以通过解析方法来进行推断和参数估计。
2024-06-16 17:56:28
1153
原创 蒙特卡洛估计举例
计算期望Eqx1∣x0logpθx0∣x1)]需要知道分布qx1∣x0和函数logpθx0∣x1。这个期望表示的是，在给定x0的条件下x1的概率分布q，对数概率logpθx0∣x1的平均值。其中，pθx0∣x1是参数化条件概率分布，参数由θ给出。qx1∣x0：你需要有q。
2024-06-16 17:55:57
423
原创 常微分方程 (ODE) 和 随机微分方程 (SDE)
常微分方程（Ordinary Differential Equations, ODE）和随机微分方程（Stochastic Differential Equations, SDE）是数学中描述系统动态行为的重要工具。它们有一些相似之处，但在处理随机性方面存在显著差异。
2024-06-06 22:29:53
3273
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人