- 博客(6)
- 收藏
- 关注
RSS订阅原创 【课程笔记-李宏毅ML】支持向量机
什么是hinge loss?在二元分类中的loss functionsquare loss:sigmoid+square losssigmoid+cross entropyhinge losslinear SVM引入εn，slack variable，该值必须大于0，是放宽了y^nf(x)的下界，（软间隔？？）这里是说，SVM的w就是样本点的线性组合，但注意到alph...
2020-02-24 16:39:24
210
原创 【课程笔记-李宏毅ML】transfer learning
模型微调目标领域的数据较少，例如在语音识别领域，可以通过source data来训练一个模型，然后使用target data的数据进行参数微调。需要注意target data很少，容易过拟合conservative training用source data训练的模型参数来初始化target data的模型，然后用target data的数据进行微调（GD的时候只更新几个epoch)，但...
2020-02-23 15:14:44
393
原创 【课程笔记-李宏毅ML】Deep generative model
Deep generative model课件资料中文笔记overviewgenerative modelsPixelRNNVariational AutoencoderGenerative Adversarial NetworkPixelRNN每次生成一个pixelVAE和auto-encoder结构相似，但在code的地方有所不同对一个10维的数据，固定其中8维...
2020-02-15 22:29:42
469
原创 Feature Selection Based on Mutual Information: Criteria of Max-Dependency, Max-Relevance, and
Feature Selection Based on Mutual Information:Criteria of Max-Dependency, Max-Relevance,and Min-Redundancy摘要特征选择对分类系统有重要意义。本文根据互信息的‘最大统计依赖准则’选择好特征。...
2019-10-06 10:33:46
1711
原创 Lattice CNNs for Matching Based Chinese Question Answering
读论文记录，请多多指教。Lattice CNNs for Matching Based Chinese Question Answering摘要：两个短文本之间存在词不匹配以及表达多样性的问题，这对于中文来说，更加严峻。本文提出一种新的 基于lattice的CNN模型。在处理基于匹配的中文问答问题中，能够利用word-lattice中固有的多粒度信息，且具有很强的处理噪声的能力。 对基于文档的...
2019-10-04 21:41:15
1657
5
原创 Load-aware Edge Serve Placement for Mobile Edge Computing in 5G networks
摘要边缘计算能够帮助5G网络从移动装置收集大量的信息并实时反馈给移动用户。边缘服务器（ES）对宏基站点中进行的大规模资源配置，以及在微基站点进行的轻量级资源响应都有帮助。由于5G网络中有大量微基站点的分布，为了降低在微基站点中构建边缘计算系统的投资，使用了有限数量的边缘服务器。因此，在有限边缘服务器的情况下，如何保证边缘服务器的执行效率以及边缘计算系统的整体性能？LESP，一种负载感知的边缘服务...
2019-10-02 20:15:04
515
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