- 博客(3)
- 收藏
- 关注
RSS订阅转载 L1正则化和L2正则化的详细直观解释
L1正则化和L2正则化的详细直观解释原网站：https://blog.youkuaiyun.com/zhaomengszu/article/details/815371972018年08月09日 15:13:18这孩子谁懂哈阅读数 4017正则化（Regularization）转自：此处机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两种，一般英文称作ℓ1ℓ1-...
2019-07-22 11:36:43
293
转载 最大似然估计
最大似然估计原理给定一个概率分布D，假定其概率密度函数（连续分布）或概率聚集函数（离散分布）为fD，以及一个分布参数θ，我们可以从这个分布中抽出一个具有n个值的采样X1,X2,...,Xn，通过利用fD，我们就能计算出其概率：但是，我们可能不知道θ的值，尽管我们知道这些采样数据来自于分布D。那么我们如何才能估计出θ呢？一个自然的想法是从这个分布中抽出一个具有n个值的采样X1,X2,...
2019-06-13 20:21:31
1053
原创 为什么GAN不能处理离散数据？
最初的 GANs 仅仅定义在实数领域，GANs 通过训练出的生成器来产生合成数据，然后在合成数据上运行判别器，判别器的输出梯度将会告诉你，如何通过略微改变合成数据而使其更加现实。一般来说只有在数据连续的情况下，你才可以略微改变合成的数据，而如果数据是离散的，则不能简单的通过改变合成数据。例如，如果你输出了一张图片，其像素值是1.0，那么接下来你可以将这个值改为1.0001。如果输出了一个单词“pe...
2019-06-11 16:30:28
2573
1
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