<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wenting521的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wenting521</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wenting521]]></copyright><item><title><![CDATA[Tensorflow搭建第一个神经网络]]></title><link>https://blog.youkuaiyun.com/wenting521/article/details/79669824</link><guid>https://blog.youkuaiyun.com/wenting521/article/details/79669824</guid><author>wenting521</author><pubDate>Sun, 25 Mar 2018 15:27:45 +0800</pubDate><description><![CDATA[使用Tensorflow搭建神经网络神经网络基本结构：输入层，隐含层和输出层上图说明：在输入层输入数据，然后数据飞到隐藏层，最后飞到输出层，用梯度下降处理，梯度下降会对几个参数进行更新和完善，更新后的参数再次跑到隐藏层去学习，一直循环至结果收敛。神经网络内部结构参数：激励函数：这些函数与其他层的输出联合使用可生成特征途。用于对某些运算的结果进行平滑（或微分），目标是为神经网络引入非线性。激励函数种...]]></description><category></category></item><item><title><![CDATA[SVM算法笔记（2）]]></title><link>https://blog.youkuaiyun.com/wenting521/article/details/79665966</link><guid>https://blog.youkuaiyun.com/wenting521/article/details/79665966</guid><author>wenting521</author><pubDate>Fri, 23 Mar 2018 15:34:37 +0800</pubDate><description><![CDATA[线性可分支持向量机与硬间隔最大化1.线性可分支持向量机一般地，训练数据线性可分，存在无穷个分离超平面可将两类数据正确分开。感知机利用误分类最小的策略，求得分离超平面，解有无穷多个。线性可分支持向量机利用间隔最大化求最优分离超平面，解唯一。定义1（线性可分支持向量机）：给定线性可分训练数据集，通过间隔最大化或等价地求解相应的凸二次规划问题学习得到的分离超平面为以及相应的分类决策函数，称为线性可分支持...]]></description><category></category></item><item><title><![CDATA[SVM算法个人理解（1）]]></title><link>https://blog.youkuaiyun.com/wenting521/article/details/79665937</link><guid>https://blog.youkuaiyun.com/wenting521/article/details/79665937</guid><author>wenting521</author><pubDate>Fri, 23 Mar 2018 12:48:33 +0800</pubDate><description><![CDATA[支持向量机（一）支持向量机（suport vector machines,SVM）,一种二类分类模型基本模型：定义在特征空间上的间隔最大的线性分类器。（与感知机的区别）核技巧的引入使它成为实质上的非线性分类器。学习策略：间隔最大化，可形式化为一个求解凸二次规划问题。支持向量机学习方法模型有三种：线性可分支持向量机（linear support vector machine in linearly ...]]></description><category></category></item></channel></rss>