Zhouxnli 的博客

是什么meta learning = learn to learn使机器学会学习举例在语音识别和图像识别中表现很好的机器，在面对文字识别的新任务时学得很快很好。类似概念： life-long learning相同之处：都是基于多个task训练，使得机器在遇见新的task时仍然具有优秀的性能，即两者希望达到的目标相同不同之处在于：life-long learning对于不同的任务训练同...

遗传算法（Genetic Algorithm）一个讲得很清楚的博客：非常好理解的遗传算法的例子简单理解：用计算机模拟人类进化，适应环境（符合条件）的继续繁衍后代，不适应环境（不符合条件）的淘汰，从而逐步找到最优解。整体思路：随机挑选初始种群，根据适应度函数给初始种群中的个体“打分”，通过定义的规则进行选择，将选择出来的个体两两配对进行交叉，并在生成的对象中挑选变异点，将...

日常扯：ELM的Python实现是在上个学期已经完成的工作，这周重新打开，发现对一些基本的操作还是不熟悉，借此机会进行整理铺垫关于ELM极限学习机(Extreme Learning Machine) ELM，是2006年由黄广斌提出来的求解单隐层神经网络的算法。最大的特点是输入权值和隐含节点的偏置都是在给定范围内随机生成的，被证实学习效率高且泛化能力强。训练时的主要目的在于输出...

进化策略（Evolution Strategy）建议在了解ES之前先确保对遗传算法的思路有一定的了解，在比较中学习更有效率，贴一个之前写过的遗传算法介绍与遗传算法的相同之处：都是利用进化理论进行优化，即利用遗传信息一代代传承变异适者生存，从而得到最优解。与遗传算法的不同之处：1.DNA序列采用实数编码，而非0-1二进制码2.变异时无法进行简单的0-1互换，思...

一句话理解神经进化（ Neuro Evolution ）：将进化的思想使用到神经网络参数优化的更迭中铺垫人工神经网络与生物神经网络重要不同点人工神经网络大多是计算机能够理解的数学模型，通过将输入值正向传播得到自己的判断，对比自己的判断与真实值将误差反传更新自身的网络参数生物神经网络并没有反向传播的过程，而是通过刺激产生新的网络连接以更透彻地理解事物（NE的实现思路与生物神经...

什么是强化学习在监督学习中，对于得到的输出值需要与给出的标准答案比较后，向前反馈更新网络参数。在强化学习中，通过与环境的不断交互，获得环境给出的反馈，不断更新优化自身。环境并不会给出标准答案，只会针对每次输出给出得分，让计算机自己不断探索规律，逐步找到得到高得分的方法。MDP实际上强化学习解决的数学模型问题是MDP（Markov Decision Process） 三个基本元素：...

初步了解1. 是什么首先，二支决策知道是什么吗？是用“非黑即白”的理念对一个事物进行判定的策略（例如，如果投递的期刊在决定“是否录用的你论文”这个问题上采取的是二支决策，那么，论文发表的过程就不会那么长了。当你第一次提交文章时，编辑部就会决定，ok（马上接收发表）或者no（不行））实际上，文章从投稿到接收得花一定的时间，需要根据审稿意见进行修改或作出解释，经过修改达到要求后才会被接收。这正...