- 博客(10)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Distributional RL with Quantile Regression论文翻译
毕业设计需要选择一篇外文论文进行翻译，翻译完成正好分享到这里。因为这一篇论文比较难懂，也是比较重要的一篇论文，所以选择了这一篇。
2021-06-02 21:14:57
7568
原创 深度学习论文中的黑话总结
最近做毕业设计的时候需要大量阅读论文，在阅读的过程中难免会遇到反复出现却又不认识的词汇，这些词汇有本身的含义，又不是像Convolutional Neural Network这种专业词语，一般是缩写或者比喻，对于初学者有的时候很难理解，所以在这里做一个总结。SOTA: State-Of-The-Art, 即最前沿的研究成果。论文说提出的算法表现超过了SOTA算法，就是说比目前已知表现最好的算法效果更好。Vanilla Model: Vanilla的模型指的是最简单、最原始的模型，没有经过任何升级或修改
2021-03-20 00:56:28
2143
3
原创 卷积神经网络原理
（文章同步更新在@dai98.github.io）卷积神经网络 (Convolutional Neural Nework, CNN)是受生物学上感受野机制的启发而提出的深度学习模型，在图像处理中较为常见，下面我们依次介绍各种层的结构和作用，并给出实现的代码。一、从图像到矩阵每张图片都是由像素组成的，一张图片每行和每列有多少个像素即为图片的分辨率 (Resolution)；每一个像素都有一个颜...
2020-02-28 20:05:49
2362
1
原创 Kaggle实战：泰坦尼克幸存者预测 -下
（文章同步更新于个人博客@dai98.github.io）上一篇文章介绍了如何使用深度学习来预测泰坦尼克号幸存者，这一部分使用多分类器投票来做。由于数据预处理部分比较相似，重复的地方不再赘述，把重点放在模型的构建和优化上面。使用的环境以及依赖包版本：from matplotlib import pyplot as pltimport matplotlibimport seaborn as...
2020-02-19 20:04:56
496
1
原创 Kaggle实战：泰坦尼克幸存者预测 - 上
（文章同步更新于个人博客@dai98.github.io） 泰坦尼克幸存者预测是Kaggle的入门竞赛，我在一年前作为作业使用传统机器学习模型完成过，当时获得了80%的正确率。现在我想要使用深度学习来解决这个问题，并当作PyTorch的练习，作为在Kaggle起始的象征。 这个竞赛的核心思路是使用船上人员的各种特征，来预测最后是否在泰坦尼克号下沉的灾难中幸存下来，属于二分类问题。我的思路是...
2020-02-19 12:41:18
730
1
原创 交叉熵损失函数
(文章同步更新在@dai98.github.io)交叉熵(Cross Entropy)是与均值误差(MSE)一样常用的损失函数，用在分类中。一、分类的损失函数为什么我们选择交叉熵作为损失函数呢？它与其他的损失函数相比有什么好处呢？我们用下面的例子来说明：我们训练一个简单的神经网络，来判断图片中的动物是猫、狗还是兔子，用独热码表示最后结果。模型一正确答案猫概率狗概率兔子概率...
2020-02-09 14:44:05
672
1
原创 怎样理解异或
一、异或异或是离散数学中逻辑运算的一种二元计算，符号为⊕，当符号前后的两者分别为F和T时，结果才为T，若两者都是F，或两者都是T，则运算结果为F。即，V1V2结果FFFFTTTFTTTF两个数字也可以做异或操作，首先需要把两个数字转换为二进制，并把每一位的数字两两做如下比较：V1V2结果00001...
2020-01-09 10:19:50
11121
3
原创 矩阵的QR分解以及在最小二乘法中的应用
一、最小二乘法 最小二乘法是一种数学优化方法，通过最小化误差的平方和来拟合数据点。二、QR分解三、最小二乘法中的QR分解四、参考文献[3]. UC Berkeley Stat154 讲义[4]. 最小二乘法...
2019-10-10 12:20:41
5631
2
原创 为什么样本方差要除以n-1
这学期在外交换选的大部分是统计学院的课，前几天在课上教授偶然提到了样本方差与样本空间的方差v(x)=1n∑i=1n(xi−xˉ)2v(x)=\frac{1}{n}\sum_{i=1}^n (x_i-\bar x)^2v(x)=n1∑i=1n(xi−xˉ)2不同，样本方差为v(x)=1n−1∑i=1n(xi−μ)2v(x)=\frac{1}{n-1}\sum_{i=1}^n(x_i - \...
2019-09-12 11:31:21
1223
1
东北大学软件学院计算机网络复习资料
2019-05-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人