ICode9

精准搜索请尝试: 精确搜索
  • 深度学习:优化算法2022-09-16 16:30:47

    1 梯度下降 为什么梯度下降算法可以优化目标函数? 考虑一类连续可微实值函数\(f: \mathbb{R} \rightarrow \mathbb{R}\), 利用泰勒展开,我们可以得到 \[f(x + \epsilon) = f(x) + \epsilon f'(x) + \mathcal{O}(\epsilon^2). \]\[f(x - \eta f'(x)) = f(x) - \eta f'^2(x) + \mathcal

  • 优化器Optimal2022-09-12 19:30:49

    未完成!!!!!! 神经网络的训练主要是通过优化损失函数来更新参数,而面对庞大数量的参数的更新,优化函数的设计就显得尤为重要,下面介绍一下几种常用的优化器及其演变过程: 【先说明一下要用到符号的含义】: 损失函数里一般有两种参数,一种是控制输入信号量的权重(Weight, 简称$ w $),另一种是调

  • Fedora 24 Beta 版发布下载!2022-09-04 21:00:32

    Fedora 24 Beta 在经过三次延期后终于在 2016 年 5 月 10 日放出,除了对传统 32 位和 64 位架构的支持外,此次 Fedora 24 Beta 还额外增加了对 PPC64、PPC64el 和 ARM64 的支持。此外,你还可以下载和测试基于云和 Docker 的 Beta 映像。 为了满足不同的测试环境和特定用例,此

  • 学习偏态分布的相关知识和原理的4篇论文推荐2022-08-31 10:34:12

    偏态分布(skewness distribution)指频数分布的高峰位于一侧,尾部向另一侧延伸的分布。偏态分布是与“正态分布”相对,分布曲线左右不对称的数据次数分布,是连续随机变量概率分布的一种。可以通过峰度和偏度的计算,衡量偏态的程度。 1、The Generalized-Alpha-Beta-Skew-Normal Distri

  • appium 2.0 beta版体验2022-08-26 00:33:28

    appium 创建了Appium 2.0的项目看板,项目正在开发中。 https://github.com/appium/appium/projects/2 Appium 2.0 核心特性 独立的驱动:能够安装和使用基于你的应用平台的解耦的驱动程序。(iOS, Android, Windows OS, Flutter, etc.) 我们知道Appium为了支持多平台,集成了各种驱动

  • NOIP2022模拟赛二 By yzxoi 8.172022-08-17 17:01:28

    Preface 今天早上被公交车搞了,晚了30min才到…… 最后T1读入\(n\)的时候写%d了,喜提30pts(结果Rank竟然不变233) A. 「NOIP2022模拟赛二 By yzxoi A」『Pale』/ feat. 初音ミク Pro 有线性递推数列\(F\)满足: \[F(n)=3F(n-1)+2F(n-2)(n\ge 2)\\ F(0)=0,F(1)=1 \] \(Q\)次询问,每次

  • MathProblem 35 Light bulb problem #12022-08-16 06:30:08

    You have ten light bulbs. Five have an average life of 100 hours, and the other five have a average life of 200 hours. These light bulbs have a memoryless property in that their current age (measured in how long they have already been on) has no bearing o

  • 一文看懂线性回归和非线性回归2022-08-15 20:03:13

    一文看懂线性回归和非线性回归            1. 非线性回归            2. 线性回归            3. 总结1. 非线性回归我们首先来看维基百科中对于非线性回归的定义:In statistics, nonlinear regression is a form of regression analysis in whic

  • 评价指标2022-08-14 22:02:21

    混淆矩阵(Confusion Matrix) 混淆矩阵 预测 类1 类2 类3 实际 类1 类2 类3 每一行之和为该类别真实样本数量,每一列之和为预测为该类的样本数量,对角线上为预测正确。 TP TN FP FN TP(True Positive): 结果为正例,预测为正例 TN(True Negative): 结果为负例,预测为

  • 神经网络学习-优化算法52022-08-11 11:01:56

    优化算法 本次主要对动量梯度下降算法,RMSprop算法,Adam优化算法的学习进行一个总结,主要对这几个算法的公式和原理进行介绍,对于代码部分可以参考: https://blog.csdn.net/u013733326/article/details/79907419 mini-batch梯度下井 当一个数据集较大时,比如这个数据集内有100万条不同的

  • 雑用 22022-08-08 12:00:23

    平面旋转。应该是比较好理解的版本。 我们对一个平面(逆时针)旋转 \(\beta\) 度,无非就是对每一个有意义的向量 \(\boldsymbol a = (x, y)\) 进行旋转。不妨考察单位向量 \(\boldsymbol e = (\cos \alpha, \sin \alpha)\),令 \(\boldsymbol a = k \cdot \boldsymbol e\),则由三角恒等变

  • LGP5136口胡2022-07-22 14:09:58

    配一个 \((\frac{1-\sqrt{5}}{2})^n\)。为什么不是 \(\frac{\sqrt{5}-1}{2}\)?因为根号难处理需要消掉: \[f_n=(\frac{1+\sqrt{5}}{2})^n+(\frac{1-\sqrt{5}}{2})^n \]考虑把两边的 GF 都扒出来,设 \(\alpha=\frac{1+\sqrt{5}}{2},\beta=\frac{1-\sqrt{5}}{2}\): \[F(x)=\frac{1}{1-

  • 解决typora beta版本过期提示2022-07-21 16:35:11

    现在beta版的typora打开都会有这个弹窗提示,想要把弹窗提示解决其实很简单,只要按照下面这个办法解决就可以了。 win+r打开运行窗口,输入regedit,点确定打开注册表,依次展开计算机\HKEY_CURRENT_USER\SOFTWARE\Typora,然后在Typora上右键,点权限,选中Administrtors,把权限全部设置为拒绝。

  • Origin1.4.0.20220618_beta更新2022-07-17 20:02:49

    进入最新版本Origin1.4.0.20220618_beta上期版本1.3.0.20220529_alpha[小型更新不计入更新列表]中型更新,优化自适应缩放,微调细节。 下次预告:加入左侧导航目录,新增一个页面,增加css文件,取消html内的style样式,方便维护

  • 【Deep Learning】优化深度神经网络2022-07-16 23:09:27

    本文为吴恩达 Deep Learning 笔记 深度学习的实用层面 概念 训练 / 验证 / 测试: Training Set 训练集 Development Set 验证集 Test Set 测试集 偏差 / 方差: Bias 偏差 Variance 方差 Underfitting 欠拟合 Overfitting 过拟合 Optimal Error / Bayes Error 理想误差 / 贝叶斯

  • Typora 又提示过期了2022-07-13 13:02:50

    最近使用Typora ,收费以后一直使用的Beta版本,今天它又提示我过期了; 看了网络上的教程,都过于麻烦,还是购买正版支持一下吧 节省一下时间,毕竟开发也要成本。

  • 浅析拉格朗日乘数法及其对偶问题2022-07-11 21:33:20

    拉格朗日乘数(Lagrange Multipliers)法   在数学最优问题中,拉格朗日乘数法(以数学家约瑟夫·路易斯·拉格朗日命名)是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。这种方法将一个有n个变量与k个约束条件的最优化问题转换为一个有n + k个变量的方程组的极值问题,其

  • Variational Autoencoders for Collaborative Filtering2022-07-09 13:06:53

    目录概整体框架细节代码 Liang D., Krishnan R. G., Hoffman M. D. and Jebara T. Variational autoencoders for collaborative filtering. In International Conference on World Wide Web (WWW), 2018. 概 一种基于 VAE 的协同过滤方法. 整体框架 \(\bm{x}_u \in \mathbb

  • 面向开发者的HarmonyOS 3.0 Beta发布2022-07-08 11:00:10

    2021年10月,我们面向开发者发布了HarmonyOS 3.0 Developer Preview版,但开发的脚步永不停歇,现在我们又更新了API版本,配套发布了HarmonyOS 3.0 Beta。这些新API带来了哪些开发上的变化?快来了解吧~   01 版本类型介绍   面向开发者的HarmonyOS版本包含以下三种类型,具体说明如图1

  • 软件测试基础知识2022-07-04 17:02:52

    软件测试的定义(Software Testing) 官方释义: a.用来促进鉴定软件的正确性、完整性、安全性和质量的过程; b.是一种实际输出与预期输出间的审核或者比较过程; c.使用人工和自动手段来运行或测试某个系统的过程,其目的在于检验它是否满足规定的需求或是弄清预期结果与实际结果之间的差

  • 【Beta阶段】事后总结 - 灵境 | week172022-06-25 12:32:00

    Beta阶段事后总结 项目 内容 这个作业属于哪个课程 2022年北航软件工程 这个作业的要求在哪里 团队项目-Beta阶段反思 会议截图: Part1 设想和目标 1.1 产品 ① 产品定位 『 主打VR社交的趣味高校元宇宙 』 在alpha阶段的普通大学生和教师的社交的基础上,beta阶段重点

  • 2022年南京大学强基测试数学试题2022-06-25 08:31:45

    2022年南京大学强基测试数学试题 复试 考试时间2022年6月18日10:00-11:30 备注:一共是考两门:数学和物理各45分钟,数学一共三道题目 1. (2022年南京大学强基计划)设$n>1$为正整数,证明:$$\left( \frac{n+1}{3} \right) ^n< n! <\left( \frac{n+1}{2} \right) ^n.$$ 解法一. 先证明

  • 数值优化:经典随机优化算法及其收敛性与复杂度分析2022-06-22 21:36:39

    1 随机优化算法概述 随着大数据的出现,确定性优化算法的效率逐渐称为瓶颈。为了说明这一点,我们来看一个用梯度下降法求解线性回归的例子。 给定训练样本\(D = \{(x_i, y_i)\}_{i=1}^n\),线性回归的目标函数如下: \[f(w) = \frac{1}{n}\sum_{i=1}^nf_i(w)= \frac{1}{n}\sum_{i=1}^n(w^

  • Beta 阶段展示文档2022-06-19 14:03:27

    项目亮点总结 成员与分工简介 OSome 课程开发团队根据个人技术栈进行团队分工,并且在团队成员出现特殊状况的情况下及时调整分工,保证任务顺利完成。 典型用户场景 场景 1: 姓名:夜捉人 身份:OS 课程助教 时间:课上考试期间 需求:发布考试中实时通知 本平台满足需求的场景: 在

  • 【Beta阶段】团队项目Beta阶段展示 - 灵境 | week162022-06-19 00:31:53

    项目 内容 这个作业属于哪个课程 2022年北航软件工程 这个作业的要求在哪里 团队项目-Beta阶段项目展示 Part1 项目与团队亮点 1.1 团队介绍 1.1.1 成员分工 姓名&博客地址 真相 个人介绍 负责工作 PM 前端开发 后端开发 测试 杨濡冰 一只性格开(sha)朗(diao

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有