文章开头加上一句：mathjax: true，即可启动Latex渲染。 1.打出斜体：\(O(n)\),$O(n)$ 2.打出根号：\(\sqrt n\) ,$\sqrt n$ 3.打出上标（单字符）：A\(^2\),A$^2$ 4.打出上标（多字符）：A\(^{mod}\),A$^{mod}$ 5.打出下标（单字符）：A\(_2\),A$_2$ 6.打出下标（多字符）：A\(_{mod}\),A$_{mod}$ 7.打出log对数：\(
------------恢复内容开始------------ Markdown学习笔记 前言 Markdown是一种轻量级标记语言，它允许人们使用易读易写的纯文本格式编写文档。 Markdown编写的文档可以导出 HTML 、Word、图像、PDF、Epub 等多种格式的文档。 Markdown 编写的文档后缀为 .md, .markdown。 实际上是
定义：Utility Types是ts内置的实用类型，用于类型转换。（https://www.typescriptlang.org/docs/handbook/utility-types.html） 源码位于：lib.es5.d.ts文件 常用的类型有：Partial， Required， Readonly， Record<K,T>，Pick<T,K>，Omit<T,K>，Exclude<T,U>等 例如: export interface User{
partial其实是Python模块functools中定义的一个函数，当我们需要经常调用某个函数时，但是其中某些参数是已知的固定值，这样可能会让代码显得冗余，这个时候就可以考虑使用partial函数。 做二进制转十进制时 print(int('1000000', base=2)) 64 print(int('1010101', base=2)) 85
出发点 对于一个样本，有输入和输出结果，我们的目的是优化训练我们的模型，使得对于样本输入，模型的预测输出尽可能的接近真实输出结果。现在需要一个损失函数来评估预测输出与真实结果的差距。 均方误差 回归问题 样本有若干维，每一维都有一个真实值。我们要将样本的数据通过我们的模型
一、信息熵 若一个离散随机变量 \(X\) 的可能取值为 \(X = \{ x_{1}, x_{2},...,x_{n}\}\)，且对应的概率为： \[p(x_{i}) = p(X=x_{i}) \]那么随机变量 \(X\) 的熵定义为： \[H(X) = -\sum_{i=1}^{n}p(x_{i})logp(x_{i}) \]规定当 \(p(x_{i})=0\) 时，\(H(X)=0\)。 通过公式可以看出，若随
Python的functools模块提供了很多有用的功能，其中一个就是偏函数（Partial function）。要注意，这里的偏函数和数学意义上的偏函数不一样。 在介绍函数参数的时候，我们讲到，通过设定参数的默认值，可以降低函数调用的难度。而偏函数也可以做到这一点。举例如下： int()函数可以把字符串转换为
目录 论文地址ResNet基本思想ResNeXt基本思想 论文地址 ResNet ：https://arxiv.org/pdf/1512.03385.pdf ResNeXt： https://arxiv.org/abs/1611.05431 ResNet基本思想 在训练深层网络时，一般会遇到三个问题： 过拟合。这一点其实很好理解，因为训练的损失函数是训练集上的loss，当
上一篇文章从数学角度上分析了过拟合产生的原因以及在损失函数中添加正则化从而在一定程度上避免过拟合，并从MLE和MAP两个角度来对线性回归进行建模，进而求解。然而在求解过程中，涉及到一些矩阵求导的基础知识，由于篇幅原因，现在本篇文章中做一个简要说明。 对一元函数 \(y=f(x)\)，输入
第一类曲线积分与第一类曲面积分 从命名分析： 第一类曲线曲面积分又被称为对弧长的曲线积分与对面积的曲面积分，这也表明第一类积分实际上是将我们熟悉的定积分（一元定积分与二重积分）中积分区域限定在一定长度的曲线上或一点面积的曲面上。由于曲线与曲面是分段光滑的，被积函数在定义
今天给大家的分享的是我们在ICML-2021上发表的一篇AUC优化的文章**《When All We Need is a Piece of the Pie: A Generic Framework for Optimizing Two-way Partial AUC》**被ICML 2021以长文形式接收。 ICML全称是International Conference on Machine Learning，是机器学
文章目录 一、引言1.1 记号1.2 方程1.3 研究内容1.4 实例 二、Sobloev空间2.1 连续可微空间2.2 L p
文章目录 新型期权、实物期权与金融创新实物期权实物期权和金融期权的差异实物期权类型实物期权的计算流程 场外期权期权的结构化设计 新型期权从期权角度看股票和债券基本的股权衍生品奇异期权路径依赖两值期权（binary option）打包期权障碍期权（Barrier Option）敲出障碍敲入障
1.1 人工智能 机器学习分类方式： 监督学习（Supervised Learning） 通过标注的数据来学习，例如，程序通过学习标注了正确答案的手写数字的图像数据，它就能认识其他的手写数字。 无监督学习（Unsupervised Learning） 通过没有标注的数据来学习。这种算法可以发现数据中自然形成的共同特
一、人工智能发展 一、人工智能的定义 \[机器学习\left\{ \begin{matrix} 监督学习 \\ 无监督学习 \\ 强化学习 \end{matrix} \right. \]神经元模型 二、范式的演化 三、神经网络基本工作原理 1.神经元细胞的数学模型 输入 input \((x_1,x_2,x_3)\) 是外界输入信号，一般是一个训
文章目录 1 求导定义与布局方式1.1 矩阵求导术1.2 分子布局和分母布局 2 标量对矩阵的求导术的基本思想2.2 微分法2.3 迹技巧2.4 迹函数对向量或矩阵的求导 3、矩阵对矩阵求导3.1 微分技巧3.2 Kronecker积技巧 参考 矩阵线性代数笔记整理汇总，超全面 本文符号定义
1、神经元细胞的数学模型 神经网络由基本的神经元组成，下图就是神经元的数 学/计算模型，便于我们用程序来实现。 2、神经网络中的三个基本概念 这三大概念是：反向传播，梯度下降，损失函数。 简单总结一下反向传播与梯度下降的基本工作原理： （1）初始化； （2）正向计算； （3）损失函数为我们提供
机敏问答[常微][1] #20210611 解的含义、通解答案 线素场答案 恰当方程和分离变量法答案 一阶线性ODE基础答案 本专栏主要作个人复习自测，有相关知识预备的同学也可作复习用。不保证无相应基础的人士能看明白。 万一考试考到了，或者对你的学习有较大帮助，一键三连不过分吧
Pytorch Note6 自动求导Autograd 自动求导简单情况的自动求导复杂情况的自动求导多次自动求导小练习 全部笔记的汇总贴：Pytorch Note 快乐星球 自动求导 用Tensor训练网络很方便，但有时候反向传播过程需要手动实现。这对于像线性回归等较为简单的模型来说，还可以应付，但实际
note 2020-07-26搬运 老早以前写的，很大一部分就是摘抄课本，语言稚嫩且缺少条理,格式七拼八凑不够正式 摘要 由平行四边形面积、平行六面体体积、行列式之间的简单联系谈及盒维数、微分是线性映射、度规系数、重积分变量代换定理。夹杂一些几何直观。 引言 在笛卡尔坐标系下，由矢
linux服务器开发相关视频解析： 90分钟了解Linux内存架构，numa的优势，slab的实现，vmalloc的原理 深度详解Linux内存管理(MM)机制 c/c++ linux服务器开发学习地址：c/c++ linux后台服务器高级架构师 本文主要介绍Buddy System、Slab Allocator的实现机制以及现实中的一些漏洞利用方法
Python的functools模块提供了很多有用的功能，其中一个就是偏函数（Partial function）。要注意，这里的偏函数和数学意义上的偏函数不一样。 在介绍函数参数的时候，我们讲到，通过设定参数的默认值，可以降低函数调用的难度。而偏函数也可以做到这一点。举例如下： int()函数可以把字符串转换为
C# 2.0 引入了局部类型的概念。局部类型允许我们将一个类、结构或接口分成几个部分，分别实现在几个不同的.cs文件中。 局部类型适用于以下情况： (1) 类型特别大，不宜放在一个文件中实现。 (2) 一个类型中的一部分代码为自动化工具生成的代码，不宜与我们自己编写的代码混合在一起。 (3
目录概主要内容 Locatello F., Bauer S., Lucic M., R"{a}tsch G., Gelly S. Sch"{o}lkopf and Bachem Olivier. Challenging common assumptions in the unsupervised learning of disentangled representations. In International Conference on Machine Leaning (ICML)
