作者：AI科技评论链接：https://zhuanlan.zhihu.com/p/80149671来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。KG2E模型。He等人认为，知识库中的关系和实体的语义本身具有不确定性，而过去模型中都忽略这个因素。因此，He等人提出KG2E，使用高斯分布来表示实体和关系。其中高斯分布的均值表示的是实体或关系在语义空间中的中心位置，而高斯

设有一个test集，大小为M，对其进行分类，label的数目共有N个。那么预测结果共有M个，每个结果是对于N个label的评分，设第i个test目标的groud-truth排名为。MR（Mean Rank，平均排名）：MRR（Mean Reciprocal Rank，平均倒数排名）：可见，MR越小越好，MRR越大越好。MR的取值范围：MRR的取值范围：，（注意倒数，即1除以原数，而不是倒着数）举例

声明：本文引用吴恩达教授的DeepLearning课程内容。1.目标检测基本概念对于之前的图像问题多数是图像分类，首先将一个图片输入到神经网络中，然后通过多层卷积运算，最后经过几个全连接层，交给Softmax得到分类预测概率向量。对于目标检测算法，输出标签需要增加边界框四个参数（有一些不同的表示方法：1.中心点、长、宽；2.左下角坐标、右上角坐标；3.左下角坐标，长，宽；但是原理都是一样的...

作者：秋去冬来春未远链接：https://zhuanlan.zhihu.com/p/33777286来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。权威定义哎，越扯越扯不清的感觉。我们还是看看比较权威的定义吧。维基百科上对于物联网的定义是“The Internet of things (IoT) is the network of physical devices,

一.随机过程（Stochastic Process）：1.定义：设随机实验的样本空间S={s}，如果对于每个s，有对应属于参数集T的参数t的函数X(s,t)，那么对于所有的s，得到一组t的函数{X(s,t),t∈T}，这个t的函数族称为随机过程，简记为X(s,t)或X(t)。族中的每个函数称为该过程的一个样本，它是随机过程一次试验的物理实现，是一个确知的时间函数，称为样本函数或样本曲线。

一、信号的正交分解到傅里叶级数1.信号分解为正交函数1.1矢量正交与正交分解信号分解就是将信号表示成一组相互正交的信号分量之和。由矢量空间理论可知，任意N维矢量可由N维正交坐标系表示。以二维矢量V为例，坐标 可表示为满足以下两个性质①.正交性②.单位模特性矢量空间正交分解的概念可推广到信号空间：类似于任意矢量可以表示为正交基函数的线性组合，在信号空间找到若干个相互正

http://zh.wikipedia.org/wiki/Help:MATH函数、符号及特殊字符转载注明出处：http://blog.sina.com.cn/s/blog_4df4d74401014qxb.html声调语法效果语法效果语法效果\bar{x}\acute{\eta}\check{\alpha}\grave{\eta}\breve{a}\ddot{y}\dot{x}\hat{\alph

论在机器学习还是深度学习建模当中都可能会遇到两种最常见结果，一种叫过拟合（over-fitting ）另外一种叫欠拟合（under-fitting）。首先谈谈什么是过拟合呢？什么又是欠拟合呢？网上很直接的图片理解如下：所谓过拟合（over-fitting）其实就是所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越，导致在验证数据集以及测试数据集中表现不佳。打个比喻就是当我需...

0、符号规定：转移概率，从状态i到状态j，n步转移概率，不关心是否重复经过状态j。：首达概率，经过n步第一次从i达到j的概率，规定途中不能经过状态j。：迟早到达的概率，为首达概率的和。：平均转移步数，为到达状态j的期望。...

记住了 就这条命令，以pytorch0.4.1，cuda10，torchvison0.2.1为例，可以自由更换版本conda install pytorch=0.4.1 torchvision=0.2.1 cudatoolkit=10.0 -c pytorch