真实值表示真实世界中的数据（总体）观测值表示机器学习模型的样本数据（样本），但不一定是真实世界中的数据（可以来自真实世界）预测值表示学习模型预测出的数据我们要用预测值训练机器学习算法，然后用模型得到的预测值去预测真实世界的数据...

如果你的服务器是阿里云服务器，那么请往下看：当我们在服务器上配置好 uwsgi 后，使用 uwsgi --ini uwsgi.ini 部署项目时虽然出现提示：[uWSGI] getting INI configuration from uwsgi.ini但通过如下命令查看绑定的端口时，发现端口并没有被监听netstat -lnp|grep 8005 //8005为ini文件中绑定的端口号...

HMM（隐马尔可夫模型）对于一个观测序列，我们认为这个观测序列是由另一个状态序列输出的，而这个状态序列我们称之为隐马尔可夫链隐马尔可夫链每次可以输出一个观测值，但是一个观测值一次只能被一个状态输出；HMM 的每一个状态输出完一个观测值后会根据概率转换到其他状态（其他状态也包括自身状态）然后在下一个状态下在输出下一个观测值，直到输出所有观测值时结束一个HMM包含三组参数（π,A,B\pi,A,Bπ,

1.识别过程：对于每一帧的特征，根据状态转移矩阵A，2. 训练过程：使用k-means等方法初始化每个状态对应GMM中每个高斯分布的权重参数

文章目录1 配置文件2 定义模型2.1 __init__(self,config)函数2.1 conv_and_pool()函数2.3 forward(self,x)函数1 配置文件首先定义一个配置文件类，类里边存放Bert和CNN的一些超参数class Config(object):'''配置参数'''def __init__(self,dataset):# 模型名称self.model_nam

计算机视觉领域一般使用CNN网络进行特征提取，但是为了增大CNN卷积核的视野，需要不断增加CNN网络的深度；不断增加网络深度会导致CNN网络训练效率变差、训练过程复杂且不稳定；将transformer网络和CNN网络相结合，用的transformer的self-attention机制代替CNN中卷积层叠加策略，便能在扩大CNN视野的同时增加网络的训练效率；transformer网络和CNN网络相结

在学习机器学习相关理论时，我们常常会会在公式中遇到指数函数和对数函数，但是很时候我们并不理解这些函数的的真正作用，这里结合几个机器学习中的公式来具体分析一下指数函数和对数函数的作用指数函数由上图可知：指数函数的自变量范围是（-∞，+∞），因变量范围是（0,+∞）当指数函数自变量范围在（-∞，0）时，因变量输出范围为（0，1）因此，在神经网络中我们可以用指数函数的这两个性质对数据进行（-∞，+∞）到

目录1.置信区间的计算1.1 总体方差已知1.2总体方差未知2.计算 P-Value2.1 总体方差已知2.2总体方差未知1.置信区间的计算根据总体分布（T分布或者Z分布）和规定的置信度计算总体均值在指定置信度下的置信区间，然后将实验值和置信区间比较，若在置信区间之外（小概率事件发生）则表示实验统计量和总体统计量存在显著差异1.1 总体方差已知总体方差已知时，根据总体均值和方差，使用Z分布计算置信

文章目录1 配置文件2 定义模型2.1 __init__(self,config)函数2.1 conv_and_pool()函数2.3 forward(self,x)函数1 配置文件首先定义一个配置文件类，类里边存放Bert和CNN的一些超参数class Config(object):'''配置参数'''def __init__(self,dataset):# 模型名称self.model_nam

前文链接：energy百分百：从源码解析 Bert 的 Embedding 模块​energy百分百：从源码解析 Bert 的 BertEncoder 模块以上两篇文章解析了Bert的BertEmbedding、BertEncoder模块，接下来分析bert的第三个重要模块 BertPoolerBertPooler模块本质上就是一个全连接层网络，或者说一个分类器；BertPooler模块接在ber