Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，现在比较火热的 Bert 也是基于 Transformer。Transformer 模型使用了 Self-Attention 机制，不采用 RNN和LSTM 的顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。1.Transformer 结构首先介绍 Transformer 的整体结构，下图是 Tr

目录一.原理二.为什么要使用自编码器三.代码实现1.原始自编码器2.多层（堆叠）自编码器3.卷积自编码器4.正则自编码器4.1稀疏自编码器四.降噪自编码器五. 逐层贪婪训练堆叠自编码器参考一.原理自编码器由两部分组成：编码器（encoder）:这部分能将输入压缩成潜在空间表征，可以用编码函数h=f(x)表示。解码器（decoder）:这部分重构来自潜在空间表征的输入，可以用解码函数r=g(h)表示

今天开始陆陆续续更新机器学习的面试题，资料大多数来自网上，不做盈利目的，如果侵权请告知即删！如果文章中有错误的地方还请各位同学指正，如果大家面试中遇到好的面试题也请分享，一起学习，一起进步！1、SVM1.1.SVM基本原理答：基本思想：试图寻找一个超平面来对样本分割，把样本中的正例和反例用超平面分开，并尽可能的使正例和反例之间的间隔最大。几何间隔：点到超平面的距离。注意到几何间隔与||w||是成反

一、从csv文件读取数据为dataframe函数原型：pandas.read_csv(filepath_or_buffer,sep=', ',delimiter=None,header='infer',names=None,index_col=None,usecols=None,squeeze=False,prefix=None,mangle_dupe_cols=True,dtype=