1 张量相加的四种方法2 .item()用法3 .view()用法例1 普通用法例2 参数使用4 .transpose()用法5 .contiguous()用法6 df.head()用法7 .unique()和.nunique()用法8 .shape用法9 shuffle() 函数10 data[:,j]11 pred.max(-1)12 nn.Linear( )13 np.linspace()1

你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。官方解法：https://leetcode-cn.com/problems/house-robber/sol

向量建模方法的再思考Multi-Column卷积神经网络实验分析与总结本文将介绍一篇利用深度学习对该向量建模方法进行提升的论文，来自北京航空航天大学和Microsoft研究院的 Question Answering over Freebase with Multi-Column Convolutional Neural Networks（文章发表于2015年的ACL会议）。该文章使用了卷积神经网络

分类问题（Classification）在分类问题中，要预测的变量 y是离散的值。逻辑回归 (Logistic Regression) 的算法是目前最流行使用最广泛的一种学习算法，它算法的性质是：输出值永远在0到 1 之间。逻辑回归算法实际上是一种分类算法，它适用于标签 y取值离散的情况。假设陈述（Hypothesis Representation）我们引入一个新的模型，逻辑回归，该模型的输出变量

代价函数（Cost Function）反向传播算法（Backpropagation Algorithm）为了计算代价函数的偏导数∂∂Θij(l)J(Θ)\frac{\partial}{\partial \Theta_{i j}^{(l)}} J(\Theta)∂Θij(l)​∂​J(Θ)，我们需要采用一种反向传播算法，也就是首先计算最后一层的误差，然后再一层一层反向求出各层的误差，直到倒数第二层。

目标一：数据压缩（Motivation I_ Data Compression）降维也是一种无监督学习问题。数据压缩不仅允许我们压缩数据，还因使用较少的计算机内存或磁盘空间，加快我们的学习算法。将数据从二维降至一维： 假使我们要采用两种不同的仪器来测量一些东西的尺寸，其中一个仪器测量结果的单位是英寸，另一个仪器测量的结果是厘米，我们希望将测量的结果作为我们机器学习的特征。现在的问题的是，两种仪器对

1 Python3安装pymysql第三方模块2 操作Mysql数据库3 封装成函数调用1 Python3安装pymysql第三方模块Python2中是MySQLdb模块。Python3中没有MySQLdb模块了，所以使用pymysql2 操作Mysql数据库创建连接，指定数据库的ip地址，账号、密码、端口号、要操作的数据库、字符集创建游标执行sql获取结果关闭游标连接关闭详细可参考：https:

代价函数（Cost Function）反向传播算法（Backpropagation Algorithm）为了计算代价函数的偏导数∂∂Θij(l)J(Θ)\frac{\partial}{\partial \Theta_{i j}^{(l)}} J(\Theta)∂Θij(l)​∂​J(Θ)，我们需要采用一种反向传播算法，也就是首先计算最后一层的误差，然后再一层一层反向求出各层的误差，直到倒数第二层。

1. IndexError: list index out of range2. " re.error: missing ), unterminated subpattern at position 1 "3. 文件编码格式报错4. Anaconda Prompt中安装包5. No such file or directory6. ValueError: not enough values to

语言模型语言模型 指的是对语言现象的数学抽象。即给定一个句子 w，语言模型就是计算句子的出现概率 p(w) 的模型，而统计的对象就是人工标注而成的语料库。数据稀疏 ：p(w) 的计算非常难，句子数量无穷无尽。即便是大型语料库，也只能“枚举”有限的数百万个句子。实际遇到的句子大部分都在语料库之外，意味着它们的概率都被当作0。句子一般不重复，但单词是在重复使用，所以把句子表示成单词列表：w1w2⋯wk