神经网络向量形式:y=wT.x+by = w^T . x +by=wT.x+b这只是一个样本的处理，行向量点乘列向量。而我们实际操作使用的是矩阵形式。神经网络矩阵形式:矩阵形式Ｘ放在前面，所以都是ｘ.dot()，我们使用numoy处理都是使用矩阵。神经网络损失函数：求导：求导前准备：以下非常重要要当做基本公式使用．公式１：公式２：公式３：求解析解：使用三个公...

文章目录随机森林算法描述：如何对features进行bootstrap?算法代码实现：随机森林算法描述：如何对features进行bootstrap?我们需要一个feature_bound参数，每次把可以选择的features打乱，从种选出log(d）个，每次选择feature划分时都是这么选择。原来的决策树代码，是在结点的可选node维度列表里选取：for feat in self....

文章目录卷积层的数据shape和普通层的数据shape差别：卷积层实现实现池化层实现 CNN 中的特殊层结构实现 LayerFactory网络结构卷积层的数据shape和普通层的数据shape差别：针对一般图像数据shape: Npq，图像就是二维浮点数据，N为数据个数，p,q为图像的维度。卷积层的中间层数据shape: Npq*r，r为channels。数据的shape必须非常清楚，因为...

文章目录retain和detach先更新D，再更新G，这个也是GAN论文的实现方式先更新G，再更新D，实际上他两谁先谁后都一样，都是相互对抗：第三种是第一种的改进， 先更新D，再更新G，计算最少，还没见到别人实现，估计知名框架这么实现，每具体检查过：retain和detachpytorch有两个功能：retain和detach：retain：意思是保持原来graph，可以还在原图上进行for...

最大子段和，前面b[j]理解的是：终点在j的最大连续子段和，及从k:j最大和是对b[j]进行动态规划，从k:j最大和：取决于k:j-1的最大和，他大于0的话，就为k:j-1的最大和+arr[j],他小于0的话，就只是arr[j]终点在j一共有n种情况，原问题只是求b[j]的最大值从上面可以看出，终点在j的最大连续子段和这个还是很刁钻的，解决问题你不从原问题直接去分解，而去想“终点在j的最...

文章目录卷积层的数据shape和普通层的数据shape差别：卷积层实现实现池化层实现 CNN 中的特殊层结构实现 LayerFactory网络结构卷积层的数据shape和普通层的数据shape差别：针对一般图像数据shape: Npq，图像就是二维浮点数据，N为数据个数，p,q为图像的维度。卷积层的中间层数据shape: Npq*r，r为channels。数据的shape必须非常清楚，因为...

神经网络向量形式:y=wT.x+by = w^T . x +by=wT.x+b这只是一个样本的处理，行向量点乘列向量。而我们实际操作使用的是矩阵形式。神经网络矩阵形式:矩阵形式Ｘ放在前面，所以都是ｘ.dot()，我们使用numoy处理都是使用矩阵。神经网络损失函数：求导：求导前准备：以下非常重要要当做基本公式使用．公式１：公式２：公式３：求解析解：使用三个公...

文章目录卷积层的数据shape和普通层的数据shape差别：卷积层实现实现池化层实现 CNN 中的特殊层结构实现 LayerFactory网络结构卷积层的数据shape和普通层的数据shape差别：针对一般图像数据shape: Npq，图像就是二维浮点数据，N为数据个数，p,q为图像的维度。卷积层的中间层数据shape: Npq*r，r为channels。数据的shape必须非常清楚，因为...

神经网络向量形式:y=wT.x+by = w^T . x +by=wT.x+b这只是一个样本的处理，行向量点乘列向量。而我们实际操作使用的是矩阵形式。神经网络矩阵形式:矩阵形式Ｘ放在前面，所以都是ｘ.dot()，我们使用numoy处理都是使用矩阵。神经网络损失函数：求导：求导前准备：以下非常重要要当做基本公式使用．公式１：公式２：公式３：求解析解：使用三个公...

文章目录SVM目标函数SVM目标函数推导函数间隔：几何间隔：软间隔、松弛HingeLoss和软间隔随机梯度下降算法线性SVM的算法描述：SVM目标函数SVM目标函数推导函数间隔：几何间隔：SVM 算法就可以比较自然地叙述为：最大化（几何间隔）d、使得：不妨假设函数间隔为1，这样就得到最开始的优化目标方程。约束条件中：yi(w.x+b)−1>=0y_i(w .