（convolutional neural networks，CNN）是机器学习利用自然图像中一些已知结构的创造性方法，需要更少的参数，在处理图像和其他类型的结构化数据上各类成本，效果，可行性普遍优于全连接层。最大池化，每个窗口最强的模式信号，它针对卷积对空间位置敏感（边缘检测案例），允许输入有一定的偏移。K扩了三倍，所以用小k规模和原来的K相当，因此X 对应扩充前的K，扩充后的小k。一个足够充分

今天收到了工信部的审核通过短信，（你的服务器要想使用域名解析，其中一个要求就是服务器要有备案），很开心，但，事情没那么简单，要求你30天内进行公安备案，我打开谷歌网址，开始了我的坎坷备案之旅。。。一天下午+加一天晚上+第二天下午，，，<www.beian.gov.cn>全国互联网安全管理服务平台卡在登录界面，无限刷新验证码尝试着登录，，，要么进去填着填着信息，下拉框就不在提供信息了，，

说明已经安装成功，并且启动成功了。最近有远程办公需求，需要连接内网服务器，又不太想用todesk，于是找到一个安全免费可用的。你就看到每一个论坛里提到的这个验证网址了，只需要在你的目前设备上点进去就可以帮助。并没有弹出任何登录url的提示，甚至一度想去机房看看究竟。服务器这边做验证，哈哈，不用去机房了。不过期，我这里设置过了，所以再点击就是。记得在web设备管理这里，设置。

原因如下 上面提到的双条件判断出现了[True,False,False,True,True,True]与[False,True,True,False,False,False]判断，出现了多组值的判断。上面的只适合一元响应变量的特征输入，很可惜 写成下面这样就无法通过编译了。这里的列，根据bool/条件语句/整数去选择列都可以，比如。特点：回归问题，解释变量唯一。回归问题，解释变量为。

解码端则负责生成目标语言序列，这一生成过程是自回归的，即对于每一个单词的生成过程，仅有当前单词之前的目标语言序列是可以被观测的，因此这一额外增加的掩码是用来掩盖后续的文本信息，以防模型在训练阶段直接看到后续的文本序列进而无法得到有效地训练。预训练阶段包括了编码器和解码器的部分，用于学习通用表示，而下游任务通常涉及到对编码器和解码器的微调，以适应具体任务。最底层的输入（x1, x2, x3） 表示输

若没有足够的历史记录来描述前τ个数据样本。一个简单的解决办法是：如果拥有足够长的序列就丢弃这几项；另一个方法是用零填充序列。序列模型主要用于处理具有时序结构的数据， **时序数据是连续的，**随着时间的推移，如电影评分、电影奖项、电影导演演员等。时光机器数据集中的每个文本行不一定是一个句子或一个段落，还可能是一个单词，因此返回的。对过去的数据建模，使用自身过去数据去预测自身未来数据，称为自回归模型

介绍：我们采用波士顿房价预测数据集进行回归任务分析。数据集分为训练集和测试集，训练集可用于训练回归模型，测试集需要进行预测。要求：1.做linear regression，或使用现成的线性回归函数，方法尝试使用Gradient Descent，SGD 以及 ADAM。2.比较不同learning rate的结果。例如损失函数曲线图3.比较有无加上regularization的结果。4.比较有无否使

加入一个或多个隐藏层+激活函数来克服线性模型的限制， 使其能处理更普遍的函数关系类型，这种架构通常称为*多层感知机*（multilayer perceptron）。

重点是梯度下降法，利用一阶导数，而二阶导数涉及到海森矩阵，具有较大的计算量，因此，往往采用梯度下降算法。

介绍：我们采用波士顿房价预测数据集进行回归任务分析。数据集分为训练集和测试集，训练集可用于训练回归模型，测试集需要进行预测。要求：1.做linear regression，或使用现成的线性回归函数，方法尝试使用Gradient Descent，SGD 以及 ADAM。2.比较不同learning rate的结果。例如损失函数曲线图3.比较有无加上regularization的结果。4.比较有无否使