最近想复习一下数学知识，才看到偏导数就感到“温故而知新“了。以前学高数的时候经常求偏导数，到最后就光记住怎么算了，这里带着实际意义总结一下。偏导数的的定义就不写了，看了一下百度百科的定义是这样写的：感觉实在是没有什么意义……从简单（普通导数）开始。我们都知道，对于一元函数而言，比如y=ax+b, 显然对x求导可以得到函数的变化率。在上图这个函数中，只存在y随x的变化情况。对x求出的导数也就是y在x

泰勒公式是非常又名和重要的一个知识点了，我记得学xgboost的时候就用到了“二阶泰勒展开”，这里对泰勒公式做一个梳理和总结。对于泰勒公式，我把它理解成，用一个“有规律、可表达”的公式来代替一个复杂的函数。我们对一个函数进行“泰勒展开”，其实就是用泰勒公式去代替原函数。泰勒公式定义：这个式子称为f（x）在x0关于x-x0的n阶泰勒多项式。其中x0是任意位置的常数值，这个函数表示:原函数在x0处的瞬

对卷积和池化过程有了基本认识之后，这篇文章梳理LeNet、AlexNet以及VGG这三个经典的卷积神经网络，并通过代码实现其网络结构来加深理解。LeNetLeNet是最早发布的卷积神经网络之一了，LeNet是最早用来处理手写字体识别任务的网络，是非常简单而又经典。一般来说手写字体识别传入的图像是28*28的，但这里一开始先进行了padding=2的填充再卷积，所以下面图中input是32*32，这

PCA全称是Principal Component Analysis，即主成分分析。它主要是以“提取出特征的主要成分”这一方式来实现降维的。介绍PCA的大体思想，先抛开一些原理公式，如上图所示，原来是三维的数据，通过分析找出两个主成分PC1和PC2，那么直接在这两个主成分的方向上就可以形成一个平面，这样就可以把我们三位的样本点投射到这一个平面上（如右图）。那么此时的PC1和PC2都不单单是我们的其

Stylegan的一个非常实用的人脸生成模型，它可以通过控制参数来控制人脸生成的样式，包括五官、发型乃至人种肤色。这篇文章大致总结一下Stylegan的一些原理和要点。下图（右边）是stylegan生成器的模型结构：映射网络Mapping Network从上图可以看到，传统的生成器的输入就是直接用高斯分布下512维的随机向量。而Stylegan中使用了8层全连接网络Mapping network来

ResNet简单介绍ResNet是15年提出的经典网络了。在ResNet提出之前，人们发现当模型层数提升到一定程度后，再增加层数就不再能提升模型效果了——这就导致深度学习网络看似出现了瓶颈，通过增加层数来提升效果的方式似乎已经到头了。ResNet解决了这一问题。ResNet的核心思想就是引入了残差边。即一条直接从输入添加到输出的边。这样做有什么用处呢？可以这样理解：假如新加的这些层的学习效果非常差

这篇只针对目标格式为yyyy-MM-dd HH:mm:ss的，有其它需求的就不用看啦~今天被提了个要求要统一爬取过来的某日期字段为yyyy-MM-dd HH:mm:ss格式。一看才发现原来存储的日期格式五花八门的，几乎什么样子的都有，所以下面我对不同情况用不同的方法去处理。发现所有数据主要就两大类，做个总结：一、原数据是其他五花八门的时间格式，如2021，2016-02-24，2016/02/24

方向导数接着偏导数的基础，我们可以引出方向导数。方向导数和偏导数的区别就是：方向不同。仅此而已。我们常说的偏导数无非就是对x轴求偏导，对y求偏导。而方向导数则是对x轴与y轴之间的某一新方向求导数。还是用一下上次的图，这里我在x轴和y轴之间的平面上自己画了一个方向，并且与x轴夹角为α。那么我们的z既然可以对x方向或y方向求偏导，自然也能对我新画的这个方向求“偏导”，这个“偏导”就是方向导数。设这个新

核函数是我们处理数据时使用的一种方式。对于给的一些特征数据我们通过核函数的方式来对其进行处理。我们经常在SVM中提到核函数，就是因为通过核函数来将原本的数据进行各种方式的组合计算，从而从低维数据到高维数据。比如原来数据下样本点1是x向量，样本点2是y向量，我们把它变成e的x+y次方，就到高维中去了。把数据映射到高维在我们直观上理解起来是很难的，其实也并不用深刻理解，因为做这些的目的只是为了让机器去

今天想分享一个人工智能中的中文屋论证（也叫汉字屋，Chinese room）。什么是中文屋论证呢，我们知道图灵测试是判断是机器否是人工智能的公认标准。我先说图灵测试，知道了图灵测试就很好理解汉子屋论证了。图灵测试非常简单，就是图灵提出来的，判断一个机器是不是具有智能，就是在你和机器对话以后（前提是你不知道他是机器），你分辨不出来他是真人还是机器——如果你无法判断，就说明这个机器可以算做人工智能。图