和通用函数类似的比较操作前面介绍了通用函数，并且特别关注了算术运算符。我们用+、-、*、/和其他一些运算符介绍了数组的逐元素操作。numpy还实现了如<(小于)和>(大于)的逐元素比较的通用函数。这些比较运算的结果是一个布尔类型的数组。一共有6种标准的比较操作：x=np.array([1,2,3,4,5])x<3 #小于array([True, True,False,False,

语言建模与循环神经网络（language Modeling and RNN）语言模型的实质就是预测下一个出现的词的概率 给一段文本依次预测N-gram modelN-gram就是由n个连续单词组成的块核心思想：通过统计不同n-grams出现的概率，然后预测下一个词语。假设与定义：一个简单的条件概率模型：第n个单词是什么只取决于前面n-1个单词如何计算？通过对大型语料库的计数来计算概率N-gram的

模糊数学基础文章目录模糊数学基础1. 前言2. 区分随机性和模糊性3. 模糊数学的基本概念1. 模糊集和隶属函数2. 模糊集的表示3. 确定隶属函数的方法4. 与传统集合论的区分4.模糊数学的基本运算1.模糊集的运算2.模糊关系与运算1. 关系与模糊关系2. 模糊关系矩阵的运算3. python程序求解法1. 前言1965年 美国著名控制论专家发表了Fuzzy Sets 从而开创了模糊数学的基本概

文章目录梯度的数值逼近梯度检验(Grad check)使用梯度检验的注意事项：梯度的数值逼近大O表示法-表示逼近误差用双边误差检验应该比单边误差检验更加合理，计算出的值更加接近导数的真实值梯度检验(Grad check)梯度检验的步骤：首先将每一层的w,b进行连接和组合来组成一个巨大的向量，所以这时J的参数就只有一个大θ然后用for遍历大θ对大θ中的每一个θ做梯度数值逼近计算，最终得到一个向量dθ

Bert作为新兴的预训练模型在很多下游自然语言处理任务中获得了很好的效果。神经机器翻译也因为Transformer架构的出现性能得到了大幅度提升。Bert做到了一个很重要的一点就是context-sensitive，也就是上下文敏感。而今天，我们就使用一下一个典型的上下文敏感的例子来测试一下各大翻译软件的性能。帮助从一个不同的角度看哪个翻译软件最好这个热门话题。我选取的例子是 a crane is

文章目录神经网络的表示：双层神经网络的表示计算神经网络的输出多个训练样本的向量化实现将其向量化向量化实现的解释总结：推理演绎Activation functiontanh函数(对sigmoid函数做一定平移得到的新的函数)**Relu函数（修正线性单元）**总结：Why we need to use the activation function?**激活函数的导数**sigmoidTanhReL

基于书籍《Hands-onMachine Learningwith Scikit-Learn,Keras & TensorFlow》的笔记文章目录3 选择和训练模型3.1 训练和评估训练集3.2 使用交叉验证来更好地进行评估3.3 微调（fine-tune) 模型3.3.1 网格搜索（grid search）3.3.2 随机搜索3.3.3 集成方法（模型集成-融合）3.3.4 分析最佳模型

1.pyinstall在pycharm打包有第三方库的python程序的时候，可能会存在很多问题1.最常见的就是打包出来了 运行的时候 no module name XX错误解决：帖子主要参考上面这篇帖子，你需要手动去将你的第三方库文件夹去加到python项目的依赖下面，来保证打包的依赖可读性，并且需要在spec文件中声明指向它pyinstaller -F main.spec还有些说什么pytho

学习这篇博客需要上一篇的基础知识 模糊数学基础文章目录模糊模式识别基础1.择近原则定义汉明贴近度欧几里得贴近度黎曼贴近度则近原则栗：公式解：用python程序求解：2.最大隶属原则定义栗：解：模糊模式识别基础1.择近原则贴近度是对两个F集接近程度的一种度量定义设A,B,C∈F(U)A,B,C\in{F(U)}A,B,C∈F(U) 若映射​N:F(U)×F(U)−>[0,1]N: F(U)\t

文章目录RMSprop算法(Root mean squre)Adam(Adaptive moment estimation) 优化算法（将RMSprop和动量梯度结合在一起）超参数的选择RMSprop算法(Root mean squre)其基本思想和动量梯度下降法一样，也是为了消除梯度下降时纵轴方向的摆动而尽量不太影响水平轴，然后我们使用更大的learning rate 来高效的优化模型.这里我们