2017年08月_shiyongraow

12月 11月 10月 09月 08月 07月 06月 04月

转载业余时间决定了你的人生

一百多年前，有道数学题难住了全世界的数学家：“2的67次方减去1，究竟是质数，还是合数？”这是一个数论的题目，虽然它的知名度远不如“哥德巴赫猜想”，但是，破解它的难度，一点儿也不逊于后者。数学家们做过种种尝试，都无功而退。出人意料的是，1903年10月，在美国纽约举行的世界数学年会上，一个叫科尔的数学家，面对满场等待他学术报告的听众，一言不发，径直走向黑板，写下了一个等式：2^67 - 1 = 19

2017-08-11 16:16:54 402

原创机器学习第六周（二）

偏差（bias）与方差（Variance）以熟悉的三个例子开始：在上一讲中引入了测试误差和多项式次数。在这里，计算训练误差和交叉验证误差。更详细如下：即随着多项式次数d的不断增大，训练误差是不断减小的，验证误差再到达最佳多项式次数前也是不断减小，随后不断增加，为一个凸函数形式。由这个图我们得到：即当训练误差和验证误差近似相等且都比较大时，判断为高偏差、欠拟合（high

2017-08-31 21:36:42 1254

原创机器学习第六周（一）

仍然以预测房价为例，为了提高模型表现，通常会有如下几个措施：评估hypothesis（机器学习诊断法）从模型得出的hypothesis可能会很好拟合当前数据，但泛化性能太差，即overfit。所以为了更好评估hypothesis，作者这里将数据分成俩部分。一般取数据的前70%作为训练集，剩下的作为测试集。以线性回归为例： 1）、对训练集进行学习，得到参数theta 2）、计算

2017-08-31 18:16:41 312

转载 red hat 下配置上网

上网设置：http://www.oicto.com/vmware-win7host-linux-red-hat-9guest-%E4%B8%8A%E7%BD%91/ 访问共享文件夹：http://blog.csdn.net/liufunan/article/details/52226258上网设置2：http://www.cnblogs.com/hwd-cnblogs/p/4819537.html

2017-08-28 23:38:02 554

转载小波包变换入门——MATLAB

小波包变换的优势：（大部分书上网上都有，我就简单摘了点过来）由于正交小波变换只对信号的低频部分做进一步分解，而对高频部分也即信号的细节部分不再继续分解，所以小波变换能够很好地表征一大类以低频信息为主要成分的信号，但它不能很好地分解和表示包含大量细节信息（细小边缘或纹理）的信号，如非平稳机械振动信号、遥感图象、地震信号和生物医学信号等。与之不同的是，小波包变换可以对高频部分提供更精细的分解

2017-08-26 14:45:41 8930 1

原创线性方程组个数和方程未知数与方程解的关系

今天看论文遇到个等式求解问题，卡壳了就在wiki上查了下这里讨论非齐次线性方程组。非齐类似。抓住这个核心：矩阵中线性无关行向量的个数也称为矩阵的秩，矩阵的秩<=未知数的个数当矩阵的秩等于方程未知数的个数时，方程有唯一解且解为0。当矩阵的秩小于方程未知数的个数时，方程有无数个解。wiki的链接： https://zh.wikipedia.org/wiki/%E7%BA%BF%E6

2017-08-25 21:23:27 26526

转载 python常用的快捷键

ALT+P，上一个历史输入内容，ALT+N 下一个历史输入内容。 IDLE中按F5可以运行代码。编辑状态时: Ctrl + [ 、Ctrl + ] 缩进代码Alt+3 Alt+4 注释、取消注释代码行Alt+5 Alt+6 切换缩进方式空格<=>TabAlt+/ 单词完成，只要文中出现过，就可以帮你自动补齐。多按几次可以循环选择Alt+M 打开模块代码，先选中模块，然后按下此快捷键，会帮你打开

2017-08-24 20:08:05 2814

转载二进制加减法

十进制： 2 3 4 6 8 5- 1 6 8 5 9 0———————————————— 0 6 6 0 9 5在这个运算中，从右向左，5-0=5；8向前借一为18减九为9；六被减一为5再减5为0；4向前借一为14减8为6；3被减一为

2017-08-24 19:51:58 9808

转载原码、补码、、、

首先说明一点这篇博文是基于网络资料写作而来，尊重知识，广泛传播；可能你就需要它。但是转载请注明出处本博文参考链接参考资料参考资料本文说明一个基本的问题，补码的问题。需要说明一点补码是对负整数在计算机中存储的一种形式；另一种形式是负数在计算机中可以用符号+负数绝对值的形式表示一个负数；比如（-3: 1000 0011存储）但是这种表示的负数有两个零+0，-0，最要命的一点是不能做算术运算。比

2017-08-24 17:29:08 838

转载 Sift中尺度空间、高斯金字塔、差分金字塔（DOG金字塔）、图像金字塔

一、图像金字塔图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像。把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素（尺寸）逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像，这就构成了传统意义上的图像金字塔。获得图像金字塔一般包括二个步骤：1. 利用低通滤波器平滑图像 2. 对平滑图像进行抽样（采样）有两

2017-08-16 17:18:50 601

原创机器学习第五周（二）

1、Unrolling parameters 2、Gradient checking 梯度检验是对反向传播算法求得的偏导数的一种检验。公式如下：应用到theta矩阵：这里作者给出一个循环求每个梯度检验值，并将epsilon = 1e-4; 一般步骤：记住，在用反向传播算法学习前，一定要关掉梯度检验，因为梯度检验运行效率非常慢。3、Random initializat

2017-08-15 11:01:31 529

原创机器学习第五周（一）

1、Cost function 神经网络进行多分类结果的输出是以向量的形式，给出Cost function 并同逻辑回归做对比。 L是神经网络的层数；SL是L层的结点数（不包括偏置结点）；K代表几分类。2、Backpropagation Algorithm 同线性回归和逻辑回归用梯度下降来求解损失函数的最小值一样，我们用BP算法（反向传播算法）来求解神经网络中损失函数的最小值。首先，以

2017-08-14 12:06:11 379

转载 Printf输出顺序

对于printf函数printf(“%d%d\n”,a,b);函数的实际输出顺序是这样的先计算出b，然后在计算a，接着输出a，最后在输出b；例子如下：[cpp] view plain copy print?#include<iostream> using namespace std; int main() { int i=3,j=5; printf(”%d %d\n”,(i++

2017-08-12 21:20:28 860

转载鸽巢原理

鸽巢原理也叫抽屉原理，是Ramsey定理的特例。也是编程爱好者必须掌握的研究离散问题中存在性问题的方法。它的简单形式是：把ｎ＋１个物体放入n个盒子里，则至少有一个盒子里含有两个或两个以上的物体。做题之前，先贴几个小问题：（1）月黑风高穿袜子　　有一个晚上你的房间的电灯忽然间坏了，伸手不见五指，而你又要出去，于是你就摸床底下的袜子。你有三双分别为红、白、蓝颜色的袜子，可是你平时做事随便，

2017-08-11 16:27:04 2673

原创 matlab中的max函数

以下俩个易混： 1、[Y,I] = max(A) Y 返回A中每列中的最大数，I是返回这个最大数在第几行。Y，I都是行向量（可看作投影到X轴上） 2、[p,q] = max(A,[],2) p是返回每行的最大值，q是这个最大值所在的列。p,q都是列向量（可看作投影到Y轴上）

2017-08-05 10:54:08 4568

原创 Fminunc函数和Optimset函数

costFunction函数是自定义函数；输入是theta，输出是jVal和gradient，其中jVal是对照左边求损失函数的，gradient是对照左边求损失函数的偏导。Optimset函数：‘Gradobj’指用户自定义的目标函数梯度；‘MaxITer’指最大迭代次数，‘100’也就是最大迭代次数，这一项只能为整数。Fminunc函数：有三个输入，第一个输入为costfunction函数的句柄

2017-08-03 12:02:58 12041 3

原创机器学习第四周（二）

1、Examples 神经网络应用到逻辑运算上 AND theta(1)=[-30,20,20]，给出g(z)的图像，并假定g(4.6)=0.99，g(-4.6)=0.01，x1、x2分别取0,1，据theta值和x值代入g求得h的值，可以验证h的值是等于x1 and x2的。同样运算，验证OR NOT XNOR 红线表示AND运算，蓝线表示（NOT x1）AND（N

2017-08-03 11:20:59 432

原创逻辑运算符

1、and —— && （and和&&运算结果是一样的）贴出wiki上的结果 “有假即假”2、or——|| “有真即真”3、nor “全0为1，其余为0”4、xnor 5、not

2017-08-03 10:15:47 389

原创机器学习第三周（三）--正则化

1、过拟合问题（overfitting）第一幅图片能看到模型能大致拟合数据，但效果不是很好；第二幅相比效果就好很多；第三幅图片也能很好的拟合当前数据，但是预测数据效果不行。我们将第一幅图片中的现象称为“欠拟合”（ underfitting）也叫“高偏差”（high bias），第三幅中的现象称作“过拟合”（overfitting）也叫“高方差”（high variance）。图片2中的模型是我们

2017-08-02 21:44:17 398

原创机器学习第四周（一）

1、Non-linear hypotheses，引入课程中的一幅图片对于图中的数据，只有俩个feature，分类效果尚能令人满意，但当feature数量不断增大时，假设函数中二次项数会剧增，比如feature为100时，此时二次项数为（100*100）/2=5000个作者后面又举了一个识别汽车的例子，在一幅50*50像素的图片中，特征量能达到2500个，那么二次项就有（2500*2500

2017-08-02 17:08:37 403

原创标准库类型string

Getline函数：希望在最终得到的字符串中保留输入时的空白符。这时应该用getline函数 Getline函数的参数是一个输入流和一个string对象，函数从给定的输入流中读入内容，直到遇到换行符为止（换行符也被读进来了），然后把所读的内容存入到string对象中去（不存换行符）getline只要一遇到换行符就结束操作并返回结果，哪怕一开始输入的就是换行符也是如此。注意使用Getline函数

2017-08-02 11:16:10 238

原创机器学习第三周（二）--Cost function--Gradient descent

损失函数：逻辑回归如果使用和线性回归相同的损失函数，那得到的损失函数图像如下：由函数图像看出，这是一个非凸函数（凸函数最重要的特征是局部最优解同时也是全局最优解），并不适用于做逻辑回归的损失函数。我们对损失函数作出改变，得到全新的损失函数并得到其图像：从图像看出，函数只有一个最小值，这个最小值是局部最小值同时也是全局最小值。这个损失函数是一个凸函数。以二分类为例,输入结果

2017-08-01 11:19:39 642