2401_87684841的博客

原创 Gauhuman论文复现总结

GauHuman是基于3D高斯泼溅（3D Gaussian Splatting）的动态人体重建框架，其核心创新在于规范空间表示和双四元数形变场。├── __init__.py # 渲染器入口├── gaussian_model.py # 3D高斯模型定义├── gaussian_renderer.py # 高斯渲染器├── scene/ # 场景管理├── utils/ # 工具函数└── external/ # 外部依赖（diff-gaussian-rasterization）

原创 吴恩达机器学习 *正则化 过拟合问题

模型为线性（w1​x+b ），对训练集拟合效果差，存在高偏差，如左图，因模型简单，无法捕捉数据复杂规律。选取合适的特征，缺点是可能会丢失部分有用的特征。

原创 吴恩达机器学习*分类

原创 机器学习*octave基本操作，矢量

向量化实现，将参数更新转化为矩阵运算 Θ:=Θ−αδ ，其中 δ 是通过训练数据矩阵运算得到的梯度向量，避免循环，提升计算效率。的内容，包含 3999、3299 等 10 个数值，代表对数组元素的索引截取操作及结果。的数组（或向量）中提取第 1 到 10 个元素，赋值给变量。会在该子图绘图，用于多图布局展示。的维度（行数 × 列数 ），结果。用于控制绘图时坐标轴显示的区间。对应元素相乘（需同维度）是 3 行 2 列；（保持绘图窗口 ）、

原创 吴恩达机器学习*多元梯度下降法+正规方程

hθ​(x)=θTx=θ0​x0​+θ1​x1​+θ2​x2​+⋯+θn​xn​ ，用于预测输出，θ 是参数向量，x 是特征向量：θ0​,θ1​,…,θn​ ，是 n+1 维向量，需学习确定以拟合数据：J(θ0​,θ1​,…,θn​)=1\2m1∑i=1m​(hθ​(x(i))−y(i))2 ，衡量预测值与真实值 y(i) 误差，m 是样本数量，目标是最小化它。

原创 吴恩达机器学习*矩阵

二.矩阵的运算。

原创 吴恩达机器学习*代价函数，梯度下降

为了使更多数据能拟合在线上 因此要用代价函数对θ_0和θ_1合适选择。

原创 吴恩达机器学习笔记*序言部分+监督/无监督学习

定义：对于某类任务 T 和性能度量 P，如果一个计算机程序在 任务T 上以 P 衡量的性能随着经验 E 而自我完善，那么我们称这个程序在从经验 E 中学习。（1）预测房价：通过许多面积对应的房价用线来拟合后，预测更多连续值输出。该流程为监督学习的流程 通过数据的训练后 再通过算法计算假设函数h。：eg基因的分类 （没有提前告知算法 机器自行进行分类）标记数据充足时能达到较高准确率 适用于多种预测任务。假设函数：hθ（x)=θ_0+θ_1x。分类问题：预测离散值输出。回归：y可以取任意值。