- 博客(5)
- 收藏
- 关注
RSS订阅原创 小白学习pytorch源码（二）：setup.py最详细解读
小白学习pytorch源码系列第二篇，全文重点关注解析pytorch项目中的setup.py的源代码，并以此为根据探究pytorch项目的安装全过程。
2022-07-07 16:26:06
2666
1
原创 小白学习pytorch源码（一）：torch包函数如何实现？揭秘__init__.py
本文为学习pytorch源码系列第一篇，具体内容包括以torch.randint()为例讲解torch包函数具体实现方式，以及pytorch主要模块和如何使用c++和cuda为pytorch加速。
2022-07-05 18:29:57
2509
原创 奇异值分解的简单理解（SVD）
奇异值分解（SVD）特征值分解奇异值分解奇异值奇异值分解是特征值分解的一个普遍化的方法，适用于降维、图片压缩等方面的应用。特征值分解矩阵A是一个m*m的实对称矩阵（A=A’），则A可被分解为QEQ’，其中Q是正交矩阵（QQ’=I）。奇异值分解特征值分解需要A是实对称矩阵，而奇异值分解是特征值分解的推广。即任何矩阵A都可通过奇异值分解分解为以下形式：A=UEV’其中U和V都是单位正交阵，U为左奇异矩阵，V为右奇异矩阵，E仅在对角线方向上有值，称为奇异值。奇异值奇异值可以被看作成一个矩阵的代表
2020-09-17 21:41:09
554
原创 迭代量化算法的理解（ITQ）
迭代量化算法的理解（ITQ）迭代量化算法的步骤迭代量化算法发表于2011-CVPR-ITQ-IterativeQuantization AProcerusteanApproachtoLearning Binary Codes这一篇论文当中。其运用迭代的方法减少量化误差，从而得到最优的二进制代码。迭代量化算法的步骤1、对数据空间运用PCA（主成分分析）进行降维处理，从而将数据映射在一个二进制超立方体顶点上。2、用||sgn(v)−v||^2的方式判定量化误差。用B表示降维后的二进制编码。用V表示降维
2020-09-17 19:51:33
1088
原创 浅谈主成分分析（Principal Component Analysis）
浅谈主成分分析（Principal Component Analysis）算法步骤需要用到的知识最近看对机器学习产生兴趣，接触到了主成分分析这个技术，其目的是为了避免维度爆炸致使计算机的学习效率变得极低。因此，使用主成分分析，在降低数据维度的同时，最大层面上保留数据的完整性，减少损失。在这里推荐一篇文章，对主成分分析的讲解非常细致，建议阅读。https://www.cnblogs.com/wj-1314/p/8032780.html算法步骤设有m条n维数据：1） 将原始数据按列组成n行m列矩阵X
2020-09-16 20:56:23
376
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人