- 博客(8)
- 收藏
- 关注
RSS订阅原创 金融数据处理面
买房研报服务于基金经理，提出明确的买入卖出建议，获得基金经理的认可。试中展示你的项目，特别是那些可以证明你数据处理和分析能力的项目。卖方研报服务于买方，主要提供有价值的观点，数据。
2024-04-24 12:26:41
133
原创 GAN（三）变种介绍
因此判别器D的训练目标就是在输入不是一对真实图像（x和G(x)）时输出小的概率值（比如最小是0），在输入是一对真实图像（x和y）时输出大的概率值（比如最大值是1）。x作为生成器G的输入（随机噪声z在图中并未画出，去掉z不会对生成效果有太大影响，但假如将x和z合并在一起最为G的输入，可以得到更多样的输出）得到生成图像G(x)。生成器G的训练目标就是使得生成的G(x)和x作为判别器D的输入时，判别器D输出的概率值尽可能大，这样就相当于成功欺骗了判别器D。理论上，x~ 应接近原始图像 x。
2024-04-20 14:13:17
1080
原创 GAN（二）损失函数推导
上式中，我们目标是max V（D,G），即固定G，调整D，那么G不受影响，G（z）是近似X的分布，这里我们换元，后半部分，就变成了对x的积分，噪音的分布也写成。X 是真实数据，G(z)是生成的数据，所以有D（x) -> 1, D（G(z)）-> 0.要求调整D，求最值，于是对D进行求导，找驻点嘛。（注意，只是对D求导，并不对x进行求导），就是提高判别器的能力，在判别器眼里，这应该是两种。，就是提高生成器的能力，在生成器眼里，这应该是两种。其中 max 代表，固定G，调整D，使得。
2024-04-20 13:08:20
607
原创 GAN（一）先验知识
在统计学和概率论中，有这样一个观念，认为许多现象和数据都可以通过特定的概率分布来描述和预测。通过这些分布模型来帮助我们理解和预测自然和社会现象的行为。有些现象可能由复杂的因素互相作用，使得它们的分布难以用传统的概率分布来描述。（在图像处理中这点尤为明显，比如人脸的组成，眼睛、鼻子、嘴巴、耳朵，都有各自的分布位置；比如树，树干，树枝，树叶）。插一句题外话，这也是GAN如此强的生成能力却没有应用在文本生成方面的原因之一。在此之前，许多关于深度学习生成模型的研究都专注于构造一个能够明确描述概率分布的模型。
2024-04-19 22:30:54
1681
原创 cuDNN 与 CUDA 版本选择
显卡驱动是封装成软件的程序，硬件厂商根据操作系统编写的配置文件。安装成功后成为了操作系统中的一小块代码，它是硬件所对应的软件，有了它，计算机就可以与显卡进行通信，驱使其工作。如果没有显卡驱动，显卡就无法工作。
2024-04-13 11:48:36
2150
原创 英语语法--状语与补语的区别
even if they do not hamper disaster relief, they do hobble the Syrian state” 整体上作为一个分句，是对“broader questions” 的一个说明，它提供了。“She is a teacher” 中，“a teacher” 是主语“She”的补语，因为它补充说明了“She”的职业。“The sky is blue.”中，“blue”是主语补语，是形容词，因为它描述了“sky”的性质。背景信息，所以是可替换的,是原因状语。
2024-04-10 22:33:18
281
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人