- 博客(12)
- 收藏
- 关注
RSS订阅原创 算法--搜索算法（持续更新）
定义：b：分支数（可能为无穷）d：最优解的深度（一定存在）m：搜索树的最大深度（可能为无穷）（1）时间复杂度：O（b^d）（2）空间复杂度：O（b^d）（3）完备性：是（当且仅当b是有限的）（4）最优性：是（当且仅当单步代价相同） 引入单步代价，每次扩展一个代价最小的节点（注意：搜索到某一结点但不一定扩展它，只有当它是当前所有未扩展结点中代价最小时才扩展），第一次被扩展的节点一定是最优解。（当单步代价相同时，该算法退化为宽度优先搜索）
2024-01-05 00:22:20
1014
1
原创 Python--matplotlib--颜色表
cmap即matplotlib.colors.Colormap，是一个包含三列矩阵的色彩映射表，简单来说就是一个shape为（N，3）的矩阵，矩阵中的值的值取值范围为[0,1]；每一行代表一个颜色，即RGB值。
2023-04-09 21:59:37
3420
原创 深度学习--梯度下降算法（持续更新）
引入物理学中的动量思想，加速梯度下降，梯度下降在不变的维度上，参数更新变快，梯度有所改变时，更新参数变慢，这样就能够加快收敛并且减少动荡。Adadelta的一个特例，当ρ=0.5时，E就变为了求梯度平方和的平均数；momentum的改进，在梯度更新时做一个矫正，具体做法就是在当前的梯度J上添加上一时刻的动量。NAG：（绿色）先在原来动量方向（棕）迈一大步，然后算梯度（红），得到矫正之后的绿色线。（1）优点：前期在参数空间更为平缓的方向，会取得更大的进步。（1）优点：仅需要计算一个样本的梯度，训练速度很快。
2022-11-22 13:06:56
873
原创 深度学习--超参数（持续更新）
通常情况下，一个或者一组优秀的学习率既能加速模型的训练，又能得到一个较优甚至最优的精度。以上两种情况在训练初期以及中期，此时若仍然以固定的学习率，会使模型陷入左右来回的震荡或者鞍点，无法继续优化。在小数据集上，通常微调的效果比从头训练要好很多，因为在于数据量较小的前提下，训练更多参数容易导致过度拟合。对数据的拟合较好，而在实际应用中，也验证了这一点。若有两类超参数，每类超参数有3个待探索的值，对它们进行笛卡尔积后得到9个超参数组合。机器学习中一直说的“调参”，实际上不是调“参数”，而是调“超参数”。
2022-11-21 16:50:03
13513
原创 Python--matplotlib（持续更新）
Matplotlib，全称“Matlab plotting library”，是Python中的一个库，它是数字的-NumPy库的数学扩展，是Python中绘制二维和三维图表的数据可视化工具pyplot，面向当前图；axes，面向对象；Pylab，沿用 matlab 风格。Matplotlib中的所有内容都按层次结构组织，层次结构的顶部是由matplotlib提供的matplotlb“状态机环境”——pyplot模块，仅用于图形创建等少数功能，用户显式创建并跟踪图形和轴对象。
2022-11-18 00:55:29
8999
1
原创 Python--numpy（持续更新）
N维数组对象（矩阵），所有元素必须是相同类型numpy对象分为数组array和矩阵mat，需要与列表list进行区分 表示维度个数 (数据类型对象)属性，表示数据类型 用于读取矩阵的长度，表示各维度大小 前者返回值：后者返回值：看前面的数组array，其他同上，不要“()” 用于在不更改数据的情况下为数组赋予新形状。 参数：（1）array：需要reshape的数组（2）newshape：新形状应与原始形状兼容。如果是整数，则结果将是该长度的一维数组。一个形状尺寸可以为-1或其他负数。在
2022-11-17 18:38:28
1901
原创 第一篇博客
本人初学者一枚，虽然之前一段时间一直在CSDN上查阅资料和看大佬们的文章，坚持做笔记，但还是打算把这些东西都写成博客记录下来吧，祝福自己一路前行。
2022-11-15 11:42:57
78
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