- 博客(6)
- 收藏
- 关注
RSS订阅原创 【概率论】最大后验概率估计（MAP）理解
最大似然估计欲求使P(X|θ)最大的概率分布+参数组合（即最可能求得X的概率分布及其参数），将θ看作未知的固定值。最大后验概率估计MAP则将θ看作概率分布，欲求使P(X|θ)P(θ)最大的θ。此时，不仅要求P(X|θ)要大，在参数组θ先验分布中θ出现的概率P(θ)也要大，最后求二者共同作用下的最大值。根据贝叶斯法则+数据集中P(X)已知为定值两点可以推出，最大化P(X|θ)P(θ)也就是最大化P(θ|X)，此时P(θ|X)即为最大后验概率。（求可以最大化P(θ|X)的参数组θ，也可以理解成在X已知的情况
2020-07-08 15:22:31
1794
原创 【概率论】极大似然估计理解
首先，从宏观上来说，“似然”是根据已知的n个样本，求得“最可能通过随机取样得到这n个样本的分布及其参数”。极大似然估计就是求这个分布和参数的一种方法。（似然和概率的区别见https://blog.csdn.net/songyu0120/article/details/85059149）具体来说，假设我们手上有m种可能的分布和参数，n个已有的样本，在这m种中，我们通过极大似然估计来了解，在哪一种...
2020-01-11 12:51:08
497
原创 【论文阅读-NRE】Self-Supervised Representation Learning via Neighborhood-Relational Encoding
Abs：自监督表示 NRE：neighborhood-relational encoding邻居相关编码旧的unsupervised方法一般只注重用deep net抓取data中的重点，而忽视了他们和邻居之间的关系，这关系可以很有用。NRE试图在流形上保持局部的邻居结构，这样会对远处的点更不敏感。NRE实现为encoder-decoder结构，学习基于结点局部邻居的表示。结果还...
2019-09-27 14:53:52
852
转载 【Markdown编辑器】官方使用指南留档
The Truly Deep Graph Convolutional Networks for Node ClassificationAbstract目前的Deep GCN训练中主要有两个问题：over-fitting和over-smoothing。over-fitting：过拟合，会影响训练出的model在小的graph上的一般化使用。over-smoothing：由于depth的提升，...
2019-09-20 17:01:38
146
原创 【论文阅读-Autoencoder】Generalized Autoencoder: A Neural Network Framework for Dimensionality Reduction
1. 阅读前的预备知识：Autoencoder 无监督，主要用于数据降维或者特征抽取 pretrain：在深度学习中，autoencoder可用于在训练阶段开始前，确定权重矩阵的初始值 目标是让输入等于输出，为的是高维-->低维encode后损失的信息不多 对于多层神经网络，可以一层一层训练，固定之前的层之后来运行下一层的pretrain。 ...
2019-09-12 09:40:01
1714
原创 【Verilog】当算术右移“>>>”只会补零时我们能做些什么
一般认为“>>>”在Verilog里是算术右移指令，但实操中发现它有时会在右移时仍然补零，即使符号位为1。这是因为“>>>”会先判断这个操作数是否有符号数。如果是无符号数，则补零，是有符号数，才会补符号位。而一般使用的reg operand; 这种变量定义法默认所定义的变量为无符号数，因此只补零。Result = operandB >>>...
2018-05-26 10:19:08
21565
9
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