- 博客(6)
- 收藏
- 关注
RSS订阅原创 记录一下CausalDiscoveryToolbox的R包安装历程
使用python包CausalDiscoveryToolbox时，对R包是有依赖的，首先需要安装R，R完成安装后，修改CausalDiscoveryToolbox的配置文件，对于anaconda来说，配置文件为Lib\site-packages\cdt\utils目录下的Settings.py文件，
2023-06-21 00:04:49
629
原创 关于py2neo中的merge,create，当反复执行时，会出现什么。。。
先导包和创建点和关系先把包导了from py2neo import Node, Relationship, Graph, NodeMatcher,Subgraphimport logginglogging.basicConfig(level=logging.DEBUG, format="%(message)s")两个点，一条关系，一个subgrapha=Node('test',name='a')b=Node('test',name='b')r=Relationship(a,'knows'
2022-04-26 19:25:20
1672
原创 关于Proximal Methods，近端梯度下降的理解
本文介绍了两种Proximal Methods的证明方法以及实现。内容主要来源于王然老师的《Proximal Methods》一文以及网络，加入了部分个人理解。由于水平有限，如有不妥之处，敬请指正。为什么会有Proximal methods这个东东？在机器学习的损失函数求解过程中，通过计算梯度然后迭代寻找最小值是一个常用的方法。而对于一些函数，是无法求导的，这时就无法用梯度下降等方法求解了。比如加了L1L1L1正则的损失函数。argminβ1N∗∑i(yi−xi∗βt)+λ∗∥β∥1\mathop{\
2021-12-10 17:32:12
1728
原创 假设u~N(0, 1), X|u ~ N(u, 1)$，我们一起来推导 u的 posterior(p(u|X))
假设μ∼N(0,1),X∣μ∼N(μ,1)\mu \sim N(0, 1), X|\mu \sim N(\mu, 1)μ∼N(0,1),X∣μ∼N(μ,1)，我们一起来推导 μ\muμ 的 posterior(p(μ∣X)p(\mu|X)p(μ∣X))说明：X∣μX|\muX∣μ表示：(x1,x2,...,xn)∣μ(x_1,x_2,...,x_n)|\mu(x1,x2,...,xn)∣μp(μ∣X)=p(X∣μ)p(μ)∫p(μ∣X)p(X)dμp(\mu|X) =\frac{p(X|\mu)p
2021-12-01 00:20:57
339
翻译 Numpy和JAX中的随机数
前言本文主要翻译自colab上的一篇文档，增加了部分个人理解。colab原文链接如下：https://colab.research.google.com/github/google/jax/blob/main/docs/jax-101/05-random-numbers.ipynb#scrollTo=1Op_vnmkjw3z关于伪随机数的生成，pseudo random number generation：伪随机数并非真正的随机数，伪随机数是根据一定的算法，依据初始值（种子，key）生成的数值，当
2021-11-18 01:21:40
1771
3
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