![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
学习笔记
godotlee
这个作者很懒,什么都没留下…
展开
-
类与对象
本段落解释了类与对象及其之间的关系1、对象对象就是封装了数据及在这些数据之上的操作的封装体,这个封装体有一个名字标示它,而且可以向外界提供一组操作(或服务)。2、类类是对具有相同属性和操作的一组对象的抽象描述。3、类和对象的关系类代表了一组对象的共性和特征,类是对象的抽象,即类忽略对象中具体的属性值而只保留属性。而对象是对类的实例化,即将类中的属性赋转载 2016-11-10 13:42:43 · 231 阅读 · 0 评论 -
梯度下降 随机梯度下降 批量梯度下降
设训练样本有n个数据梯度下降公式损失函数公式梯度下降(Gradient Descent),一次更新θ,使用训练样本中所有样本随机梯度下降(Stochastic Gradient Descent),一次更新θ,使用训练样本中一个数据批量梯度下降(Batch Gradient Descent), 一次更新θ,使用训练样本中一批训练数据原创 2016-12-28 10:31:53 · 388 阅读 · 0 评论 -
特征缩放(Feature Scaling)
特征缩放解释:数据中某一维度的数值过大或过小时,将他们尽量缩放到[-1,1]或[0,1]之间.所谓特征的尺度,即代表该特征的维度上的数值大小.特征缩放作用:如K-NN算法中,如果某一维度上的值比其维度的大,则在计算样本欧式距离时,将会被该维度的值所主导.如梯度下降算法中,将所有特征的尺度尽量缩放到[-1,1]之间,能够减少迭代的次数,即加快收敛特征缩放的方法;原创 2016-12-28 10:54:03 · 946 阅读 · 0 评论 -
训练神经网络
使用神经网络的步骤:网络结构,即决定选择多少层及每层分别有多少个单元:第一层的单元数即我们训练集的特征数量最后一层的单元数即我们训练集的结果的类的数量如果隐藏层数大于1,确保每个单元层的单元个数相同,通常情况下隐藏层单元个数越多越好.训练神经网络:参数的随机初始化利用正向传播方法计算所有的h_θ(x)编写计算代价函数J的代码利用反向传播方法计算所有偏导数原创 2016-12-29 10:56:03 · 455 阅读 · 0 评论 -
聚类算法:k均值(k-means)
k-means算法接受一个未标记的数据集,然后将数据聚类成不同的组,k-means是一个迭代算法,步骤如下:1.首先选择k个随机的点(即聚为k组),作为聚类中心(cluster centroids).2.对于数据集中的每一个数据,计算其到每一个中心点的距离,并与距离最近的中心点关联起来,与同一个中心点关联的所有点聚成一类3.计算每一组的平均值,将改组的中心点移动到中心值的位置4.重原创 2016-12-29 16:36:25 · 390 阅读 · 0 评论 -
linux常用指令记录
du -sh 查看当前文件夹大小(需root权限)df -h 查看所有分区情况du -h --max-depth=1 查看文件夹的大小原创 2016-12-16 14:26:43 · 434 阅读 · 0 评论 -
linux 常用指令
ls [选项][目录名]列出目标目录中所有的子目录和文件cd [目录名]切换当前目录至目标目录pwd [选项]查看当前工作目录的完整路径mkdir [选项]目录...在指定位置创建文件夹或目录rm [选项]文件...删除文件或目录rmdir [选项]... 目录...从一个目录中删除一个或多个子目录mv [选项]源文件或目录 目标文件或目录将文原创 2017-02-11 16:15:59 · 260 阅读 · 0 评论 -
CRF 理解
CRF概念CRF(conditional random field) 条件随机场模型是由Lafferty在2001年提出的一种典型的判别式模型. 它在观测序列的基础上对目标序列进行建模.重点解决 序列化标注的问题,条件随机场的模型既具有判别式模型的优点,又具有产生式模型考虑到上下文标记时间的转移概率, 以序列化形式进行全局参数优化和解码的特点,解决了其他判别式模型(如最大熵马尔可夫模型)难以避免的标原创 2017-03-26 15:34:55 · 2338 阅读 · 0 评论