- 博客(406)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 线性代数：向量组与向量组等价
向量组是由若干个同维数的行向量或列向量组成的集合。这些向量可以是二维的、三维的，甚至是更高维度的。在数学和物理学的许多领域中，向量组扮演着至关重要的角色，特别是在线性代数、矩阵论、以及工程学中。例如，一个由m个n维向量组成的向量组可以表示为A: a₁, a₂, …, aₘ，其中每个aᵢ都是一个n维向量。当m > n时，这样的向量组往往是线性相关的，即存在不全为零的系数k₁, k₂, …, kₘ，使得k₁a₁ + k₂a₂ + … + kₘaₘ = 0。
2024-07-21 21:42:58
192
原创 每天五分钟深度学习框架pytorch：pytorch中的线性代数常见的操作
diag的作用是取一个矩阵的对角线元素为向量，或者取向量作为对角阵的对角线元素。
2024-07-21 21:39:26
626
原创 从线性变换的视角理解矩阵范数与行列式
行列式是方阵的一个重要属性，它不仅仅是一个数，还蕴含着丰富的几何意义。对于二维空间中的线性变换，行列式的绝对值等于变换前后平行四边形面积的比值；因此，行列式可以看作是线性变换对空间体积的缩放因子。给定一个m×n矩阵A，它可以将n维空间中的向量映射到m维空间中，这一过程正是一个线性变换的实例。从线性变换的角度看，矩阵范数刻画了变换对向量长度或方向改变的程度。矩阵范数是定义在矩阵空间上的一种函数，用于衡量矩阵“大小”或“规模”的标量。线性变换是向量空间中的一种特殊映射，它保持向量的加法和数乘运算的线性性质。
2024-07-13 12:56:22
283
原创 每天五分钟深度学习：向量化神器Numpy
Numpy的向量化操作通过利用数组表达式和广播机制，实现了对大规模数据集的高效处理。它不仅提高了计算速度，还简化了代码，使得科学计算和数据分析变得更加容易和高效。通过深入学习Numpy的向量化操作，可以大大提高Python在数据科学、机器学习等领域的应用能力。
2024-07-13 12:54:29
260
原创 几何距离与函数距离：解锁数据空间中的奥秘
它表示数据点到超平面的距离，但这个距离并非物理上的直线距离，而是通过超平面的函数表达式f(x)=wTx+b来定义的。此外，在数据预处理和特征工程中，我们有时会通过变换数据或定义新的距离度量（如基于核函数的距离），来使原本在几何空间中不易区分的数据点在新的距离度量下变得可分。与几何距离不同，函数距离并非直接基于数据点在空间中的位置来定义，而是通过某种函数关系来反映数据点之间的“距离”。它常用于棋盘格上的移动问题。几何距离，顾名思义，是我们在几何学中熟悉的距离概念，如欧几里得距离、曼哈顿距离和切比雪夫距离等。
2024-07-12 23:33:56
584
原创 每天五分钟深度学习pytorch：一文帮你搞懂维度操作
大多数函数都有一个参数dim，用来指定这些操作是在哪个维度上执行的。关于dim(对应于Numpy中的axis)这里提供一个简单的记忆方式：假设输入的形状是(m, n, k)· 如果指定dim=0，输出的形状就是(1, n, k)或者(n, k)· 如果指定dim=1，输出的形状就是(m, 1, k)或者(m, k)· 如果指定dim=2，输出的形状就是(m, n, 1)或者(m, n)size中是否有"1"，取决于参数keepdim，keepdim=True会保留维度1。
2024-07-12 23:27:42
1561
原创 数学与机器学习：密不可分的伙伴关系
概率论和统计学是机器学习的基础。在机器学习算法中，概率论提供了对数据的建模和分析方法，而统计学则用于对数据进行推断和预测。例如，在分类问题中，贝叶斯公式被用于计算某个样本属于某个类别的概率；在回归问题中，最小二乘法被用来拟合数据并预测未来的趋势。此外，高斯滤波器在图像处理中的应用也基于高斯分布这一概率论中的重要概念，通过调整参数，可以控制图像的平滑程度，去除噪声或增强细节。线性代数在机器学习中同样占据核心地位。矩阵和向量运算是机器学习算法中的基本操作，如矩阵乘法、向量加法等。
2024-07-11 23:15:35
296
原创 每天五分钟深度学习：向量化技术在神经网络中的应用
在神经网络的权重更新、激活函数应用以及反向传播算法等关键环节中，向量化技术都发挥了重要作用。随着深度学习技术的不断发展，向量化技术将在更多领域展现出其独特的优势，推动人工智能技术的进一步发展和应用。
2024-07-11 23:14:18
649
原创 矩阵分解及其在机器学习中的应用
矩阵分解是将一个矩阵拆解为数个矩阵的乘积的过程。其核心思想是将原始数据的维度降低，同时保留数据的主要特征。矩阵分解有多种方法，常见的包括三角分解、QR分解、奇异值分解（SVD）等。其中，SVD因其强大的数据降维和特征提取能力，在机器学习中应用尤为广泛。
2024-07-10 23:29:18
551
原创 每天五分钟计算机视觉：目标检测算法之R-CNN
R-CNN作为一种强大的目标检测算法，通过将目标检测问题分解为候选区域生成和特征提取两个子问题，并利用卷积神经网络提取特征和支持向量机进行分类，取得了显著的性能提升。虽然R-CNN存在一些缺点，但其思想和方法为后续的研究提供了重要的基础。
2024-07-10 23:26:04
300
原创 每天五分钟深度学习框架pytorch：tensor向量的统计函数的运算
给定一个向量，我们如何才能获取到这个向量中重要的那部分呢？比如均值，最大值等等，我们可以使用pytorch中已经封装好的方法来完成这些任务。
2024-07-04 23:30:45
130
原创 解锁机器学习潜力的钥匙：深度剖析交叉验证集的应用与魅力
同时，在模型调优阶段，交叉验证也是调整超参数（如学习率、正则化系数等）的得力助手，确保调整后的模型在更广泛的数据集上表现良好。这个过程重复K次，每次选择不同的子集作为验证集，最终计算K次验证结果的平均值作为模型性能的评估指标。在数据量有限的情况下，传统的训练集/测试集划分方法可能因数据划分的不合理而导致评估结果的偏差。交叉验证通过多次训练和测试的过程，能够揭示模型在不同子集上的表现差异，从而评估模型的稳健性。一般来说，K值越大，每次训练所使用的数据量越多，模型评估的稳定性也越高，但计算成本也相应增加。
2024-07-02 23:24:00
564
原创 exception=org.springframework.jdbc.UncategorizedSQLException:
出现这个问题的原因是where条件传递的参数有问题，关注参数就好了，可能是一个乱码，或者标清啥的，查清楚这个参数是啥就好了。
2024-07-02 12:02:27
241
原创 每天五分钟深度学习：解决for循环效率慢的关键在于向量化
向量化（Vectorization）是一种通过一次操作处理多个数据项的技术，旨在减少循环次数和指令调用开销，从而提高计算效率。在传统的for循环中，每次迭代通常只处理一个或少数几个数据项，这种逐个处理的方式在数据量庞大时显得尤为低效。而向量化技术则通过将多个数据项打包成一个向量（或数组），并应用向量操作来同时处理这些数据项，从而实现并行计算的效果。
2024-07-01 23:58:28
726
1
原创 解决for循环效率慢的关键在于向量化
在探讨如何通过使用向量化来提升for循环的效率之前，我们需要先理解为什么传统的for循环在某些情况下会成为性能瓶颈，并深入剖析向量化的基本原理和优势。随后，我们将详细阐述向量化如何在实际编程中应用，并对比向量化前后的性能差异，最终讨论在向量化过程中可能遇到的挑战和解决方案。本文旨在以通俗易懂的方式，结合理论与实践，全面解析向量化技术。
2024-07-01 23:57:34
453
原创 每天五分钟深度学习框架pytorch：tensor向量之间常用的运算操作
在数学中经常有加减乘除运算，在tensor中也不例外，也有类似的运算，本节课程我们将学习tensor中的运算。
2024-06-30 13:15:45
116
原创 每天五分钟计算机视觉：人体姿势识别
人体姿势识别是计算机视觉领域的一个重要研究方向，旨在通过图像或视频数据自动检测并识别出人体的各种姿势和动作。随着深度学习技术的快速发展，基于神经网络的方法在这一领域取得了显著进展。神经网络，特别是卷积神经网络（CNN）和循环神经网络（RNN），因其强大的特征提取和序列建模能力，成为人体姿势识别的主流方法。
2024-06-30 13:11:33
672
原创 掌握高等数学、线性代数、概率论所需数学知识及标题建议
在数学的广袤领域中，高等数学、线性代数和概率论作为三大核心分支，不仅在理论研究中占据重要地位，更在实际应用中发挥着举足轻重的作用。为了深入理解和掌握这三门学科，我们需要掌握一系列扎实的数学知识。此外，还需要了解矩阵的特征值和特征向量、线性空间和线性变换、向量空间的基和维数、线性映射和线性变换的核与像、内积空间和正交性、二次型和正定矩阵等概念和方法。高等数学是大学数学的重要组成部分，它以微积分为主要内容，研究函数、极限、导数、微分、积分等概念和方法。线性代数是研究向量空间、线性变换及其性质的一门数学学科。
2024-06-16 21:55:28
691
原创 每天五分钟深度学习框架pytorch：多维tensor向量在某一维度的拼接和分割
拼接和分割看起来很简单，但是在实际模型搭建以及处理的过程中，这个尤为重要，之所以重要原因之一是因为我们经常需要将数据拼接和切分，维度信息如果处理不好，一般就会产生大问题，所以这个章节必须要掌握。
2024-06-16 21:50:45
505
原创 向量化在人工智能领域的深度实践：技术革新与效率提升
通过高效的数据表示、提高计算效率和促进不同领域的数据交互等核心意义，向量化技术为AI模型提供了处理基础并推动了AI技术的进步和效率的提升。未来，向量化技术将更加注重与其他技术的融合和创新，如与深度学习、强化学习等技术的结合，以推动AI技术的进步和应用领域的拓展。同时，随着大数据和云计算技术的不断发展，向量化技术将能够更好地处理和分析更大规模的数据集，从而支持更复杂和高效的AI应用。向量化是将文本、图像、声音等数据转换为数值向量的过程，这些向量能够表示原始数据的特征和语义信息，为深度学习模型提供处理基础。
2024-06-14 22:06:18
574
原创 每天五分钟深度学习：逻辑回归算法完成m个样本的梯度下降
我们定义第i个样本的dw、db为：dw和db为损失J对w和b的偏导数，因为m个样本的代价函数J是1到m个样本总损失的平均。所以m个样本代价函数对wj的微分也同样是各项样本损失对wj微分的平均。对比来说单个样本就是求出dw就ok了，而m个样本就是求出m个样本的dw然后加起来求平均，这就是求m个样本求dw的方式。（dw表示损失函数对参数w的偏导数）求出m个样本的dw之后，我们就可以将其直接应用到梯度下降算法了。
2024-06-14 22:02:49
213
原创 微调技术：人工智能领域的神奇钥匙
全微调是指对整个预训练模型进行微调，包括所有的模型参数。为了解决这个问题，微调技术应运而生，它不仅可以在有限的数据集上训练出高性能的模型，还能在保持预训练模型通用知识的同时，快速适应特定任务的需求。这些预训练模型在ImageNet等大规模数据集上进行了长时间的训练，已经具备了强大的特征提取能力，因此微调后的模型能够更准确地识别图像中的物体和场景。微调（Fine-tuning）是一种迁移学习技术，其核心思想是在预训练模型的基础上，通过少量的标注数据进行模型的优化，从而提高模型在特定任务上的性能。
2024-06-12 23:06:10
593
原创 每天五分钟计算机视觉：如何在现有经典的卷积神经网络上进行微调
本文详细介绍了如何在别人已经训练好的神经网络上进行微调。通过选择合适的预训练模型、修改网络结构、初始化参数、微调参数等步骤，我们可以使模型适应新的任务和数据集，并获得更好的性能。在实际应用中，我们需要根据目标任务和数据集的特点进行具体分析和调整，以获得最佳的性能表现。
2024-06-12 23:03:34
731
1
原创 张量之力：人工智能的多维舞台
在人工智能（AI）的广阔天地里，张量（Tensor）这一数学概念如同璀璨的明星，以其独特的魅力和强大的功能，为AI技术的发展和应用注入了新的活力。张量，这个源自物理学的概念，如今在深度学习、机器学习等领域中发挥着举足轻重的作用，成为推动AI技术不断前进的重要力量。在物理学中，张量用于描述空间中的物理量在不同坐标系下的变换关系。深度学习是人工智能领域的一个重要分支，其核心思想是通过模拟人脑神经网络的工作方式，实现对复杂数据的处理和分析。在深度学习中，张量作为数据的基本表示形式，发挥着至关重要的作用。
2024-06-08 10:11:27
516
原创 每天五分钟深度学习pytorch：pytorch中的广播机制是什么？
在pytorch中经常有张量和张量之间的运算，那么有一点需要注意，那就是维度要匹配，如果维度不匹配就有可能出现问题。如果维度不一致，此时也可以同时进行操作，此时就需要使用pytorch中的广播机制，本节课程就讲解pytorch中的广播机制。
2024-06-08 10:10:23
111
原创 揭秘相似矩阵：机器学习算法中的隐形助推器
在当今日益复杂的机器学习和数据分析领域，相似矩阵作为一种强大的工具，其应用已深入到各大算法之中。从数据降维到图像处理，从聚类分析到推荐系统，相似矩阵都发挥着不可或缺的作用。
2024-06-06 23:48:32
367
原创 每天五分钟深度学习：逻辑回归算法的单样本的梯度下降计算
上节课我们已经知道了如何利用计算图通过链式法则来求解输出J对变量的梯度或者导数。本节课程我们将通过逻辑回归这一个具体的例子，来演示如何使用计算图完成逻辑回归的梯度下降算法。
2024-06-06 23:43:58
138
原创 揭秘相似矩阵：机器学习算法中的隐形“纽带”
相似矩阵是一种用于衡量数据之间相似性的数学工具，通常由一个n x n的矩阵表示，其中n是数据集中的样本数。相似矩阵的元素可以表示两个数据之间的相似度或距离。通过分析相似矩阵，我们可以识别出数据之间的模式和关联，进而进行分类、聚类等任务。相似矩阵的计算方法多种多样，包括欧几里得距离、余弦相似度和相关系数等，这些方法可以根据具体情况选择适合的方法来计算。
2024-06-05 22:26:40
438
原创 每天五分钟深度学习PyTorch：Tensor张量的索引和切片
有时候当我们拥有一个Tensor张量的时候，我们可能需要获取它某一维度的信息，那么此时我们就需要索引和切片的技术，它们可以帮助我们解决这些问题。
2024-06-05 22:24:21
187
原创 向量化：机器学习中的效率加速器与数据桥梁
在机器学习领域的广袤天地中，向量化技术以其独特的魅力，为数据处理和模型训练注入了强大的动力。本文将深入探讨向量化在机器学习领域中的体现，剖析其如何助力模型实现高效的数据处理和精确的结果预测，并通过丰富的案例和详尽的数据，揭示向量化技术的重要性和优势。在机器学习的实践中，我们经常会面对海量的数据和复杂的模型。如何高效地处理这些数据、如何快速地训练和优化模型，一直是研究者们关注的焦点。向量化技术作为机器学习中的一项关键技术，通过将数据转化为向量形式，极大地提高了数据处理的效率和模型训练的速度。
2024-06-04 22:21:25
907
原创 每天五分钟计算机视觉：基于KNN算法完成图片分类任务
KNN算法是一种基于实例的学习，或者说是局部逼近和将所有计算推迟到分类之后进行的惰性学习。它的工作原理是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。在KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。对于图片分类任务，我们可以将每张图片看作是一个高维空间中的点，这个点由图片的像素值或其他特征向量表示。
2024-06-04 22:18:28
1485
1
原创 链式法则：神经网络前向与反向传播的基石
链式法则，又称复合函数求导法则，是微积分学中用于计算复合函数导数的一种方法。其基本思想是将复合函数分解为多个简单函数，然后利用简单函数的导数来求取复合函数的导数。链式法则在神经网络中的应用，主要体现在反向传播过程中，通过链式法则计算梯度，从而更新神经网络的权重和偏置。
2024-05-28 23:09:34
570
原创 每天五分钟深度学习：如何使用计算图来反向计算参数的导数？
在上一个课程中，我们使用一个例子来计算函数J，也就相当于前向传播的过程，本节课程我们将学习如何使用计算图计算函数J的导数。计算J对b的导数，dJ/db=(dJ/dv)*(dv/du)*(du/db)=3*1*c=3c。现在我们已经知道了输出J对其它变量的导数计算方法，核心就是从右往左按照计算图进行链式计算。计算J对a的导数，dJ/da=（dJ/dv）*（dv/da）=3*1=3。计算J对u的导数，dJ/du=（dJ/dv）*（dv/du）=3*1=3。计算J对v的导数，dJ/dv=3。
2024-05-28 23:07:14
207
原创 矩阵对角化在机器学习中的奥秘与应用
在机器学习的广阔领域中，矩阵对角化作为一种重要的数学工具，扮演着不可或缺的角色。从基础的线性代数理论到复杂的机器学习算法，矩阵对角化都在其中发挥着重要的作用。
2024-05-27 22:59:02
642
原创 每天五分钟深度学习框架pytorch：tensor张量的维度转换大全
在深度学习中比较让人头疼的一点就是矩阵的维度，我们必须构建出符合神经网络维度的矩阵，只有将符合要求的矩阵放到神经网络中才可以运行神经网络，本节课程我们将学习以下tensor中维度的变化。
2024-05-27 22:56:22
456
原创 每天五分钟深度学习框架PyTorch：创建具有特殊值的tensor张量
tensor张量是一个多维数组，本节课程我们将学习一些pytorch中已经封装好的方法，使用这些方法我们可以快速创建出具有特殊意义的tensor张量。
2024-05-24 00:07:19
246
原创 揭秘计算机视觉中的目标定位算法：从理论到实践的深度探索
接着，算法会从图像中提取出与目标相关的特征，这些特征可以是颜色、形状、纹理等视觉信息，也可以是目标在时间序列中的运动信息。首先，不同场景下的目标特征差异较大，如何设计一种通用性强的目标定位算法是一个亟待解决的问题；该方法首先通过特征点检测算法（如SIFT、SURF等）在图像中提取出关键点及其描述子，然后利用描述子之间的相似度进行匹配，从而找到目标在图像中的位置。随着深度学习、机器学习等技术的不断发展，目标定位算法已经取得了显著的进步，并在自动驾驶、安防监控、医疗影像分析等领域展现出了广泛的应用前景。
2024-05-20 23:37:27
1477
原创 每天五分钟计算机视觉：候选区域方法在图像分割的任务中的应用
候选区域方法是一种基于区域的图像处理技术，它通过合并相邻的相似区域来生成一系列候选区域。这些候选区域代表了图像中可能包含目标的区域，为后续的目标识别、目标检测等任务提供了重要的输入。候选区域方法的核心思想是利用图像中的颜色、纹理、形状等特征，通过一定的相似性度量来合并区域，从而生成候选区域。
2024-05-20 23:35:29
356
原创 解锁AI智慧之门：深入解析激活函数的奥秘
然而，ReLU函数在输入小于0时输出始终为0，这可能导致神经元“死亡”问题，即某些神经元在训练过程中始终不会被激活。Tanh函数是Sigmoid函数的双曲版本，其数学表达式为f(x) = (e^x - e^(-x)) / (e^x + e^(-x))。在神经网络中，每个神经元都会接收来自前一层神经元的输入信号，并通过激活函数将这些信号转换为输出信号，然后传递给下一层神经元。激活函数的主要作用是将神经元的输入映射到特定的输出范围，并引入非线性因素，使得神经网络能够处理复杂的非线性问题。三、激活函数的优缺点。
2024-05-17 22:20:19
538
原创 每天五分钟深度学习：计算图
计算图是一种用于描述数学计算的图形模型，常用于神经网络的前向传播和反向传播算法中。在计算图中，节点代表数学运算（如加法、乘法、卷积等），边代表运算结果之间的依赖关系，形成了一张有向无环图。这个图可以通过一系列的节点之间的计算和数据传递来完成整个计算过程。简而言之，计算图就是人工智能任务中模型定义和参数求解过程的图形化表示。
2024-05-17 22:17:51
312
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人