loist91的博客

原创 图神经网络：PyTorch geometric使用

这次尝试在配置PyTorch geometric的时候出现了一些问题，常见的依赖包安装命令以及官网命令都出现了一些错误，于是在同学的帮助下更换了源完成了安装：（在Anaconda Prompt中实现）pipinstalltorch==1.9.0+cputorchvision==0.10.0+cputorchaudio==0.9.0-fhttps://download.pytorch.org/whl/torch_stable.htmlpipinstalltorch...

原创 LDA(线性判别分析)原理推导过程

参考资料：https://www.cnblogs.com/pinard/p/6244265.html

原创 西瓜书：决策树原理推导

原创 强化学习：PaddlePaddle实现Actor Critic Method算法

Actor Critic Method（演员–评论家算法）¶当代理在环境中执行操作和移动时，它将观察到的环境状态映射到两个可能的输出： 推荐动作：动作空间中每个动作的概率值。代理中负责此输出的部分称为actor（演员）。 未来预期回报：它预期在未来获得的所有回报的总和。负责此输出的代理部分是critic（评论家）。 演员和评论家学习执行他们的任务，这样演员推荐的动作就能获得最大的回报。...

转载 PaddlePaddle实现手写体数字识别模型

一 导入库及数据集：二 模型设计：使用单层且没有非线性变换的模型，预测输入的图形数字值。其中，模型的输入为784维（28×28）数据，输出为1维数据。三 训练配置：训练配置需要先生成模型实例（设为“训练”状态），再设置优化算法和学习率（使用随机梯度下降SGD，学习率设置为0.001）。四 训练过程：训练过程采用二层循环嵌套方式：内层循环：负责整个数据集的一次遍历，遍历数据集采用分批次（batch）方式。 外层循环：定义遍历数据集的次数，本次训练中外层循环..

原创 使用卷积神经网络进行图像分类：PaddlePaddle改写

一、加载数据集¶cifar10数据集由60000张大小为32 * 32的彩色图片组成，其中有50000张图片组成了训练集，另外10000张图片组成了测试集。这些图片分为10个类别，将训练一个模型能够把图片进行正确的分类。transform = ToTensor()cifar10_train = paddle.vision.datasets.Cifar10(mode='train', transform=

原创 主成分分析(PCA)简单代码实现（原理待补）

简单用代码实现了主成分分析（PCA）原理详解_李春春的专栏-CSDN博客_主成分分析中的PCA实例，只是简单实现了数理逻辑，通用性不高。第一步：计算均值avrg = np.mean(Data, axis=0)x_avrg = avrg[0]y_avrg = avrg[1]print("Avrg:", x_avrg, y_avrg)for i in range(10): DataAdjust[i, 0] = Data[i, 0] - x_avrg DataAdjust..

原创 场论：关于矢量场梯度=0的证明

不确定证明过程是否严格，尽力写全面了。

原创 隐马尔可夫模型(HMM)+天气问题代码实现

天气问题的代码实现：state = ([0,1]) # states = ('Rainy' -> 0, 'Sunny' -> 1)observations = np.array([0, 1, 2]) # observations = ('walk' -> 0 , 'shop' -> 1, 'clean' -> 2)start_probability = np.array([0.6, 0.4])transition_probability = np.arr...

原创 改进欧拉公式

import numpy as npimport matplotlib.pyplot as pltx1 = 0x2 = 0y1 = 1y2 = 1h = 0.1 # x(n+1) - x(n)X1 = np.zeros(100)Y1= np.zeros(100)X2 = np.zeros(100)Y2 = np.zeros(100)def f(x, y): return y - 2 * (x / y)for i in range(0,100): y1 = y1

原创 全连接神经网络：尝试代码实现

顺着上篇数理逻辑写了简单的程序：import randomimport numpy as npb = random.random() w = np.zeros((10, 8)) for j in range(4, 10): for i in range(1, 8): w[j, i] = random.random()x = np.zeros(4)net = np.zeros(10)a = np.zeros(8)y = np.zeros(10)t = np.zer

原创 全连接神经网络：神经元+反向传播算法推导

参考文章：零基础入门深度学习(3) - 神经网络和反向传播算法 - 作业部落 Cmd Markdown 编辑阅读器

原创 贝叶斯公式求解公园凉鞋问题

设看到的游客为女性的情况为 AAA，看到的游客为男性的情况为BBB，看到的游客穿着凉鞋的情况为CCC。那么由题干可知，看到的游客为穿着凉鞋的女性的概率为：P(C∣A)=12P(C|A) = {1\over 2}P(C∣A)=21​ ，看到的游客为穿着凉鞋的男性的概率为：P(C∣B)=23P(C|B) = {2\over 3}P(C∣B)=32​ ；而公园中游客的女性出现的概率为：P(A)=13P(A) = {1\over 3}P(A)=31​ ，公园中游客的女性出现的概率为：P(B)=23P

原创 常微分方程初值问题数值解法 - 欧拉方法

import numpy as npimport matplotlib.pyplot as pltx = 0y = 1h = 0.1 # x(n+1) - x(n)X = np.zeros(100)Y = np.zeros(100)for i in range(0,100): y = 1.1 * y - 0.2 * (x / y) x = x + h Y[i] = y X[i] = x print(X[i], Y[i])0.1 1.10.2 1

原创 深度学习：通过感知器实现and函数

通过梯度下降思想实现感知器：import randomimport numpy as np# and函数是二元函数 需要两个权值向量b = random.random()w1 = random.random()w2 = random.random()print(w1, w2, b)# 学习率a = 0.1# 真值表x = np.array([[1,1], [0,0], [1,0], [0,1]])t = np.array([1, 0, 0, 0])eps = 0.01Z = 0

原创 梯度下降算法与随机梯度下降算法：实现波士顿房价问题

import randomimport numpy as npk1 = random.random()k2 = random.random()k0 = random.random()a = 0.01x = np.array([[2104, 3], [1600, 3], [2400, 3], [1416, 2], [3000, 4]])t = np.array([[400],

原创 NumPy作业

numpy基础知识import numpy as npdata = np.array([1,2,3])data.max()3np.ones(3)array([1., 1., 1.])np.zeros(3)array([0., 0., 0.])np.random.random(3)array([0.88248452, 0.16882196, 0.5380125 ])data = np.array([1,2])ones = np.ones(2)data + ones