luozirong的专栏

极大似然法通俗易懂的介绍： http://blog.csdn.net/zouxy09/article/details/8537620 思想是：已知某个参数能使这个样本出现的概率最大

上面一篇文章我们主要介绍了MatMul这个op的正向计算的实现，我们知道模型的最后一步是计算优化模型的参数，而一般采用的方法是梯度下降法，所以每个op节点不仅要实现一个正向的计算节点，还要实现一个方向的梯度计算节点。 关于反向计算的结点官网有如下一段介绍： Implement the gradient in Python Given a graph of ops, TensorFlo

本文目的是以Tensorfl中的MatMul这个具有代表性又比较简单的ops为例介绍一下TensorFlow中的图的节点是怎么实现的。我个人认为TensorFlow中的ops是整个TensorFlow的核心，如果理解了这个，那么对TensorFlow就有了比较深的认识。 在阅读这段代码前看一下官方文档中的添加新的op会很有帮助： 中文翻译：http://www.tensorfly.cn/t

1.首先下载镜像并启动： docker pull sequenceiq/spark:1.5.1 sudo docker run -it sequenceiq/spark:1.5.1 bash2.修改配置 首先用ifconfig得到ip地址，我的ip是172.17.0.109，然后： bash-4.1# cd /usr/local/spark bash-4.1# cp conf/spark-

最近这段时间系统性的学习了 BP 算法后写下了这篇学习笔记，因为能力有限，若有明显错误，还请指正。 什么是梯度下降和链式求导法则 假设我们有一个函数 J(w)，如下图所示。 梯度下降示意图 现在，我们要求当 w 等于什么的时候，J(w) 能够取到最小值。从图中我们知道最小值在初始位置的左边，也就意味着如果想要使 J(w) 最小，w的值需要减小。而

将字母向量化（即 word embedding）是NLP的基础，在TensorFlow中有一个简单的实现即word2vec（这篇文章主要关注他的基本实现,demo在这个目录下：tensorflow/examples/tutorials/word2vec/word2vec_basic.py）。关于word2vec的介绍非常多理论也一堆一堆的，下面是本文参考的几篇主要的理论文章： http://ww