- 博客(10)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 深度学习入门课笔记（三）
目录一、序列数据二、语言模型三、RNN基本结构RNN的通过（穿越）时间反向传播四、门控循环单元引入门的循环网络（GRU）五、长短期记忆网络LSTM一、序列数据序列数据是常见的数据类型，前后数据具有关联性，比如我们说出的一句话，词与词之间互相有影响。举个例子：语音识别、机器翻译、视频的行为识别等二、语言模型语言模型是自然语言处理（NLP）的重要技术。在NLP中常把文本看成离散时间序列，一段长度为T的文本的词依次为W1,W2,....,,其中是时间步t的.
2022-01-22 19:29:28
1218
原创 深度学习入门课笔记（二）
卷积神经网络卷积神经网络发展史猫的视觉系统实验1.神经元存在局部感受区域（感受野）2.细胞对角度有选择性3.细胞对运动方向有选择性启发：视觉系统是分层、分级的进行处理，从低级到高级的抽象过程堆叠使用卷积和池化神经元实际上是存在局部的感受区域的（局部敏感）神经元局部连接...
2022-01-11 17:38:55
1454
原创 深度学习入门课笔记（一）
深度学习入门课笔记（一）神经网络基础人工神经元**人工神经网络*：大量神经元以某种连接方式构成的机器学习模型。根据连接方式的不同分为很多种。第一个神经网络：感知机**but！！！**感知机致命缺点;不能解决异或问题（感知机实际上在二维平面是一条直线，无法解决非线性问题）如下图所示：**多层感知机**：单层神经网络基础上引入一个或多个隐藏层，使神经网络有多个网络层，因而叫做多层感知机层与层之间权重矩阵大小的算法：输入个数×输出个数举个例子：那么在这个例子中计算出输出其实就是一个
2022-01-08 21:11:28
666
原创 序列最小最优化算法（SMO算法）
前面三篇我已经谈了谈我对支持向量机的理解，推到了各类支持向量机的对偶算法，这一篇的SMO算法主要是用来解这个对偶问题：
2022-01-05 14:12:33
3734
6
原创 非线性支持向量机与核函数
很多时候我们遇到的数据集不能简单的被一条直线分开，比如下面的这个图：在原维度空间我们只能用椭圆曲线将其分开，但是在高维度中，它能简单的被一个面分开，这个三维图像映射到Z-Y面，我们会发现这个面变成了一条直线（如下图所示）。在这个新的空间里，我们可以将它看成线性问题求解。所以我们想要的就是将非线性问题转化为线性问题，通过解变换后的线性问题的方法(前边提到的软间隔对偶算法)求解原来的非线性问题。那么我们如何将原空间的点相应的变换到新空间上呢？我们先来看一个例子：图中用了一个椭圆将点分开.
2022-01-05 09:52:04
466
原创 线性不可分支持向量机
对于线性不可分的情况，线性可分的支持向量机学习方法是不适用的，因为数据中有些样本点距离太近，不能满足函数间隔大于等于的约束条件。因此我们对每个样点都引入一个松弛变量，使函数间隔加上松弛变量大于等于1....
2022-01-05 09:22:48
1601
原创 线性可分支持向量机
假设有这样一个特征空间上的训练数据集（线性可分） 其中，。为第i个特征向量，也叫实例，为的类标记。（，）为样本点。1.补充：函数间隔：几何间隔：原理就是点到直线的距离： 硬间隔最大化： 在线性可分的训练集中，线性可分的分离超平面可以有无数个，但我们要找的是几何间隔最大的分离超平面，不难知道的是，...
2022-01-04 12:44:54
310
原创 拉格朗日函数相关推导
优化问题（即高数中的求极值）可分为三类：无约束、等式约束、不等式约束。对于无约束的优化问题：求导，令导数为零即可求解。等式约束优化：（拉格朗日乘子法最开始就是求解等式约束优化的方法）利用拉格朗日函数：再对其求导由此将有等式约束的原函数变成无约束的拉格朗日函数进行求解。那么为什么拉格朗日乘子法可以这样用呢！举个例子：红色箭头和蓝色箭头会在满足条件的极值点共线，根据向量共线也能写...
2022-01-04 12:42:02
3639
原创 opencv相关学习笔记（一）
1.数据读取及变换——图片（1）数据读取：cv.imread()·有三种读取方式：彩色模式（参数为1或cv2.IMREAD_COLOR）灰度模式（参数为0或cv2.IMREAD_GRAYSCALE）包括alpha通道的加载图像模式（-1或cv2.IMREAD_UNCHANGED）注意：opencv的读取格式是BGR（2）图像显示：cv2.inshow()import cv2img = cv2.imread("D:/meishaonv.jpg") #读取图像，注意图像的路径..
2022-01-04 12:01:15
3378
原创 2021-11-07
支持向量机理论理解
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人