- 博客(14)
- 收藏
- 关注
RSS订阅原创 多模态定义
首先，什么叫做模态（Modality）呢？每一种信息的来源或者形式，都可以称为一种模态。例如，人有触觉，听觉，视觉，嗅觉；信息的媒介，有语音、视频、文字等；多种多样的传感器，如雷达、红外、加速度计等。以上的每一种都可以称为一种模态。同时，模态也可以有非常广泛的定义，比如我们可以把两种不同的语言当做是两种模态，甚至在两种不同情况下采集到的数据集，亦可认为是两种模态。因此，多模态机器学习，英文全称 MultiModal Machine Learning (MMML)，旨在通过机器学习的方法实现处理和理解多
2021-08-15 22:22:49
9417
原创 正排索引和倒排索引的区别
1、正排索引蜘蛛爬虫经过文字提取、中文分词、去重等操作后，得到的就是独特的、能反应页面的主题内容、以词为单位的字符串。接下来搜索引擎索引程序就可以提取关键词了，为该页面建立与关键词的对应关系，而这个过程就叫做正排索引。2、倒排索引当用户在搜索引擎搜索框中输入关键词的时候，搜索引擎就会把和关键词有关的页面展现给用户，而这个过程就叫做倒排索引。正排索引是不能直接用于排名的，如果只存在正排索引，排名程序需要扫描所有索引库中的文件，找出包含这个关键词的文件，在进行相关性的计算。这样就不能实时返回排名结果。
2021-08-15 21:28:31
4539
原创 腾讯云安装mysql
sudo yum install mysql-serverservice mysqld restartmysql -u root
2021-08-10 23:19:48
131
原创 Sarsa(lambda)
Sarsa(lambda)是一种基于衰减率λ的回合制更新算法。λ属于[0,1]，是到最终结果状态后往前一步一步更新的时候所乘的衰减率，sarsa(0)就是单步更新，sarsa(1)就是回合更新，且没有衰减。单步更新学习效率较低，因为第一轮只能更新结果状态前一步的Q表，之后的每一轮也只能更新下一步有Q值的Q表。而回合制就不一样了，到了结果状态之后，可以逐一更新之前走过的每一步。但是回合制更新也有缺点，就是在开始的探索过程中，可能走过很多弯路，所以都一视同仁的更...
2021-07-25 21:30:35
440
原创 Sarsa
Sarsa是单步更新的on-policy强化学习方法。是一种基于Q表的强化学习方法。也可以叫做Sarsa(0)。下面是描述了小孩子在s1写作业状态，做了a2动作，继续写作业状态，然后在做a2动作的流程图。Sarsa的Q(s1,a2)现实：是状态s2的奖励加上衰减率乘S2的决策后的动作的Q值，Q(s1,a2)估计就是s1a2的Q值。下面的图是Q-Learning和Sarsa的区别对比。因为Q-Learning 和 Sarsa...
2021-07-25 21:23:35
136
原创 Q-learning
Q-learning是一种基于Q表的强化学习方法，单步更新。因为Q现实的计算是采用S2的MAXQ的方式，但是真的走到S2的时候并不一定走MAXQ的action，所以是off-policy的算法。下面的图是说明在S1状态的时候，有a1和a2两种动作可以选择。根据Q表的数据，可知在S1状态走a1的Q值为-2，走a2的Q值为1。根据下面的图可知，当在S1状态的时候，已经决策为走a2的情况下，可以计算出Q（s1,a2）现实为S2的奖励加上衰减率乘S2中Q值最大的动作的Reward。下面是具体的计
2021-07-25 21:13:52
184
原创 Adam算法
定义Adam是RMSProp的动量版。简化的代码是下面这样：m = beta1*m + (1-beta1)*dxv = beta2*v + (1-beta2)*(dx**2)x += - learning_rate * m / (np.sqrt(v) + eps)注意，这方法和RMSProp很像，除了使用的是平滑版的梯度m，而不是原始梯度dx。推荐参数值eps=1e-8, beta1=0.9, beta2=0.999。在实际操作中，推荐Adam作为默认算法，一般比RMSProp要好一点。
2021-07-25 21:07:59
1055
原创 C++指针
指针的定义int a = 10;// 指针定义的语法；数据类型 *指针变量名；int * p;// 让指针记录变量a的地址p = &a;cout << "a的地址为： " << &a << endl;cout << "指针p为： " << p << endl;// 上面两行的结果相同使用指针// 可以通过解引用的方式来找到指针指向的内存。// 指针前加 * 代表解引用，找到指针指向
2021-07-25 13:57:38
79
原创 docker
目录Docker和虚拟机的区别Docker的下载安装Docker中镜像和容器的区别Docker镜像Docker和虚拟机的区别虚拟机是在一台物理机器上，利用虚拟化技术，虚拟出来多个操作系统，每个操作系统之间是隔离的。Docker是开源的应用容器引擎，依然需要先在电脑上安装操作系统，然后安装Docker容器的管理器，才可以。虚拟机是在硬件级别进行虚拟化，而Docker是在操作系统的层面虚拟化；虚拟机是通过模拟硬件搭建操作系统。Docker的下载安装首先进入下载页面： https:
2021-07-25 01:02:59
113
1
原创 linux常用命令
man命令man命令是Linux下的帮助指令，通过man指令可以查看Linux中的指令帮助、配置文件帮助和编程帮助等信息。man+（选项）+参数选项-a：在所有的man帮助手册中搜索；-f：等价于whatis指令，显示给定关键字的简短描述信息；-P：指定内容时使用分页程序；-M：指定man手册搜索的路径。最典型的例子莫过于：man man了输入命令： man man...
2021-07-25 00:30:53
111
1
原创 softmax函数原理
做过多分类任务的同学一定都知道softmax函数。softmax函数，又称归一化指数函数。它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。下图展示了softmax的计算方法：下面为大家解释一下为什么softmax是这种形式。首先，我们知道概率有两个性质：1）预测的概率为非负数；2）各种预测结果概率之和等于1。softmax就是将在负无穷到正无穷上的预测结果按照这两步转换为概率的。1）将预测结果转化为非负数下图为y=exp(x）的图像，我们可以知道指数函
2021-07-18 12:26:26
1694
原创 tensorflow2分类预测损失函数选择
二分类问题： 如果是二分类问题，即最终的结果只能是两个分类中的一个，则损失函数loss使用binary_crossentropy多分类问题：对于多分类问题，在选择损失函数loss时，主要是看数据是如何编码的：1.如果是分类编码（one-hot编码），则使用categorical_crossentropy 我对one-hot编码的理解是：one-hot编码就是在标签向量化的时候，每个标签都是一个N维的向量（N由自己确定），其中这个向量只有一个值为1，其余的都为0。也就是...
2021-07-18 12:10:14
1374
原创 tensorflow2预测mnist例子
下面的例子是摘自tensorflow官网import tensorflow as tfmnist = tf.keras.datasets.mnist(x_train, y_train),(x_test, y_test) = mnist.load_data()x_train, x_test = x_train / 255.0, x_test / 255.0# 定义一个模型结构model = tf.keras.models.Sequential([ tf.keras.layers.Fla
2021-07-18 12:01:47
164
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人