<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Roar冷颜的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/qq_29923461</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq_29923461]]></copyright><item><title><![CDATA[人工智能之数学基础篇—线性代数基础（下）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121513534</link><guid>https://blog.csdn.net/qq_29923461/article/details/121513534</guid><author>qq_29923461</author><pubDate>Mon, 29 Nov 2021 01:10:09 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—线性代数基础（下）1 转置矩阵和逆矩阵1.1  转置矩阵1.2  逆矩阵2 行列式2.1  行列式引例2.2  行列式的定义2.3  行列式与矩阵的区别2.4  行列式的计算3 矩阵的秩3.1  向量组
1 转置矩阵和逆矩阵
  在机器学习中，转置矩阵和逆矩阵是常用到的两个操作。
1.1  转置矩阵
  矩阵 AAA 的行和列互相交换所产生的矩阵称为 AAA 的转置矩阵，记为 ATA^{T}AT， 该运算称为矩阵的转置运算 ，其实质就是将矩阵的行变为列，列变为行。
  例如：A=[26]]></description><category></category></item><item><title><![CDATA[PyTorch框架学习（二） — 一文精通张量操作]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121487009</link><guid>https://blog.csdn.net/qq_29923461/article/details/121487009</guid><author>qq_29923461</author><pubDate>Thu, 25 Nov 2021 16:59:24 +0800</pubDate><description><![CDATA[PyTorch框架学习 — 张量操作与线性回归1 张量的操作1.1  拼接
1 张量的操作
1.1  拼接

torch.cat()
torch.cat(tensors, dim=0, *, out=None) → Tensor

【功能】：将张量按照 dim 维度进行拼接，所有张量必须具有相同的形状。

...]]></description><category></category></item><item><title><![CDATA[PyTorch框架学习（一） — Tensor（张量）详解]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121400160</link><guid>https://blog.csdn.net/qq_29923461/article/details/121400160</guid><author>qq_29923461</author><pubDate>Fri, 19 Nov 2021 14:58:09 +0800</pubDate><description><![CDATA[PyTorch框架学习 — Tensor（张量）详解

]]></description><category></category></item><item><title><![CDATA[吴恩达《神经网络和深度学习》第四周编程作业—深度神经网络应用--Cat or Not?]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121349766</link><guid>https://blog.csdn.net/qq_29923461/article/details/121349766</guid><author>qq_29923461</author><pubDate>Tue, 16 Nov 2021 16:55:54 +0800</pubDate><description><![CDATA[吴恩达《神经网络和深度学习》— 深度神经网络应用--Cat or Not?
※※※※※上一篇：【构建深度神经网络】※※※※※

  在这篇文章中，我们将使用在上一篇文章中实现的函数来构建深层网络，并将其应用于分类cat图像和非cat图像。希望你会看到相对于先前的逻辑回归实现的分类，准确性有所提高。

学完本篇文章将掌握的技能：
  ∙\bullet∙ 建立深度神经网络并将其应用于监督学习


...]]></description><category></category></item><item><title><![CDATA[人工智能之数学基础篇—线性代数基础（上）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121158552</link><guid>https://blog.csdn.net/qq_29923461/article/details/121158552</guid><author>qq_29923461</author><pubDate>Tue, 16 Nov 2021 01:35:57 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—线性代数基础

  在数学领域，为了便于研究，一些较复杂的函数可以用简单的函数来近似表达。而本篇文章将要介绍的泰勒公式，可以用简单熟悉的多项式近似代替公式中出现的函数，从而将复杂的公式化简为多顶式的求解问题。 同时，泰勒公式为计算机领域实现科学计算的所需函数提供了一种解题思路，可以利用计算机加减乘除的基本运算实现各种数学函数模型。
  最优化理论是应用数学的一个分支，也是人工智能数学模型的理论基础之一。 最优化理论研究的是判定给定目标函数的最大值（最小值）是否存在，并找到令目标函数取到]]></description><category></category></item><item><title><![CDATA[吴恩达《神经网络和深度学习》第四周编程作业—构建深度神经网络]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121330403</link><guid>https://blog.csdn.net/qq_29923461/article/details/121330403</guid><author>qq_29923461</author><pubDate>Tue, 16 Nov 2021 00:46:03 +0800</pubDate><description><![CDATA[吴恩达《神经网络和深度学习》— 构建深度神经网络1 安装包2 构建深度神经网络的框架3 初始化3.1 两层神经网络参数的初始化3.2 L层神经网络参数的初始化4 前向传播模块4.1 线性前向4.2 前向线性激活4.3 L层模型5 损失函数6 后向传播模块
※※※※※上一篇：【用一层隐藏层的神经网络分类二维数据】※※※※※

  在上一篇教程中我们已经训练了一个两层的神经网络（只有一个隐藏层）。这篇文章，我们将学会构建一个任意层数的深度神经网络，并实现构建深度神经网络所需的所有函数！

学完本篇文章将掌握的技]]></description><category></category></item><item><title><![CDATA[吴恩达《神经网络和深度学习》第三周编程作业—用一层隐藏层的神经网络分类二维数据]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121250056</link><guid>https://blog.csdn.net/qq_29923461/article/details/121250056</guid><author>qq_29923461</author><pubDate>Fri, 12 Nov 2021 12:22:22 +0800</pubDate><description><![CDATA[吴恩达《神经网络和深度学习》—用一层隐藏层的神经网络分类二维数据1 安装包2 数据集
  现在是时候建立你的第一个神经网络了，它将具有一层隐藏层。你将看到此模型与你使用逻辑回归实现的模型之间的巨大差异。

做完该作业将掌握的技能：
  ∙\bullet∙ 实现具有单个隐藏层的二分类神经网络
  ∙\bullet∙ 使用具有非线性激活函数的神经元，例如tanh
  ∙\bullet∙ 计算交叉熵损失
  ∙\bullet∙ 实现前向和后向传播

  本文所使用的资料：【点击下载】，提取码：rc4u。请在开始之]]></description><category></category></item><item><title><![CDATA[吴恩达《神经网络和深度学习》第二周编程作业—用神经网络思想实现逻辑回归]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121226640</link><guid>https://blog.csdn.net/qq_29923461/article/details/121226640</guid><author>qq_29923461</author><pubDate>Wed, 10 Nov 2021 15:32:56 +0800</pubDate><description><![CDATA[吴恩达《神经网络和深度学习》编程作业—用神经网络思想实现逻辑回归1 安装包2 问题概述

做完该作业将掌握的技能：
  ∙\bullet∙ 建立学习算法的一般架构，包括：
    （1）初始化参数
    （2）计算损失函数及其梯度
    （3）使用优化算法（梯度下降）
  ∙\bullet∙ 按正确的顺序将以上所有三个功能集成到一个主模型上。

  本文所使用的资料：【点击下载】，提取码：xoyp。请在开始之前下载好所需资料，然后将文件解压到你的代码文件同一级目录下，请确保你的代码那里有lr_utils]]></description><category></category></item><item><title><![CDATA[吴恩达《神经网络和深度学习》第二周编程作业—numpy入门，函数向量化实现]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121222457</link><guid>https://blog.csdn.net/qq_29923461/article/details/121222457</guid><author>qq_29923461</author><pubDate>Tue, 09 Nov 2021 13:43:23 +0800</pubDate><description><![CDATA[吴恩达《神经网络和深度学习》课程作业—numpy入门，函数向量化实现1 使用numpy构建基本函数1.1  sigmoid function和np.exp()1.2  Sigmoid gradient1.3  重塑数组1.4  行标准化1.5  广播和softmax函数2 向量化2.1  向量和矩阵的点积、内积和对应元素逐个相乘运算2.2  实现L1和L2损失函数

做完该作业将掌握的技能：
  ∙\bullet∙ 会使用numpy，包括函数调用及向量矩阵运算
  ∙\bullet∙ 理解Python中“广]]></description><category></category></item><item><title><![CDATA[人工智能之数学基础篇—泰勒公式与拉格朗日乘子法]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121122708</link><guid>https://blog.csdn.net/qq_29923461/article/details/121122708</guid><author>qq_29923461</author><pubDate>Fri, 05 Nov 2021 10:10:46 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—泰勒公式与拉格朗日乘子法1 泰勒公式出发点2 泰勒公式和麦克劳林公式3 阶数和阶乘的作用4 麦克劳林展开式的应用5 拉格朗日乘子法6 求解拉格朗日乘子法

  在数学领域，为了便于研究，一些较复杂的函数可以用简单的函数来近似表达。而本篇文章将要介绍的泰勒公式，可以用简单熟悉的多项式近似代替公式中出现的函数，从而将复杂的公式化简为多顶式的求解问题。 同时，泰勒公式为计算机领域实现科学计算的所需函数提供了一种解题思路，可以利用计算机加减乘除的基本运算实现各种数学函数模型。
  最优化理论是]]></description><category></category></item><item><title><![CDATA[人工智能之数学基础篇—微积分]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121102482</link><guid>https://blog.csdn.net/qq_29923461/article/details/121102482</guid><author>qq_29923461</author><pubDate>Wed, 03 Nov 2021 15:10:19 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—微积分1 微积分的基本思想2 微积分的解释3 定积分3.1  定积分的定义3.2  定积分的几何含义4 定积分的性质5 牛顿一莱布尼茨公式5.1  积分上限的函数及其导数5.2  牛顿一莱布尼茨公式5.3  牛顿一莱布尼茨公式的几何解释

  微积分作为初等数学和高等数学的分水岭，在现代科学中有着极其重要的作用。17世纪末 ，微积分的概念和技巧不断扩展并被广泛应用于解决天文学、物理学中的各种实际问题。例如，求瞬时速度 、 曲线切线 、 曲线长 、曲线围成的面积 、 由面围成的体积等问题]]></description><category></category></item><item><title><![CDATA[人工智能之数学基础篇—高等数学基础（下篇）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121086312</link><guid>https://blog.csdn.net/qq_29923461/article/details/121086312</guid><author>qq_29923461</author><pubDate>Tue, 02 Nov 2021 01:39:47 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—高等数学基础下篇6 方向导数6.1  方向导数的定义6.2  方向导数的几何意义7 梯度8 综合实例一梯度下降法求函数的最小值

  最后，来重点介绍一下方向导数和梯度。因为梯度下降法是机器学习领域非常重要的算法之一，也是应用广泛的优化算法之一。在本篇文章中，我将综合实例来重点介绍梯度下降法及其应用，并利用Python语言编程实现。查看本文之前，可以先阅读人工智能之数学基础篇—高等数学基础上篇和人工智能之数学基础篇—高等数学基础中篇。

6 方向导数
6.1  方向导数的定义
  由二]]></description><category></category></item><item><title><![CDATA[人工智能学习路线图（超详细、超全面）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121035655</link><guid>https://blog.csdn.net/qq_29923461/article/details/121035655</guid><author>qq_29923461</author><pubDate>Fri, 29 Oct 2021 16:54:38 +0800</pubDate><description><![CDATA[人工智能学习路线图


  由于人工智能领域涵盖的范围非常之大、所涉及的理论知识非常的复杂，并且对你的代码能力，实战操作能力都有很高的要求。因此，如果不选择一条合适的学习路线就盲目的进行学习，最终往往会半途而废！
  经过我的不屑努力，终于找到了一份我觉得非常不错的学习路线图，几乎涵盖了 AI 领域所有的知识点，并且每个知识点都有详细的文档。有了这个路线图的指导，或许能帮助你快速入门乃至成为 AI 领域的佼佼者。话不多说，直接上链接：
  项目地址：https://github.com/AMAI-GmbH/]]></description><category></category></item><item><title><![CDATA[人工智能之数学基础篇—高等数学基础（中篇）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/121013660</link><guid>https://blog.csdn.net/qq_29923461/article/details/121013660</guid><author>qq_29923461</author><pubDate>Thu, 28 Oct 2021 16:53:11 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—高等数学基础中4 连续性与导数4.1  函数连续性定义4.2  函数连续性需要满足的条件4.3  函数的间断点4.4  函数间断点的常见类型4.5  导数4.5.1  导数的定义4.5.2  导数的几何意义4.5.3  导数的基本求导法则4.5.4  反函数的求导法则4.5.5  复合函数的求导法则4.5.6  常用的求导公式5 偏导数

  在这篇文章，我将简单的总结一下连续性与导数、偏导数、方向导数等高等数学基本概念，这些概念是理解人工智能算法的基础数学知识。

4 连续性与导数
]]></description><category></category></item><item><title><![CDATA[人工智能之数学基础篇—高等数学基础（上篇）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/120942931</link><guid>https://blog.csdn.net/qq_29923461/article/details/120942931</guid><author>qq_29923461</author><pubDate>Sun, 24 Oct 2021 23:36:23 +0800</pubDate><description><![CDATA[人工智能之数学基础篇—高等数学基础1 函数1.1  函数的定义1.2  几种特殊函数的定义

  在这篇文章，我将简单的总结一下函数、极限、无穷大和无穷小、连续性与导数、偏导数、方向导数、梯度等高等数学基本概念，这些概念是理解人工智能算法的基础数学知识。其中梯度下降算法是机器学习领域的重要算法，是应用最广泛的优化算法之一。在本篇文章中，我将结合综合实例来介绍梯度下降算法，并通过Python语言编程实现。

1 函数
  我们经常会遇到彼此之间有依赖关系的变量，如圆的面积 sss 与它的半径 rrr 之间存在]]></description><category></category></item><item><title><![CDATA[1024-开启人工智能学习之旅]]></title><link>https://blog.csdn.net/qq_29923461/article/details/120927866</link><guid>https://blog.csdn.net/qq_29923461/article/details/120927866</guid><author>qq_29923461</author><pubDate>Sun, 24 Oct 2021 01:58:39 +0800</pubDate><description><![CDATA[个人简介

  本人本科毕业于某985机械工程专业，学习了四年发现这个行业实在太过于枯燥，更实际的想法是当时觉得这个行业出去薪资待遇过低，因此保研到另一所985高校之后，选择了车辆工程专业，研究方向为：多车协同控制，多车编队驾驶。想着毕业之后能去一家做自动驾驶的公司，但是由于种种原因毕业之后没能进入到比较好的自动驾驶公司，去了一家做车联网的互联网企业（这个时候V2X领域刚发展起来不久，处于非常热门的阶段），2020年大半年的时间里主要负责C-V2X协议栈的开发以及基于V2X通信相关的预警算法开发，今年由于.]]></description><category></category></item><item><title><![CDATA[PCL中点云配准精通级实例解析]]></title><link>https://blog.csdn.net/qq_29923461/article/details/120887940</link><guid>https://blog.csdn.net/qq_29923461/article/details/120887940</guid><author>qq_29923461</author><pubDate>Fri, 22 Oct 2021 16:57:40 +0800</pubDate><description><![CDATA[PCL中点云配准精通级实例解析1 如何将扫描数据与模板对象进行配准2 基于VFH描述子聚类识别与位姿估计2.1  训练阶段2.1.1 建立树结构源代码2.1.2 树结构建立程序解释说明2.2  测试阶段2.2.1 近邻搜索源代码2.2.2 近邻搜索代码解释说明2.3  编译运行程序
1 如何将扫描数据与模板对象进行配准
  本小节综合利于PCL中多个模块，介绍如何对齐已有的模型与一个获取的深度图像数据，在这个例子中，利用包含一个人的深度图像场景作为目标，与获取的脸部模板数据进行对齐配准，通过模板匹配可以估计]]></description><category></category></item><item><title><![CDATA[PCL中点云配准（非常详细，建议收藏）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/120785717</link><guid>https://blog.csdn.net/qq_29923461/article/details/120785717</guid><author>qq_29923461</author><pubDate>Wed, 20 Oct 2021 16:54:21 +0800</pubDate><description><![CDATA[PCL中点云配准（一）1 PCL中实现的配准算法及相关概念1.1  一对点云配准
  随着计算机辅助设计技术的发展，通过实物模型产生数字模型的逆向工程技术获得了越来越广泛的应用，与此同时硬件设备的日趋完善也为数字模型操作提供了足够的技术支持。在逆向工程、计算机视觉、文物数字化等领域中，由于点云的不完整、旋转错位、平移错位等，使得要得到完整点云就需对局部点云进行配准。为了得到被测物体的完整数据模型，需要确定一个合适的坐标变换，将从各个视角得到的点集合并到一个统一的坐标系下，形成一个完整的数据点云，然后就可以方]]></description><category></category></item><item><title><![CDATA[PCL中点云特征描述与提取精通级实例解析]]></title><link>https://blog.csdn.net/qq_29923461/article/details/120761844</link><guid>https://blog.csdn.net/qq_29923461/article/details/120761844</guid><author>qq_29923461</author><pubDate>Fri, 15 Oct 2021 10:57:58 +0800</pubDate><description><![CDATA[PCL中点云特征描述与提取精通级实例解析1 3D对象识别的假设验证2 隐式形状模型方法2.1  隐式形状模型识别方法概述2.2  实例解析
1 3D对象识别的假设验证
  本教程将学习在高噪声和严重遮挡的场景中，如何通过模型假设验证，进行复杂场景下的3D目标识别。本教程实例先进行描述子匹配，然后运行之前教程介绍过的基于对应点聚类的识别算法，获取点对应的聚类，从而确定场景中目标模型假设的实例。在这些假设实例中本教程的核心部分是利用全局假设验证算法来减少错误的模型实例假设。所以说，本教程是前面教程基于对应点聚类]]></description><category></category></item><item><title><![CDATA[PCL中3D点云特征描述与提取（三）]]></title><link>https://blog.csdn.net/qq_29923461/article/details/120724802</link><guid>https://blog.csdn.net/qq_29923461/article/details/120724802</guid><author>qq_29923461</author><pubDate>Wed, 13 Oct 2021 16:57:45 +0800</pubDate><description><![CDATA[PCL中3D点云特征描述与提取（三）1 如何从一个深度图像中提取NARF特征
1 如何从一个深度图像中提取NARF特征
  本小节将演示如何从一个深度图像中提取NARF特征点位置的NARF特征描述子。可执行程序能够加载一个点云（如果用户没有给定，则自动创建随机点云），从中提取特征点，然后在这些位置估算特征描述子，接着在一个深度图像和三维视图中可视化这些特征点位置。
  首先创建一个工作空间narf_keypoint_extraction，然后再在工作空间创建一个文件夹src用于存放源代码：
mkdir -p]]></description><category></category></item></channel></rss>