- 博客(5)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 强化学习精要总结（基础）
原文链接本博文假设基本的状态表示和动作表示都已经了解的情况下，对多个强化学习方法进行简要对比Major division: Value iteration and Policy iteration1. Value IterationDynamic Programming: when the model is fully known, it can be directly solved by...
2019-12-29 02:03:43
408
原创 RNN 的 Dropout 参数建议
DropoutSrivastava等。 （2014年）将dropout应用于前馈神经网络和RBM的学习，并指出，在各种任务中，隐藏单元的丢失概率应为0.5，输入单元的丢失概率为0.2。参考：适用于RNN的Dropout综述当我将0.5应用于隐藏层，将0.2应用于输入层时，效果很好。 但是在解码器中却不是这样。 在解码器中，我建议不要使用dropout。英文原文 原文链接Srivastav...
2019-12-28 21:54:35
1349
原创 2019最受欢迎的科学生涯essay
原博客链接跳转 《Science》Source Link阿什莉·斯腾泽（Ashley Stenzel）的论文，关于在攻读博士学位期间抚养两个女儿的喜悦和挑战。 与读者共鸣。 “很高兴知道我并不孤单。 愧疚是是可怕的。”一位读者在本月初的《科学》杂志Facebook页面上写道。“我喜欢这个故事的每句话。 作为一个有孩子的研究生，我完全可以与人交往。”另一位写道。Stenzel的文章是我们今...
2019-12-27 14:04:47
232
原创 Good-Turing、Absolute、kneser-ney smooth
###Good-Turing smoothingGood-Turing基本思想是：用观察计数较高的N元语法数重新估计概率量的大小，并把它指派给那些具有零计数或者较低计数的N元语法。公式:c∗=(c+1)Nc+1Ncc^* = \frac{(c+1)N_{c+1}}{N_c}c∗=Nc(c+1)Nc+1其中c为某个N-gram出现的频数,NcN_cNc为出现次数为c的N-Gram的词...
2018-11-05 17:37:30
1114
1
原创 Trie树,加快单词查找效率
为了提高我的单词查找的速度，我拜读了@Rshcaroline的代码，发现trie树是一个很好解决这个问题的方法Trie树，又叫字典树、前缀树（Prefix Tree）、单词查找树 或 键树，是一种多叉树结构Trie树的基本性质：根节点不包含字符，除根节点外的每一个子节点都包含一个字符。从根节点到某一个节点，路径上经过的字符连接起来，为该节点对应的字符串。每个节点的所有子节点包含的字符互...
2018-11-05 17:25:47
639
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人