- 博客(12)
- 收藏
- 关注
RSS订阅原创 Linux 目录结构及文件基本操作
Linux 的目录与 Windows 的目录的区别，或许对于一般操作上的感受来说没有多大不同，但从它们的实现机制来说是完全不同的。以往的 Windows 一直是以存储介质为主，主要通过盘符（C 盘、D 盘……）及分区来实现文件管理，目录在这种情况下就显得不是那么重要，除系统文件之外的用户文件放在任何地方也没有多大关系。所以通常 Windows 在使用一段时间后，磁盘上面的文件目录会显得杂乱无章（少数善于整理的用户除外）。
2024-09-24 19:49:31
562
原创 Linux命令先导
你有没有遇到过这种情况，当你在 Linux 命令行中无意输入了一个不知道的命令，或者错误地使用了一个命令，导致在终端里出现了你无法预料的情况，比如，屏幕上只有光标在闪烁却无法继续输入命令，或者不停地输出一大堆你不想要的结果。你想要立即停止并恢复到你可控的状态，那该怎么办呢？这时候你就可以使用Ctrl+c键来强行终止当前程序（你可以放心它并不会使终端退出）。[Ctrl+c]Ctrl+d 键盘输入结束或退出终端Ctrl+s 暂停当前程序，暂停后按下任意键恢复运行。
2024-09-23 19:13:18
392
原创 leetclode刷题 两数相加（2）
给你两个的链表，表示两个非负的整数。它们每位数字都是按照的方式存储的，并且每个节点只能存储数字。请你将两个数相加，并以相同形式返回一个表示和的链表。你可以假设除了数字 0 之外，这两个数都不会以 0 开头。
2024-09-11 14:35:16
281
原创 classification（李宏毅机器学习课程笔记7）
如果同时在左上角大的loss开始训练，希望可以走到左下角小的loss，那么交叉熵在左上角有斜率可以更好的训练优化，使用交叉熵可以简化优化的过程。classification还要经过一个处理：softmax，他的主要功能就是把y中的任何数值移动到0-1之间。有两个计算e的方法，但是cross-entropy更常用，很多时候是和softmax绑在一起的。先把所有算出来的y全部取e，再除以所有取e的y的和，即为sofemax后的y。原本是接近一个数，，现在是接近一个向量并且分为几个class。
2024-08-23 09:53:21
102
原创 batch and momentum（李宏毅机器学习课程笔记6）
两个极端情况，一个是batch为全部，另一个是1，看上去batch大的需要计算的时间长但是稳定，另外一个小的时间短但是不稳定。1和1000也不会差太多，但是如果太大就不行了。实际上总的太说大的batch相对花的时间比较短。但是过大的batch还会导致，训练的效果变差，原因就是输入的训练资料太多了，优化失败了。但是还有一个平行计算的问题。那么大的batch就不一定时间比较长。加上momentum之后：要根据gradient和上一步的方向合起来运算。一般的算出gradient然后反方向更新，然后重复。
2024-08-20 22:39:41
140
原创 学习率（李宏毅机器学习课程笔记5）
训练是非常难的，学习率太大只会在两侧震荡，loss掉不下去。而设置的比较小loss可以掉下去但是达不到最低点。所以所有参数公用一个学习率限制太大了，应该每个参数一个学习率。训练卡住的原因不只是因为critical point，图中loss几乎不动的时候，gradient的值也没有变得非常小。他只是单纯卡住了，loss没法下降了。这样的话就可以根据每个参数gradient的不同改变学习率。可以采用让学习率随时间的变小而变小的办法，这样就可以从左图的状态变成右边的。可以自主设置a，也就是计算出来的g的重要性。
2024-08-19 21:40:58
207
原创 优化失败——梯度等于0时候的异常（李宏毅机器学习课程笔记4）
因为H是一个矩阵，所以有相应的特征值，如果H的特征值是全正的，那它就是local minina，如果是全负的，那它就是local maxima，如果有正有负就是saddle point。按照上面的步骤，分别求一阶微分和二阶微分，算出矩阵H后，在求出其相应的特征值，就可以判断是否是saddle point。结果是一正一负，那中心点就是saddle point。并且当处于critial point时，绿色的一项为0，可以通过红色的一项判断当前点的状态。算出特征向量，根据特征向量的方向，就是L减小的方向。
2024-08-16 21:22:53
135
原创 机器学习任务攻略（李宏毅机器学习课程笔记3）
先训练一个简单的，浅的模型，看它的loss的程度，如果复杂的模型的loss还达不到简单的的模型的loss那就是优化的问题。因为模型的弹性很大，在没有经过训练资料训练的地方，可能会有freestyle，再把测试集放进去之后就会有很大的loss。出现model bias的原因：模型太简单，可以让loss变低的函数不在model变低的范围内。model里面描述了，可以使loss最小的，但是因为局部最低点，没找出来。解决办法：重新设计你的model，增加更多的特征，增加更多层和神经元。一.loss大的原因。
2024-08-15 21:55:16
120
原创 深度学习基本概念（李宏毅机器学习课程笔记2）
跟笔记一的方法一样，将所有未知的超参数带入，在和label准确值求e，最后相加除以数据量总数N即为loss。红色的就是优化后的model，它可以由一个常数+好多个linear model组成。会先将N随机分成好多个batch，再将一个batch看成一份资料，计算出一个。分别求微分，再组合成向量g，跨度后的向量即为原来的。可以用relu函数代替sigmoid来写出函数。由n个蓝色的sigmoid相加再加上一个常数。代表所有未知的超参数组成的一个大的向量。，之后引入下一个batch，以此类推。
2024-08-14 22:19:50
201
原创 机器学习基本概念（李宏毅老师机器学习课程笔记1）
1.随便选择一个w，根据Loss的函数（自己设置的）求出在w那一点的斜率，如果斜率是负的就增加w，是正的就减少w（增加或者减少的度：1斜率大（小）就增加大（小）2.学习率（自己设置的，也就是超参数hyperparameters），重复步骤然后找出使L最小的w.通过对任务的理解加深，增加model的天数得出不同的model，算出不同的loss，可以看出随着天数的增加loss的值没有显著变化（linear model）跟上述步骤一样，先随机选择w和b，计算斜率，然后决定移动方向，重复步骤最后找到最好的w和b。
2024-08-13 21:44:41
167
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