![](https://img-blog.csdnimg.cn/20200813163235725.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
数学
文章平均质量分 80
关于数学的
强劲九
有问题可以找我「strongnine」!
展开
-
Python:直观地查看某个物品使用一段时间之后每天的平摊价格
买了一副眼镜,花了 800 块钱,感觉很贵,然后我在心里突然思考,这个眼镜如果买了一天就不见了,那么相当于我这一天使用的成本是 800 块钱。如果使用了 4 天之后才不见,那么我这四天每天使用的成本就是 200 块钱。也就是说如果这一副眼镜我用的时间越多,每天所花费的使用成本就越低。带着这个问题,我用 Python 写了一个简单的程序,使用 Matplotlib 来可视化,很直观地就看到要花多少时间才能够每天的平摊价格达到自己可接受的程度。原创 2023-03-29 13:32:36 · 437 阅读 · 0 评论 -
伴随方法:线性方程的伴随方程(Adjoint Equation)
伴随方法是 Neural-ODE 中十分重要的一个方法,它让一个计算量复杂到基本无法求解的问题变得有可能。在神经网络中嵌套线性方程或者非线性方程也会遇到同样的问题,这篇文章从最简单的例子线性方程中的网络参数求解中,表达一下伴随方法的思想以及一些公式的推导。原创 2022-05-15 21:25:35 · 3990 阅读 · 0 评论 -
Julia:Flux.jl 中的网络更新优化器参数解释
网络参数更新的优化器有很多的选择,但是大部分都是 Adam 算法的变种或者优化,下面是关于这些优化器的一些介绍和参数的意义,详细的可以去看不同算法的论文深入了解。原创 2022-05-05 15:14:16 · 350 阅读 · 0 评论 -
数学:已知概率分布,计算均值、方差、二阶矩
在已知概率分布 P(n) 的情况下,可以计算均值、方差、二阶矩等指标原创 2022-02-25 09:26:13 · 5238 阅读 · 0 评论 -
Julia:Zygote 上自定义后向传播
Zygote 是 Julia 上一个实现自动微分、自动求导的包,其中 @adjoint 宏是 Zygote 接口的一个重要组成部分。原创 2021-12-01 09:13:11 · 350 阅读 · 0 评论 -
Julia:如何调试微分方程求解问题
PSA: How to help yourself debug differential equation solving issuesOptimizing DiffEq Code常见问题求解 stiff equations翻译 2021-10-08 19:26:46 · 902 阅读 · 0 评论 -
常微分方程(ODE)的数值计算方法
目录1/ 欧拉法(Euler Method)[^2]2/ 龙格-库塔法(Runge-Kutta Method)2.1/ 四阶 Runge-Kutta 方法2.2/ Runge-Kutta 的一般形式参考常微分方程组的求解比较麻烦,通常在计算机上使用数值计算的方式去进行。假设一阶常微分方程组(ODEs)由下式给出dxdt=fi(x), i=1,2,…,n\frac{dx}{dt}=f_i(x),~i=1,2,\dots,ndtdx=fi(x), i=1,2,…,n其中 xx原创 2021-05-27 11:54:07 · 5375 阅读 · 0 评论 -
自动微分(AutoDiff)的原理
自动微分(AutoDiff)的原理1/ 各种自动微分的优缺点1机器学习的一个重要的任务,就是对参数求导得到损失函数对于每个参数的偏导数,然后进行梯度下降。而求偏微分,可以选择的方法有:手工微分(manual differentiation)、符号微分(symbolic differentiation)、数值微分(numerical differentiation)、前向自动微分(forward-mode autodiff)和反向自动微分(reverse-mode autodiff)。而在 Julia原创 2021-05-19 11:19:19 · 1602 阅读 · 0 评论 -
《神经网络与深度学习》第二章习题
第二章 机器学习概述习题 2-1 分析为什么平方损失函数不适用于分类问题。平方损失函数为:L(y,f(x;θ))=12(y−f(x;θ))2(2.14)\mathcal{L}\left(y,f(\boldsymbol{x};\theta)\right)=\frac{1}{2}\left(y-f(\boldsymbol{x};\theta)\right)^2 \tag{2.14}L(y,f(x;θ))=21(y−f(x;θ))2(2.14)对于分类问题,例如如果一个分类问题有标签 [1,2,3]原创 2020-08-14 13:41:55 · 1036 阅读 · 1 评论 -
Python:利用蒙特卡洛方法模拟验证概率分布
利用 MonteCarlo 模拟验证概率分布前几天老师给了一道题目:已知两个独立随机变量 x,yx,yx,y,随机变量 xxx 服从几何分布 Geom(p)\mathrm{Geom}(p)Geom(p),yyy 服从区间 [0,1][0,1][0,1] 上的均匀分布 U(0,1)\mathrm{U}(0,1)U(0,1),求新的随机变量 z=xyz=xyz=xy 的概率分布。上网查查发现还找不到答案,那自己写完也不知道答案对不对呀,这种情况怎么办?蒙特卡洛方法就派上用场了,我们可以先写出自己的答案原创 2020-08-10 11:35:59 · 8875 阅读 · 0 评论 -
将一维时间序列转化成二维图片
原文地址:Encoding Time Series as Images虽然现在深度学习在计算机视觉和语音识别上发展得很好,但是碰到时间序列时,构建预测模型是很难的。原因包括循环神经网络较难训练、一些研究比较难以应用,而且没有现存与训练网络,1D-CNN 不方便。但是如果使用 Gramian Angular Field (GAF),可以把时间序列转成图片,充分利用目前机器视觉上的优势。这篇文章...原创 2019-01-13 13:40:51 · 51985 阅读 · 79 评论 -
概率与信息论:期望、方差、标准差和协方差
1. 期望函数 f(x)f(x)f(x) 关于分布(概率) P(x)P(x)P(x) 的期望或者期望值可表示为:对于离散型随机变量: Ex∼P[f(x)]=∑xP(x)f(x)Ex∼P[f(x)]=∑xP(x)f(x)\mathbb{E}_{x \sim P}[f(x)]=\sum_{x}P(x)f(x) 对于连续型随机变量: Ex∼p[f(x)]=∫p(x)f(x)dxEx∼p...原创 2018-09-16 22:44:08 · 2519 阅读 · 0 评论 -
矩阵运算
给定两个矩阵A=(aij)m×nA=(aij)m×nA=\begin{pmatrix} a_{ij}\end{pmatrix}_{m \times n}原创 2018-12-05 11:08:13 · 1313 阅读 · 0 评论