- 博客(3)
- 收藏
- 关注
原创 深度学习和强化学习的概念对比
DL的基本思想是通过多层的网络结构和非线性变换,组合低层特征, 形成抽象的、易于区分的高层表示,以发现数据的分布式特征表示 .因此DL方法侧重于对事物的感知和表达.RL的基本思想是通过最大化智能体(agent)从环境中获得的累计奖赏值,以学习到完成目标的最优策略.因此RL方法更加侧重于学习解决问题的策略.作为机器学习领域另一个研究热点,已经广泛应用于工业制造、仿真模拟、机器人控制、优化。作为机器学习领域一个重要的研究热点,已经在各个领域取得了令人瞩目的成功.1.深度学习(Deep Learning,DL)
2024-07-31 17:02:45 379
原创 常用的开源深度学习仿真工具
用户还可以通过Caffe社区参与开发与讨论.但是Caffe的灵活性较差.2.Torch是一个支持机器学习算法的科学计算框架.它是采用Lua脚本语言和C语言编写的.Torch为设计和训练机器学习模型提供了一个灵活的环境,它还可支持iOS、Android等嵌入式平台.最新版本Torch7使CNN的训练速度得到大幅度提升.对于Torch的时域卷积,其输入长度可变,这非常有助于自然语言任务.但Torch没有Python接口。1.目前常用的深度学习仿真工具有Caffe、Torch及Theano等.
2024-07-30 16:25:36 374
原创 线性可分与线性不可分问题的数学基础与理论
线性不可分问题(Linear Non-separable Problem)是指在多类别分类问题中,数据样本在特征空间中不能完全线性分离的情况。这种情况通常发生在数据样本在特征空间中存在非线性关系或者数据分布不均匀等情况下。线性可分问题(Linear Separable Problem)是指在多类别分类问题中,数据样本在特征空间中可以通过线性分类器完全线性分离的情况。然而,在实际应用中,数据样本往往存在一定的非线性关系,导致无法通过线性分类器进行分类。这种情况被称为线性不可分问题。
2024-07-30 16:13:26 236
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