自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(17)
  • 收藏
  • 关注

原创 安装时报错:“/usr/bin/dpkg returned an error code (1)“错误解决方案

【代码】安装时报错:“/usr/bin/dpkg returned an error code (1)“错误解决方案。

2023-08-24 14:24:53 195 1

原创 随机梯度下降法

标准梯度下降是在权值更新前对所有样例汇总误差,而随机梯度下降的权值是通过考查某个训练样例来更新的。在原来梯度下降的基础上,只需要在循环体内做一些改动,从五组数据中任取一组进行不断训练迭代x=random.randint(0,4) 随机梯度下降训练速度很快,而批量梯度下降法在样本量很大的时候,训练速度不能让人满意。完整代码:import numpy as npfrom mpl_toolkits.mplot3d import Axes3D import randomimport matpl

2021-11-12 08:23:22 445

原创 LDA算法推导

在进行具体推导之前,首先明确一个概念——瑞利商,有助于之后推导。对于数据集D={(x1,y1),(x2,y2),…,((xm,ym))} ,其中任意样本xi为n维向量,yi∈{0,1}。Nj(j=0,1)为第j类样本的个数,Xj(j=0,1)为第j类样本的集合,μj(j=0,1)为第j类样本的均值向量,Σj(j=0,1)为第j类样本的协方差矩阵对于下式初学者应该加深理解对于刘建平博客中对于LDA算法流程的总结,课上指出下图有错误故求哪一个的特征值都可行...

2021-11-02 11:48:24 399

原创 决策树实现西瓜问题

经计算,“清晰”分支中“敲声”的信息增量最大,“稍糊”分支中“根蒂”的信息增量最大,“模糊”分支中“色泽”的信息增量最大,因此这三个属性分别作为第二层的三个节点。根据递归,最终我们可以得到整棵决策树:...

2021-10-26 19:35:50 285

原创 演员评论家算法

import gym, osfrom itertools import countimport paddleimport paddle.nn as nnimport paddle.optimizer as optimimport paddle.nn.functional as Ffrom paddle.distribution import Categorical#实施网络device = paddle.get_device()env = gym.make("CartPole-v0")

2021-10-21 15:55:01 555

原创 手写数字识别模型

前提条件import paddlefrom paddle.nn import Linearimport paddle.nn.functional as Fimport osimport matplotlib.pyplot as pltimport numpy as np数据处理train_dataset=paddle.vision.datasets.MNIST(mode='train')train_data0=np.array(train_dataset[0][0])train_la

2021-10-19 19:47:04 511

原创 paddlepaddle卷积神经网络

import paddleimport paddle.nn.functional as Ffrom paddle.vision.transforms import ToTensorimport numpy as npimport matplotlib.pyplot as plttransform = ToTensor()cifar10_train = paddle.vision.datasets.Cifar10(mode='train',

2021-10-15 16:39:48 1324

原创 PCA主成分分析实例

#主成分分析import numpy as npave_x=1.81ave_y=1.91dataAdjust_x=np.array([0.69,-1.31,0.39,0.09,1.29,0.49,0.19,-0.81,-0.31,-0.71])dataAdjust_y=np.array([0.49,-1.21,0.99,0.29,1.09,0.79,-0.31,-0.81,-0.31,-1.01])dataAdjust=np.vstack((dataAdjust_x,dataAdjust_y)

2021-10-07 16:48:33 620

原创 旋无散公式的证明

由上式可证得旋度无散原因:对于一个闭合曲面而言,上面的任何一条环线都有两个意义,从一面看是进入曲面的一个环线的法向量(方向依照右手螺旋法则),从另一面看(由于曲面很小,所以从两边看都是附近的环线),又是出曲面的环线的法向量,于是任何一个闭合曲线都同时提供了进出曲面的法向量,从而最后求代数和时全部都抵消掉了。...

2021-10-05 10:47:10 1674

原创 HMM算法推导(附代码)

伪代码:推导过程:完整代码(还有待改进):from numpy import *import numpy as npclass HMM: def __init__(self): self.emission_probability=np.array([(0.4,0.5,0.1),(0.3,0.1,0.6)]) self.transition_probability=np.array([(0.3,0.7),(0.6,0.4)]) self.start_probability=

2021-09-28 21:48:02 215

原创 欧拉公式改进版

import matplotlib.pyplot as pltimport numpy as nph=0.01x = 0xx=np.zeros(100)yy=np.zeros(100)y = 1for i in range (100): k = y - 2 * x / y dk = 1.1 * y - 0.2 * x / y k2 = 1.1 * y - 0.2 * x / (y ** 2) y = k + 0.1 * 0.5 * (k + dk) x

2021-09-24 09:40:07 99

原创 全链接神经网络的推导

一些初始关系式的罗列,便于下面的推导第一部分:推导输出层节点的权重公式第二部分:推导隐藏层节点的权重公式由于w41的输出分配给了节点8和节点9,所以要求全导而不是偏导同理可得到其他节点权重的更新公式...

2021-09-17 15:32:53 72

原创 欧拉公式推导

import matplotlib.pyplot as pltimport numpy as nph=0.01x = 0xx=np.zeros(100)yy=np.zeros(100)y = 1for i in range (100): y=h*(y-2.0*x/y)+y x=x+h xx[i]=x yy[i]=y print(xx[i],yy[i])plt.plot(xx,yy, ls='-', lw=2, label='OULA', color=

2021-09-16 17:51:32 181

原创 朴素贝叶斯-公园穿凉鞋问题的推导

设A1:任意一人是男性A2:任意一人是女性B:任意一人穿凉鞋P(B)=P(B|A1)*P(A1)+P(B|A2)*P(A2)=2/3*1/2+2/3*1/3=5/9 P(A1|B)=P(B|A1)*P(A1)/P(B)=(2/3*1/2)/5/9=3/5 同理P(A2|B)=2/5故一个穿凉鞋的人,他为男性的概率是3/5,是女性的概率为2/5...

2021-09-15 08:27:37 164

原创 感知器算法

import numpy as npimport matplotlib.pyplot as pltx = np.array([[0,0], [0,1], [1,0], [1,1]])t = np.array([[0],[0],[0],[1]])alpha = 0.1omega1 = np.random.random()omega2 = np.random.random()omega=np.array([omega1 ,omega2])e=float(2.72)eps = 10e-4for

2021-09-10 09:36:37 666

原创 梯度下降法

import numpy as npimport matplotlib.pyplot as pltx = np.array([[2104,3], [1600,3], [2400,3], [1416,2],[3000,4]])t = np.array([400,330,369,232,540])alpha = 0.1theta0 = np.random.random()theta1 = np.random.random()theta2 = np.random.random()theta=np

2021-09-03 15:25:33 116 1

原创 numpy应用

c = np.arange(1,13).reshape(6,2)carray([[ 1, 2], [ 3, 4], [ 5, 6], [ 7, 8], [ 9, 10], [11, 12]]) np.vsplit(c,3)[array([[1, 2], [3, 4]]), array([[5, 6], [7, 8]]), array([[ 9, 10], [11,

2021-09-03 09:31:47 268 1

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

提示
确定要删除当前文章?
取消 删除