随笔分类 - 机器学习
摘要：Stackoverflow.com是程序员的好去处，本公众号将以pandas为主题，开始一个系列，争取做到每周一篇，翻译并帮助pandas学习者一起理解一些有代表性的案例。今天的主题就是Pandas与Numpy中一个非常重要的参数：axis.(轴） Stackoverflow问题如下： python
阅读全文
摘要：安装 1、ubuntu 14.04 2、 清华大学开源软件镜像站：https://mirrors.tuna.tsinghua.edu.cn/help/tensorflow/ 3、测试是否成功，出现下图表示成功
阅读全文
摘要：在梯度下降法中，批量指的是用于在单次迭代中计算梯度的样本总数。到目前为止，我们一直假定批量是指整个数据集。就 Google 的规模而言，数据集通常包含数十亿甚至数千亿个样本。此外，Google 数据集通常包含海量特征。因此，一个批量可能相当巨大。如果是超大批量，则单次迭代就可能要花费很长时间进行计算
阅读全文
摘要：正如之前所述，梯度矢量具有方向和大小。梯度下降法算法用梯度乘以一个称为学习速率（有时也称为步长）的标量，以确定下一个点的位置。例如，如果梯度大小为 2.5，学习速率为 0.01，则梯度下降法算法会选择距离前一个点 0.025 的位置作为下一个点。 超参数是编程人员在机器学习算法中用于调整的旋钮。大多
阅读全文
摘要：迭代方法图（图 1）包含一个标题为“计算参数更新”的华而不实的绿框。现在，我们将用更实质的方法代替这种华而不实的算法。 假设我们有时间和计算资源来计算 w1 的所有可能值的损失。对于我们一直在研究的回归问题，所产生的损失与 w1 的图形始终是凸形。换言之，图形始终是碗状图，如下所示： 图 2. 回归
阅读全文
摘要：迭代学习可能会让您想到“Hot and Cold”这种寻找隐藏物品（如顶针）的儿童游戏。在我们的游戏中，“隐藏的物品”就是最佳模型。刚开始，您会胡乱猜测（“w1 的值为 0。”），等待系统告诉您损失是多少。然后，您再尝试另一种猜测（“w1 的值为 0.5。”），看看损失是多少。哎呀，这次更接近目标了
阅读全文
摘要：1、线性回归 人们早就知晓，相比凉爽的天气，蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来，专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录。Ruth 阿姨将她喜爱的蟋蟀数据库作为生日礼物送给您，并邀请您自己利用该数据库训练一个模型，从而预测鸣叫声与温度的关系。 首先建议您将数据绘制成图表
阅读全文
摘要：本文内容摘自 谷歌机器学习免费课程MLCC： https://developers.google.com/machine-learning/crash-course/ 什么是（监督式）机器学习？简单来说，它的定义如下： 机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。 下面我们
阅读全文
摘要：1、 本来按照视频走的，但是在cmake的时候报错，然后参考了这篇文章，稀里糊涂的就好了，总结就是把“视频/本文”说的依赖都安装上，就可以了，先安装opencv，再安装caffe第三方依赖 在安装caffe第三方依赖的时候，别安装那个 libopencv-dev，因为会与安装opencv时的依赖冲突
阅读全文
摘要：1\opencv的安装参考视频 2\ 以下内容来自:http://blog.csdn.net/l18930738887/article/details/54696148 本人因为被坑过，所以建议各位最好在安装caffe第三方库前安装 opencv。主要原因是caffe官网要安装 apt-get in
阅读全文
摘要：相当多的内容参考的百度经验https://jingyan.baidu.com/article/eb9f7b6d79a7b4869364e885.html?qq-pf-to=pcqq.group 还可以参考这个讲的更详细，但以本文为主http://blog.csdn.net/jiajinrang93/
阅读全文
浙公网安备 33010602011771号