爱嘉牛LA

tensorflow加载embedding模型进行可视化

摘要： 1.功能采用python的gensim模块训练的word2vec模型，然后采用tensorflow读取模型可视化embedding向量 ps:采用C++版本训练的w2v模型，python的gensim模块读不了。 2.python训练word2vec模型代码 3.tensorflow读取模型可视化阅读全文

posted @ 2019-01-04 19:18 爱嘉牛LA 阅读(2547) 评论(0) 推荐(0)

实现加减乘除任意组合的语法解析

摘要：给定一个字符串如：2/(3+4))*(3-1)+6-8 ,用程序解析出来，输出最终的值。这是个AST 语法解析问题，最直观的是建立一颗语法树，然后遍历语法树来获得最终的效果。如下图，建立这么一个语法树，然后广度优先搜索，进行操作就能得到最终的结果。但是，其实我们有更方便的方法去做，不用建立语法树，阅读全文

posted @ 2018-11-15 00:55 爱嘉牛LA 阅读(905) 评论(0) 推荐(0)

gdbt原理解析

摘要：链接： http://note.youdao.com/noteshare?id=aeb1c7a30c5f4b70e3fff51f28ee5c47 懒得复制到这里了，一开始是在有道云笔记上写的，这里的公式支持又不太好，于是直接给出我有道云笔记的总结链接好了。阅读全文

posted @ 2018-11-05 00:48 爱嘉牛LA 阅读(417) 评论(0) 推荐(0)

均方误差和交叉熵损失函数比较

摘要：一.前言在做神经网络的训练学习过程中，一开始，经常是喜欢用二次代价函数来做损失函数，因为比较通俗易懂，后面在大部分的项目实践中却很少用到二次代价函数作为损失函数，而是用交叉熵作为损失函数。为什么？一直在思考这个问题，这两者有什么区别，那个更好？下面通过数学的角度来解释下。思考： 1.我们希望我们阅读全文

posted @ 2018-09-15 19:13 爱嘉牛LA 阅读(9708) 评论(0) 推荐(2)

决策树属性选择度量总结

摘要：一.决策树归纳发展历程： ID3-->C4.5-->CART 二.常用度量方法常见的度量方法有：信息增益，增益率，基尼指数(Gini指数) 例子：判断一个用户是否会购买电脑的数据，下面的计算都是以这里例子的数据作为计算。属性为：age,income,student,credit_rating 阅读全文

posted @ 2018-09-12 19:52 爱嘉牛LA 阅读(4858) 评论(1) 推荐(0)

谈谈交叉熵损失函数

摘要：一.交叉熵损失函数形式现在给出三种交叉熵损失函数的形式，来思考下分别表示的的什么含义。 --式子1 --式子2 --式子3 解释下符号，m为样本的个数，C为类别个数。上面三个式子都可以作为神经网络的损失函数作为训练，那么区别是什么？ ■1》式子1，用于那些类别之间互斥(如：一张图片中只能保护猫或者阅读全文

posted @ 2018-08-11 19:44 爱嘉牛LA 阅读(6581) 评论(2) 推荐(2)

EMD距离

摘要：一.场景介绍最近在研究一个场景：图片质量评分，给一张图片一个预测的分数。里面提到了用 EMD（Earth Mover’s Distance）算法来评估两张图片之间的分布距离。下面主要讲解下EMD算法的原理。二.EMD算法 1.起源 EMD最早由Yossi Rubner􏰍在2000年用在图像检阅读全文

posted @ 2018-07-28 17:14 爱嘉牛LA 阅读(1552) 评论(0) 推荐(0)

正则表达式纪录

摘要： 1.查找两个字符串中间的字符串阅读全文

posted @ 2016-06-12 21:00 爱嘉牛LA 阅读(178) 评论(0) 推荐(0)

FGrowth算法

摘要：一：背景 http://www.cnblogs.com/aijianiula/p/5397857.html 上节中，总结了频繁项集挖掘的最基本算法:Apriori算法。这篇文章写下它的改进算法FGrowth算法，记得这个算法是香港一位教授提出来的，其思想非常值得借鉴和思考。二：FGrowth FP 阅读全文

posted @ 2016-04-16 13:06 爱嘉牛LA 阅读(1084) 评论(0) 推荐(0)

频繁项挖掘算法Apriori和FGrowth

摘要：一：背景介绍最近在公司用spark的平台做了一个购物车的推荐，用到的算法主要是FGrowth算法，它是Apriori算法的升级版，算法的主要目的是找出频繁进行一起购买的商品。本文主要介绍两个算法的背景，触及到公司的推荐具体流程，这里就不介绍了。二：Apriori Apriori算法是挖掘频繁项的阅读全文

posted @ 2016-04-16 10:51 爱嘉牛LA 阅读(1317) 评论(0) 推荐(0)

公告