rdcamelot

摘要： 按下【Win+R】组合键呼出运行，输入：services.msc 点击确定打开服务； 在服务界面中双击打开【Windows Modules Installer】，将【启动类型】修改为【自动】，点击【应用】-【启动】-【确定】即可。 但是我在执行上面步骤的过程中发现我的【Windows Modules 阅读全文

摘要： 概念 元组(tuple)是一种不可变序列类型，与列表类似，但是一旦创建就不能修改 元组使用圆括号 ( ) 来定义，元素之间用 , 分隔 特点： 有序集合 不可修改 可以包含任何其他类型元素 可以嵌套包含其他符合数据类型 使用 在李沐老师的动手学习深度学习 从零实现循环神经网络一节中，元组主要用于隐藏 阅读全文

摘要： 对抗学习 学习潜在因素的好处是，如果真实的生成过程中 x 是结果，y 是原因，那么建模 p(x | y) 对于 p(y) 的变化是鲁棒的。如果因果 关系被逆转，这是不对的，因为根据贝叶斯规则，p(x | y) 将会对 p(y) 的变化十分敏感。 也就是生成过程的方向性（即y→x 还是x→y）会直接影 阅读全文

摘要： 能量函数 无向模型中许多有趣的理论结果都依赖于\(\forall x, \tilde{p}(x) > 0\)这个假设。使这个条件满足的一种简单方式是使用基于能量的模型，其中 \[\tilde{p}(\mathbf{x}) = \exp(-E(\mathbf{x})), \]\(E(\mathbf{x 阅读全文

摘要： 循环神经网络(RNN)是一类用于处理序列数据的神经网络。 传统的全连接前馈网络会给每个输入特征分配一个单独的参数，所以需要分别学习句子每个位置的所有语言规则。相比之下，循环神经网络在几个时间步内共享相同的权重，不需要分别学习句子每个位置的所有语言规则。 这种想法有点类似于在一维时间序列上使用卷积，这 阅读全文

摘要： 卷积神经网络的一个重要思想是参数共享 卷积神经网络(CNN)是一种专门用来处理具有类似网络结构的数据的神经网络，例如时间序列数据和图像数据 卷积运算 卷积是对两个实变函数的一种运算 在卷积网络的术语中，卷积的第一个参数（在这个例子中，函数 x）通常叫做输入，第二个参数（函数 w）叫做核函数。输出有时 阅读全文

摘要： 对抗训练 为了探索网络对底层任务的理解层次，我们可以探索这个模型错误分类的例子 例如对于两个非常接近的输入点，网络会做出非常不同的预测 因此可以通过对抗训练：在对抗扰动的训练集样本上训练网络，来减少原有独立同分布的测试集的错误率 这些对抗样本的主要原因之一是过度线性。神经网络主要是基于线性块构建的。 阅读全文

摘要： 多层感知机(MLP)，又称为深度前馈网络 这种模型被称为前向的，是因为信息流过x的函数，流经用于定义f的中间过程，最终到达输出y 在模型的输出和模型本身之间并没有反馈连接 线性模型不能理解两个输入变量之间的相互作用，因为其指保证了输入和输出的线性关系 为了扩展线性模型来表示x的非线性函数，可以不把线 阅读全文

摘要： 简单的机器学习算法的性能在很大程度上依赖于给定数据的表示，表示的选择会对机器学习算法产生巨大的影响 但是特征的选择或者如何进行表示较为困难，因此一种想法就是使用机器学习本身来发掘表示本身，而不仅仅把表示映射到输出 将这种方法称之为表示学习 表示学习算法的典型例子是自编码器，编码器函数将输入数据转换为 阅读全文

摘要： 给定训练样本集\(D={(x_1,y_1),(x_2,y_2),\ldots,(x_m,y_m)},y_i \in \{-1,+1\}\)，分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开 样本空间中，划分超平面可以表示为\(w^Tx+b=0\)，其中\(w^ 阅读全文