摘要：
前验概率与后验概率 前验概率（Prior Probability）和后验概率（Posterior Probability）是一对孪生概念，它们是贝叶斯统计思想的核心。简单地说，前验是“你原本的信念”，后验是“在看到证据之后你修正过的信念”。我们来一步步拆解。 一、前验概率：在看到数据之前的信念 定义 阅读全文
posted @ 2025-10-19 22:37
saulstavo
阅读(17)
评论(0)
推荐(0)
摘要：
非常好，这段代码是一个非常典型的 L2 正则化（L2 Regularization） 的实现例子。 我们来一步步讲清楚它的作用、为什么写成这样，以及 torch.norm(param, p=2) 的意义。 一、先看这段代码在干什么 # 手动计算 L2 正则化项并加到总损失中 l2_reg = 0 f 阅读全文
posted @ 2025-10-19 22:33
saulstavo
阅读(18)
评论(0)
推荐(0)
摘要：
有两个概率分布：真实分布 P(x)：世界的真实规律；模型分布 Q(x)：我们模型预测的结果。 KL 散度衡量的就是这两个分布之间的“距离”：\(D_{KL}(P||Q) = \sum_{x}^{}{P(x)log\frac{P(x)}{Q(x)}}\). 越接近 0 → 模型越接近真实分布. 假设你 阅读全文
posted @ 2025-10-19 21:57
saulstavo
阅读(22)
评论(0)
推荐(0)
浙公网安备 33010602011771号