FDU大学渣——海疯xx

摘要： 两种非常常见的非线性单元：rectified linear units (ReLUs) 和 leaky ReLUs 我们选取binary hinge loss进行二分类 对于多分类，我们可以定义multiclass hinge loss 定义Ω为网络的参数空间， L(ω)为loss。 由于我们选了R 阅读全文

摘要： 本篇文章的介绍了一个非常简单的门限RNN(gated recurrent neural network), 这里有两扇门horizontal/forget gate和vertical/input gate， 即 其中 （logistic sigmoid function） 下面假设输入数据xt满足如 阅读全文

摘要： 每个网络节点都具有不同的动态行为 信号的时间延迟可能沿着网络链路发生 网络的隐藏部分具有循环连接 输入和内部权重是固定的并随机选择 在训练期间仅调整输出权重。(加速训练) Figure 1.. Illustration of the reservoir computer architecture. 阅读全文

摘要： 原文：http://tkipf.github.io/graph-convolutional-networks/ 多层图卷积网络 (GCN) with first-order filters. GCNs Part I: Definitions 给定一个网络结构G=(V,E), 1. N个节点，每个节点 阅读全文

摘要： 构建VR复形(维托里斯-里普斯复形) 在二维平面中，构建从圆形结构中取样的VR复形的可视化的主要步骤： 随着-圆的大小不断变大，拓扑模型特征从诞生到消亡的图像。能保持更长时间的特征是有用的特征，而寿命很短的特征更可能是噪声。这个过程称为持续同调，因为它发现了在你持续变化 时，拓扑空间中持续存在的同源 阅读全文

摘要： 格兰杰因果关系（Granger causality ）是基于预测的因果关系统计概念。根据格兰杰因果关系，如果信号X1“格兰杰Causes”（或“G-Causes”）信号X2，则X1的过去值应该包含有助于预测X2的信息，并且超过仅包含在X2的过去值中的信息。其数学公式基于随机过程的线性回归模型（Gra 阅读全文

摘要： 链接：https://mp.weixin.qq.com/s/BEjj5zJG3QmxvQiqs8P4-w softmax CRF主要用于序列标注问题，可以简单理解为是给序列中的每一帧，既然是分类，很自然想到将这个序列用CNN或者RNN进行编码后，接一个全连接层用softmax激活，如下图所示 逐帧s 阅读全文

摘要： 网址：https://blog.csdn.net/g11d111/article/details/76639460 阅读全文

摘要： 请见知乎 阅读全文

摘要： Iterative Policy Evaluation How to Improve a Policy Value Iteration Every-Visit Monte-Carlo Policy Evaluation 阅读全文

摘要： Transposed convolutions也称作fractionally strided convolutions(本人比较喜欢这个称呼，比较直观)，Upconvolution，deconvolutions i:表示一般卷积时候的输入图片的大小i*i i':表示反卷积时候的输入图片的大小 k:表 阅读全文

摘要： GAN目前是机器学习中非常受欢迎的研究方向。主要包括有两种类型的研究，一种是将GAN用于有趣的问题，另一种是试图增加GAN的模型稳定性。 事实上，稳定性在GAN训练中是非常重要的。起初的GAN模型在训练中存在一些问题，e.g., 模式塌陷（生成器演化成非常窄的分布，只覆盖数据分布中的单一模式）。模式 阅读全文

摘要： Generative Adversarial Nets（简称GAN）是一种非常流行的神经网络。 它最初是由Ian Goodfellow等人在NIPS 2014论文中介绍的。 这篇论文引发了很多关于神经网络对抗性训练的兴趣，论文的引用次数已接近2700+。 许多变形的GAN出现了：DCGAN，Sequ 阅读全文

摘要： 链接：https://kexue.fm/archives/5253 分布变换 通常我们会拿VAE跟GAN比较，的确，它们两个的目标基本是一致的——希望构建一个从隐变量Z生成目标数据X的模型，但是实现上有所不同。更准确地讲，它们是假设了Z服从某些常见的分布（比如正态分布或均匀分布），然后希望训练一个模 阅读全文

摘要： 链接：https://kexue.fm/archives/5343 阅读全文