西伯尔 - 博客园

2020年9月5日

python，用Sieve of Eratosthenes（埃拉托斯特尼筛法），打印【0,100】之间的所有质数

摘要： import numpy as np # 用 Sieve of Eratosthenes（埃拉托斯特尼筛法），打印【0,100】之间的所有质数。 def way1(): # 方法一，用prime数组，两层for循环一个一个标记 arr = np.arange(2, 101) prime = np.o 阅读全文

posted @ 2020-09-05 18:14 西伯尔阅读(957) 评论(0) 推荐(0)

2020年8月8日

统计（一）概念区分

摘要： 1.概率分布，分布律，概率密度，分布函数阅读全文

posted @ 2020-08-08 19:29 西伯尔阅读(221) 评论(0) 推荐(0)

2020年8月5日

《动手学深度学习》(TF2.0版)（一）2.预备知识

摘要： 2.2 数据操作 2.2.1 创建 tensor 2.2.2 运算 2.2.3 广播机制 2.2.4 索引 2.2.5 运算的内存开销 2.2.6 tensor 和 NumPy 相互变换 2.3 自动求梯度阅读全文

posted @ 2020-08-05 21:02 西伯尔阅读(157) 评论(0) 推荐(0)

机器学习概念区分（一）性能度量 vs 损失函数

摘要： 1.机器学习的三要素就是：表示，评估和优化。（1）表示：将样本空间映射到一个合适的特征空间，一般地，我们更青睐于这样的表示是低维度的，是更加稀疏交互的，同时也希望是相互独立的。【从大量特征挑出好的特征，降维】让机器来学习怎样表示，就是表示学习。（2）评估：模型在数据上表现的量化形式，我们选阅读全文

posted @ 2020-08-05 20:50 西伯尔阅读(1241) 评论(0) 推荐(0)

《动手学深度学习》(TF2.0版)（二）3.深度学习基础

摘要： 3.1 线性回归回归：输出是连续值。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。线性回归适用于回归问题。分类：输出是离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。 softmax回归则适用于分类问题。线性回归和softma 阅读全文

posted @ 2020-08-05 20:24 西伯尔阅读(269) 评论(0) 推荐(0)

机器学习，优化——常用优化算法

摘要：先定义什么是优化，优化是求损失最小值情况下的参数。这里的调参不包括超参数，超参数怎么调可以参考。 1.梯度下降算法小批量随机梯度下降（mini-batch stochastic gradient descent）在深度学习中被广泛使用。它的算法很简单：先选取一组模型参数的初始值，如随机选取；阅读全文

posted @ 2020-08-05 19:58 西伯尔阅读(181) 评论(0) 推荐(0)

机器学习，评估——损失函数

摘要：概念区分性能度量vs损失函数损失函数、代价函数与目标函数损失函数（Loss Function）：是定义在单个样本上的，是指一个样本的误差，度量模型一次预测的好坏。代价函数（Cost Function）=成本函数=经验风险：是定义在整个训练集上的，是所有样本误差的平均，也就是所有损失函数值的平均阅读全文

posted @ 2020-08-05 19:18 西伯尔阅读(2768) 评论(0) 推荐(0)

TensorFlow2.0（二）自动求梯度

摘要：使用tensorflow2.0提供的GradientTape来自动求梯度。 1.tf.GradientTape基本使用方法偏导，同时求多个偏导，二阶导，多个，两个函数对一个参数求导…… 参考： https://www.liulinlong.cn/index.php/archives/180/ 《动阅读全文

posted @ 2020-08-05 17:35 西伯尔阅读(536) 评论(0) 推荐(0)

2020年8月4日

科学史

摘要： 1.站在巨人的肩膀上：牛顿的另一面牛顿对微积分和物理学做出了很大的贡献，在大家眼中是一位伟人。但是，我们今天要谈的是牛顿的另一面。老师们经常会拿他说过的一句话来鼓励自己的学生，那就是：“如果我比别人看得更远些，那是因为我站在巨人的肩膀上”。老师们通常解释说，这句话的意思是牛顿的自谦，意思是只阅读全文

posted @ 2020-08-04 10:21 西伯尔阅读(197) 评论(0) 推荐(0)

2020年8月3日

TensorFlow2.0（一）tensor创建和属性

摘要： 1.创建tensor # 2.2.1 创建tensor 三类方法： # 1.常量 # 1.1 tf.constant(value, dtype=None, shape=None)，tf.convert_to_tensor(value, dtype=None)，tf.fill(dims, value) 阅读全文

posted @ 2020-08-03 13:21 西伯尔阅读(713) 评论(0) 推荐(0)