深入學習理論：VC維（VC dimensions）
上面這個式子就是模型的評估與選擇這篇文章中提到的泛化誤差上界。（喜極而泣，大費周章，終於把這個坑給填了）
vc維在這裡面起到了一個懲罰項的作用，它所表徵的是模型的複雜程度，當模型越複雜的時候，vc維越大，泛化能力就越差；當模型越簡單的時候，vc維越小，經驗損失函式和期望損失函式
越接近，泛化能力越好。
相關推薦
深入學習理論：VC維（VC dimensions）
上面這個式子就是模型的評估與選擇這篇文章中提到的泛化誤差上界。（喜極而泣，大費周章，終於把這個坑給填了）vc維在這裡面起到了一個懲罰項的作用，它所表徵的是模型的複雜程度，當模型越複雜的時候，vc維越大，泛化能力就越差；當模型越簡單的時候，vc維越小，經驗損失函式和期望損失函式越接近，泛化能力越好。
機器學習1：梯度下降（Gradient Descent）
分別求解損失函式L(w,b)對w和b的偏導數，對於w，當偏導數絕對值較大時，w取值移動較大，反之較小，通過不斷迭代，在偏導數絕對值接近於0時，移動值也趨近於0，相應的最小值被找到。 η選取一個常數引數，前面的負號表示偏導數為負數時（即梯度下降時），w向增大的地方移動。 對於非單調函式，
Opencv學習筆記：addWeighted函式（影象融合）
addWeighted函式 融合圖片尺寸不變 1、函式作用 作用：實現兩幅圖片的（疊加）線性融合； 2、函式原型 void addWeighted(InputArray src1, double alpha, InputArray src2, doubl
學習連結：python&web（待更新）
目錄： 一、python 與 web伺服器 一、python 與 web伺服器 1、深入淺出web伺服器與python應用程式之間的聯絡： 2、從零開始搭建論壇（1）：Web伺服器與Web框架： 3、從零開始搭建論壇（2）：Web伺服器閘道器介面
學習筆記：近似推斷（待完善）
在很多概率模型中，很難訓練的最重要的原因是，很難進行推斷，所以書中，專門開了這章，來面臨訓練中最大而又，不能不解決的問題，近似推斷。 近似推斷，可以視為優化問題， 主要是 最大化下界 最大化下界： @@1. EM 期望最大化 @@2. MAP 最大後驗推斷 然後書
統計學習方法：核函式（Kernel function）
作者：桂。 時間：2017-04-26 12:17:42 前言 之前分析的感知機、主成分分析（Principle component analysis, PCA）包括後面看的支撐向量機（Support vector machines, SVM），都有用到核函式。核函式是將訊號對映到高維
機器學習之：決策樹（Decision Tree）
Decision Tree 1. 決策樹 決策樹是機器學習中最接近人類思考問題的過程的一種演算法。通過若干個節點，對特徵進行提問並分類（可以是二分類也可以使多分類），直至最後生成
python學習1：環境搭建（python3.X）
num pytho 計算機 nbsp 變量名 搭建 idt http mic 1.安裝包下載 python官網：https://www.python.org/downloads/ 2.安裝（windows） win7和win10都可以安裝。安裝包下載後
Coursera 學習記錄：流感傳染（關於二維陣列的標記和統計）
描述 有一批易感人群住在網格狀的宿舍區內，宿舍區為n*n的矩陣，每個格點為一個房間，房間裡可能住人，也可能空著。 在第一天，有些房間裡的人得了流感，以後每天，得流感的人會使其鄰居傳染上流感，（已經得病的不變），空房間不會傳染。請輸出第m天得流感的人數。 輸入 第一行一個數字n，n不超過100，表示有n
sklearn-學習：Dimensionality reduction(降維)-（feature selection）特徵選擇
本文主要對對應文件的內容進行簡化（以程式碼示例為主）及漢化 對應文件位置：http://scikit-learn.org/stable/modules/feature_selection.html#feature-selection feature selection
jquery 深入學習筆記之中的一個 （事件綁定）
color 動態 name his pan mouseover this pre con 【jquery 事件綁定】 1、加入元素事件綁定 (1) 加入事件為當前元素 $(‘p‘).on(‘click‘,function(){ //code here ..
VC6 在使用VC助手（Visual AssistX）在Win7下不能使用↑↓←→及回車鍵選擇的解決的方法
ack trac 問題 -a 10.8.2 con share track ssi VC6使用Visual AssistX版本號的問題，換一個版本號。如“Visual Assist X 10.8.2029”就可以解決。 http://pan.baidu.com/w
【練習題】第九章--案例學習：單詞遊戲（Think Python）
在此強調一點： for i in range(1,5): print(i) answer： 1 2 3 4 for i in range(5): print(i) answer： 0 1 2 3 4
【4】Caffe學習系列：啟用層（Activiation Layers)及引數
在啟用層中，對輸入資料進行啟用操作（實際上就是一種函式變換），是逐元素進行運算的。從bottom得到一個blob資料輸入，運算後，從top輸入一個blob資料。在運算過程中，沒有改變資料的大小，即輸入和輸出的資料大小是相等的。 輸入：n*c*h*w 輸出：n*c*h*w 常用的啟用函式有
【3】Caffe學習系列：視覺層（Vision Layers)及引數
所有的層都具有的引數，如name, type, bottom, top和transform_param. 本文只講解視覺層（Vision Layers)的引數，視覺層包括Convolution, Pooling, Local Response Normalization (LRN),
caffe原始碼深入學習6：超級詳細的im2col繪圖解析，分析caffe卷積操作的底層實現
在先前的兩篇部落格中，筆者詳細解析了caffe卷積層的定義與實現，可是在conv_layer.cpp與base_conv_layer.cpp中，卷積操作的實現仍然被隱藏，通過im2col_cpu函式和caffe_cpu_gemm函式(後者實現矩陣乘法)實現，在此篇部落格中，筆者旨在向大家展示，caf
OGC入門學習專欄-1：OGC簡介（持續更新）
宣告 本篇簡介的內容來源於OGC官網的英文文件，筆者將其翻譯為中文，方便大家閱讀。如果有不準確或錯誤的地方，歡迎大家在下方留言指正。 OGC官網首頁：http://www.opengeospatial.org/ OGC標準（英文）：http://www.openg
Tensorflow學習： AlexNet程式碼（slim版）
# Copyright 2016 The TensorFlow Authors. All Rights Reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use th
機器學習：梯度消失（vanishing gradient）與梯度爆炸（exploding gradient）問題
1）梯度不穩定問題： 什麼是梯度不穩定問題：深度神經網路中的梯度不穩定性，前面層中的梯度或會消失，或會爆炸。 原因：前面層上的梯度是來自於後面層上梯度的乘乘積。當存在過多的層次時，就出現了內在本質上的不穩定場景，如梯度消失和梯度爆炸。 （2）梯度消失（vanishing gradient
java學習筆記：二維陣列與面向物件
目標： 二維陣列 面向物件程式設計 一、二維陣列 二維陣列就是一個元素為一維陣列的陣列。 格式1： 資料型別[][] 變數名 = new 資料型別[m][n]; m表示這個二維陣列有多少個一維陣列 n表示每一個數組的元素的元素個數 /*