Home

用Python从零开始构建一个神经网络 2023年西安电子科技大学认知计算作业 潘笃驿 21009201106 下面的内容旨在帮助你完成从零构建一个神经网络，内容基础来自于victorzhou的一篇blog：Machine Learning for Beginners: An Introduction to Neural Networks 在上文基础上对内容做了优化 1. 构建基本的神经元 神经元往往是一个神经网络最基础的组成部分，一个神经元的任务是，它应该接受一个输入，然后根据内部的权重来做一个输出，本质上是一个数学模型，下面的内容会展示一个非常简单的神经元，它接受一个二维输入，然后输出一维结果 该神经元内部发生的计算过程如下： 首先每一维的特征需要与对应的权重...

什么是调试，为什么我们需要调试 这里借用南京大学 蒋炎岩 老师的ppt 在计算机中 ，我们将机器看作状态机，同时我们遵循计算机不会犯错的原则，因此，当你设计的程序产生了与你意料相悖的结果，那就可以认为你的程序产生了bug。 调试理论中的状态机 我们将程序可以看成一个状态机，程序的不断执行就是状态机状态的不断变化，出现bug的程序一定在某个环节后发生了异常，也就是error，从而引发了最终程序的failure。 在现在软件中，bug可以分为如下的两类 理解需求的不同产生的bug：我们在设计程序时偏离了最初规划的功能，导致最后设计出的程序没有办法完好的满足用户需求，这就属于第一类bug。 具体实现中的bug：因为技术原因，在实现过程中，我们实现的程序不能很好地完成为其...

lain 剧集中大量出现的电线杆，道路，交叉路口是否在暗示着连接这一具象？ lain 中，除了父亲之外的异常的冷漠，是否属于lain 逐渐脱离现实世界的象征，在她的世界里只有连接后的人才变得清晰有血肉

Lecture 1 什么是NLP 自然语言处理（NLP）是计算机科学（computer science）、人工智能（artificial intelligence）和语言学（linguistics）这些领域的交叉领域。 它的目的是为了让计算机能够理解语言，来完成对于世界的理解。 NLP的主要流程 下面的图来自知乎用户codingling 输入是语音和文本，对应的第一层就是语音识别和OCR/分词。第二层是形态学，接下来是句法分析和语法分析，最后的是对话分析。cs224n主要关注语音识别、句法分析和语法分析。前两层完成对于信息的提取，第三层实现句意阐述，最后一层实现对于上下文内容的理解 NLP的难点 NLP任务的难点就在于对于句意的阐释是一个非常困难的问题，往往简单的文字蕴含大量的信...

写点随笔 最近真的被优秀的学长震撼到了，带我入门的师兄已经早早拿到了offer，也有了很优秀的实习经历，再看看自己（，每次学习的时候都忍不住摸鱼，为了消消惰性和好好准备互联网+，决定认真做做算法详解这部分内容。 1.YOLOv1 检测算法的发展 初始检测算法的的基本构成主要由下图所示 图像输入后对其中元素进行基本的备选操作，得出可能出现的部分，之后由人为来进行特征工程，也就是对备选操作中的出的元素做出总结（Stage-1），总结出满足需要检测物体的元素，选择出特征后，作为神经网络的输入传入模型中，进行模型的迭代与梯度下降，最终生成检测结果（Stage-2），但最终产生的效果较差。 在Two-stage算法中，我们采用CNN这个网络利器来对备选元素做出总结，以及生成对应的检测模型，在这...

初识KMP算法 KMP算法是为了解决什么问题？ 看如下问题： 出自西安电子科技大学数据结构试题 首先我们要解决的问题就是找出第一个节点匹配位置 朴素解法即为 枚举原串S中的每个字符作为「发起点」，每次从原串的「发起点」和匹配串的「首位」开始尝试匹配： 匹配成功：返回本次匹配的原串「发起点」。 匹配失败：枚举原串的下一个「发起点」，重新尝试匹配。 图示如下： 时间复杂度为O（m*n） m为串S的长度，n为T的长度 那么有没有办法将该过程的时间复杂度压到O（m+n）呢？ KMP算法就解决了这个问题 KMP算法的解决思路 KMP算法希望在只遍历一遍数组的情况下找到匹配位置，所以对于串S指针i，我们需要让其不发生回退 实现思路如下 我们利用模式串T本身的特性获得了在i处匹配失败...

Kaggle中的常见算法与策略 线性模型 线性模型往往适用于将样本空间划分为多个空间 决策树 决策树通常使用树将样本空间划分为箱，在每个箱内使用连续预测 KNN KNN算法基于下面的假设：临近的样本具有接近的性质，找出测距的方法是KNN的核心之一 神经网络 多用于图像分类问题

强化学习入坑速递 第一部分初识概念 专业术语（Terminologies） 状态（state）：类似于样本正在处于的空间状态，决定下一步策略的产生 动作（action）：样本即将要发生的动作 策略（policy π）：根据状态来推断动作的基本标准，输出各动作的概率 奖励（reward)：强化学习的目的就是不断优化策略来保证奖励输出最大，奖励作为采取策略的反馈 状态转移（state transition）：采取策略后对应的状态发生变化 轨迹（trajectory）：训练过程中状态，动作，对应策略输出的动作奖励，下一个状态构成的连续串 疑难概念解析 回报（return）：包括未来的奖励总和 \(U_{t}=R_{t}+R_{t+1}+R_{t+2...