matlb自己总结（基础篇） （1）help 命令 可以查其用法 （2）“；”的用法 不加“；”显示结果 加“；”时不显示结果 （3）数列之间的运算要加"." （4）在matlb中函数总是以离散数列形式给出的 (5)常数： pi=圆周率； j=i=虚单元； ans=计算机结果的缺省变量名 （6）数列：a=[1 5 8 0 2] 矩阵：a=[1 5 8;0 8 4] 改变数列的某一个项的值：a(1)
转载
2024-03-06 11:33:23
28阅读
损失函数Softmax函数如果模型能输出10个标签的概率，对应真实标签的概率输出尽可能接近100%，而其他标签的概率输出尽可能接近0%，且所有输出概率之和为1。这是一种更合理的假设！与此对应，真实的标签值可以转变成一个10维度的one-hot向量，在对应数字的位置上为1，其余位置为0，比如标签“6”可以转变成[0,0,0,0,0,0,1,0,0,0]。为了实现上述思路，需要引入Softmax函数，
转载
2024-05-30 22:31:45
318阅读
裁剪算法 待补充计算机图形学之裁剪* 3D裁剪
* 2D裁剪裁剪算法: 用来消除显示区域外的图形部分.二维裁剪算法* 点的裁剪
* 线段的裁剪(直线段)
* 区域裁剪(多变形裁剪)二维点的裁剪裁剪窗口为一个标准的矩形: Xmin<=X<=Xmax Ymin<=Y<=Ymax二维线段的裁剪线段与窗口边界的求交运算耗时.因此.较少交点的计算是每一种线段裁剪算法的主要目标.判断线
回顾上一节中，介绍了图像分类任务中的两个要点： 假设函数。该函数将原始图像像素映射为分类评分值。 损失函数。该函数根据分类评分和训练集图像数据实际分类的一致性，衡量某个具体参数集的质量好坏。现在介绍第三个要点，也是最后一个关键部分：最优化Optimization。最优化是寻找能使得损失函数值最小化的参数 W 的过程，一旦理解了这三个部分是如何相互运作的，我们将会回到第一个要点
目录1. 激活函数1.1. 为什么需要激活函数（激励函数）1.1.1. ReLU1.1.2. sigmod1.1.3. tanh1.2. Pytorch常见激活函数2. 损失函数2.1. Keras内置的损失函数2.1.1. Keras core Loss2.1.2. mean_squared_error2.1.3. mean_absolute_error2.1.4. binary_crossen
转载
2024-10-23 18:50:16
57阅读
机器学习 知识点补充特征、样本、数据集特征(Feature)：特征是用来描述机器学习系统处理的对象或事件的特性。样本(Sample)：样本是指我们从某些希望机器学习系统处理的对象或事件中收集到的已经量化的特征的集合。数据集(Dataset)：数据集是指很多样本组成的集合。有时我们也将样本称为数据集中的数据点(Data Point) 。大部分机器学习算法可以被理解为在数据集上获取经验。监督学习算法
损失函数 Loss Function损失函数就是用来衡量一组参数W的好坏程度的，通常损失函数的最低值为0，没有最高值，可以无穷大。在计算的时候，一般会遵循这样的公式 在这里 Li 是在某一个样本 xi 的损失，N 是样本总数，也就是说总损失是每个样本损失的平均值，而根据对 Li 不同的定义就有了不同的损失函数。 Hinge Loss首先解释一下 s 的含义，s 是 score
1. GCN 什么是GCNG是Graph，C是卷积，卷积神经网络 一般称作 CNN；CNN的原理是想构造一个小的窗口，然后在窗口里提取一些特征，窗口在图上不断滚动，最后提取一些特点；GCN跟CNN也是类似，它是在Graph上的操作，CNN是在Image上；GCN的背景（Graph Convolutional Networks）：AI领域三分天下：计算机视觉CV，自然语言处理NLP，推荐系
1. 常用损失函数 损失函数是机器学习和深度学习中的一个关键概念，用于衡量模型预测结果与实际标签之间的差异或误差。损失函数的设计目标是使其最小化，这样在训练过程中，优化算法可以通过调整模型参数来使损失函数达到最小值，从而提高模型的性能。损失函数通常是一个关于模型参数的函数，用数学公式表示。1.1 回归损失 &n
三大法宝：①：DDQN：改变Nature DQN中TD目标值中a'的产生方式。②：Prioritized experience reply：改变从经验池采样的方式。③：Dueling DQN：改变网络结构本文将通过理论+实战结合的方式总结DQN与三大法宝的功能。为了阐述清楚三种方式的各自优势：实战部分不选用NIPS DQN作为基础网络，而是用Nature DQN（后面简称DQN
大纲指数衰减学习率
激活函数
损失函数
缓解过拟合
优化器
1. 指数衰减学习率
思想：先用较大的学习率快速得到近似解，然后逐步减小学习率，使算法在迭代后期稳定下来。计算公式为：
指数衰减学习率=初始学习率*学习率衰减率^(单前轮数/多少轮衰减一次)，其中，单前轮数可以指opoch数，也可以指global steps。
例子：
import tensorflow as tf
epoch=40
lr
前言本文分为两部分： 1、损失函数、代价函数、目标函数 包括keras中常用损失函数及其使用场景 2、优化函数一、损失函数、代价函数、目标函数1、损失函数：衡量预测值与真实值的偏离程度，损失函数就是一个”裁判“，判断函数拟合的效果好不好，评价网络训练的好坏，所以它是一个评价指标。损失函数是针对一个样本的，即一个样本的预测值与其真实值的差距，误差越小，拟合的越好。 2、代价函数：针对整个训练集，将每
转载
2024-07-11 08:37:13
229阅读
1. Softmax 回归2. 损失函数2.1 L2 Loss 均分平方损失函数蓝色的线：变化的损失函数, 当y=0， y'的变化的预测值, 这是个二次函数0.5 * y'^2 绿色的线：似然函数 e^-l 橙色的线：损失函数的梯度，梯度就是一个一次函数y-y'梯度下降的时候，我们是根据负梯度的方向来更新我们的参数，所以它的导数就决定如何更新参数。当真实值y，跟预测值y’隔的比较远的时候，(y-y
转载
2024-08-20 18:00:36
382阅读
MATLAB
受 到控制界广泛接受的一个重要原因是因为它提供了方便的绘图
功能.本章主要介绍2维图形对象的生成函数
及图形控制函数
的使用方 法,还将
简单地介绍一些图形的修饰与标注函数
及操作和控制MATLAB
各种图形对象的
方法.
第一节 图形窗口与坐标系
一.图形窗口
1.MATLAB
在图形窗口中绘制或输出图形,因此图形窗口就
术语表agent——整体environment——环境action——动作state——状态reward——奖惩label——标签policy——策略value function——价值函数model——模型Exploration——探索Exploitation——利用1、强化学习是什么？首先，我们思考一下学习本身，当一个婴儿在玩耍时可能会挥舞双手，左看右看，没有人来指导他的行为，但是他和外界直接
# 强化学习中的损失函数可视化：一个实践案例
## 引言
强化学习（Reinforcement Learning, RL）是机器学习的一个重要分支，其核心在于通过与环境的互动来学习最优策略。损失函数在深度强化学习中扮演着至关重要的角色，帮助算法在不断迭代中调整参数，以逼近最优价值。然而，仅仅计算损失函数的数值并不足以全面了解算法的表现，视觉化是理解和改进模型的重要手段。本篇文章将通过具体示例，
近期，“夺回秋雅”的主线任务火遍了全网，各种flag又立下了。咱项目经理也不能怂，但不是去“夺回秋雅”，而是要找到自己的进阶转型之路，立下合适的主线任务，这可以从找到项目的价值开始。 项目管理的重要作用是：企业将业务通过项目的形式管理来实现商业价值，并逐步达成企业战略目标。PMBOK第七版中的12条项目管理原则也有“聚焦于价值”这一原则，在企业数字化转型的背景下，基于目标以结果为导向正在
CH1 强化学习简介(Introduction to Reinforcement Learning) 文章目录CH1 强化学习简介(Introduction to Reinforcement Learning)1 关于强化学习2 强化学习问题2.1 奖励2.2 环境2.3 状态3 RL Agents(个体)4 RL内的问题 1 关于强化学习 强化学习应用于许多学科，而它自身也属于机器学习分支之一。
转载
2024-09-02 15:32:02
626阅读
上文提到，到目前为止，caffe总共提供了六种优化方法：Stochastic Gradient Descent (type: "SGD"),AdaDelta (type: "AdaDelta"),Adaptive Gradient (type: "AdaGrad"),Adam (type: "Adam"),Nesterov’s Accelerated Gradient (type: "Nester
1. 概述 势函数属于物理学原理，我们主要使用势函数控制游戏里单位的行为。例如，我们可以使用势函数，建立成群结队的单位，仿真群体移动，处理追逐和闪躲，以及避开障碍物问题。我们专门研究的势函数叫做Lenard-Jones势函数。 物理学中，Lenard-Jones势能代表
转载
2024-07-17 14:11:43
153阅读
