linear | 易学教程

博客皮肤

阅读更多关于博客皮肤

页面定制代码:　 body { //background: url(https://images.cnblogs.com/cnblogs_com/TomHe789/1652276/o_2002220059545d70ca19b2f73.jpg) fixed; background-color: white; background-size: 100%; background-repeat: no-repeat; } #home { background:white; opacity: 0.7; } #blogTitle h1 { margin-top: 10px; font-size: 40px; transition: all 1s; } #blogTitle h1:hover{ transform: translateX(70px); } #blogTitle h1:hover a { color: brown; } #blogTitle h2 { font-size: 18px; font-weight:bold; color: brown; float: left; margin-left: 40px; transition: all 1s; } #blogTitle h2:hover { transform: translateX(50px); color:

吴恩达机器学习课程-作业5-Bias vs Variance（python实现）

阅读更多关于吴恩达机器学习课程-作业5-Bias vs Variance（python实现）

Machine Learning(Andrew) ex4-Regularized Linear Regression and Bias v.s. Variance 椰汁笔记 Regularized Linear Regression 1.1 Visualizing the dataset 对于一个机器学习的数据，通常会被分为三部分训练集、交叉验证集和测试集。训练集用于训练参数，交叉验证集用于选择模型参数，测试集用于评价模型。这里的作业数据，已经给我们划分好了 data = sio . loadmat ( "ex5data1.mat" ) X = data [ "X" ] y = data [ "y" ] Xval = data [ "Xval" ] yval = data [ "yval" ] Xtest = data [ "Xtest" ] ytest = data [ "ytest" ] 我们使用线性回归拟合的是训练集数据，因此可视化只用可视化训练集的数据 plt . subplot ( 2 , 2 , 1 ) plt . scatter ( X , y , marker = 'x' , c = 'r' ) plt . xlabel ( "Change in water level (x)" ) plt . ylabel ( "Water flowing out of the

jQuery动画详解

阅读更多关于 jQuery动画详解

千锋逆战班，停课不停学！ 1.隐藏显示（1）运动轨迹：都是从左上角开始动画，显示是从左上角开始显示，隐藏是向左上角隐藏（2）参数：参数1 : 毫秒也就是动画的执行时间参数2 : 运动的方式 linear 线性参数3 : 回调函数当运动结束时,执行的函数程序（3）显示隐藏与切换标签对象.show() — 让隐藏的标签,显示标签对象.hide() — 让显示的标签,隐藏标签对象.toggle() —切换：隐藏—>显示显示—>隐藏注：只能是 display: none;不能是透明度为 0 相应代码： <style> button { display : block ; margin : 0px auto 20px ; } div { width : 200px ; height : 200px ; background : pink ; margin : 0 auto ; display : none ; } </style> <body> <button name="block">点我出现</button><br> <button name="none">点我消失</button><br> <button name="toggle">点我切换</button><br> <div></div> </body> <script src="./jquery.min

理解CSS3属性transition

阅读更多关于理解CSS3属性transition

一、说明 1.1 定义和用法 transition 属性是一个简写属性，用于设置四个过渡属性： transition-property:规定设置过渡效果的CSS属性的名称。 transition-duration:规定完成过渡效果需要多少秒或毫秒。 transition-timing-function:规定速度效果的速度曲线。 transition-delay:定义过渡效果何时开始。 1.2 语法 transition: property duration timing-function delay; 1.3 transition-timing-function 1.3.1 语法 transition-timing-function: linear|ease|ease-in|ease-out|ease-in-out|cubic- bezier(n,n,n,n); 1.3.2 说明 linear:规定以相同速度开始至结束的过渡效果（等于cubic-bezier(0,0,1,1)）。 ease:规定慢速开始，然后变快，然后慢速结束的过渡效果（cubic-bezier(0.25,0.1,0.25,1)）。 ease-in:规定以慢速开始的过渡效果（等于cubic-bezier(0.42,0,1,1)）。 ease-out:规定以慢速结束的过渡效果（等于cubic-bezier(0,0,0

lecture 2

阅读更多关于 lecture 2

1. Gradient Descent包含两种方法 a) Batch Gradient Descent replace the gradient with the sum of gradient for all sample and continue untill convergence convergence的意思是𝜃稳定下来 b) Stochastic Gradient Descen repeat this algorithm until convergence 区别在于第一个对所有项进行计算直至convergence；第二个𝜃在任何样本中均会更新，计算量减少但是有可能找不到minimum 相同处在于可以为参数𝜃i随意选取初始值，但是learning rate 𝛼的选取要非常小心，因为较小的值会使算法过慢，较大的值会使算法无法收敛（𝛼介于0，1之间） 2. gradient descent是一种迭代算法，可用来使成本函数J(𝜃)最小化。也可以通过对(𝜃)求导并将其设置为0从而找到其最小值，这种方法称为exact or closed-form solution 注意一定要在第一列加上一列1，称之为intercept parameter(拦截参数) 3. 将input variable x与output variable y的关系表示为: 其中𝜀j是一个误差项

第一次打卡

阅读更多关于第一次打卡

Task 1 线性回归从零开始代码 # import 包与模块 % matplotlib inline import torch from IPython import display from matplotlib import pyplot as plt import numpy as np import random # 设置输入特征数，即每个样本有多少特征 num_inputs = 2 # 设置样本数 num_examples = 1000 # 设置数据真实权重与偏置 true_w = [ 2 , - 3.4 ] true_b = 4.2 features = torch . randn ( num_examples , num_inputs , dtype = torch . float32 ) labels = true_w [ 0 ] * features [ : , 0 ] + true_w [ 1 ] * features [ : , 1 ] + true_b labels += torch . tensor ( np . random . normal ( 0 , 0.01 , size = labels . size ( ) ) , dtype = torch . float32 ) plt . scatter ( features [ : , 1 ] .

softmax和分类模型

阅读更多关于 softmax和分类模型

softmax和分类模型内容包含：如何获取Fashion-MNIST数据集和读取数据 softmax回归模型的从零开始实现，实现一个对Fashion-MNIST训练集中的图像数据进行分类的模型使用pytorch重新实现softmax回归模型 softmax的简洁实现 In [63]: # 加载各种包或者模块 import torch from torch import nn from torch.nn import init import numpy as np import sys sys.path.append("/home/kesci/input") import d2lzh1981 as d2l print(torch.__version__) 初始化参数和获取数据 In [64]: batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) 定义网络模型 In [65]: num_inputs = 784 num_outputs = 10 class LinearNet(nn.Module): def __init__(self, num_inputs, num_outputs): super(LinearNet, self).__init__() self

动手学深度学习之线性回归

阅读更多关于动手学深度学习之线性回归

1. 线性回归基本要素 1.1 模型所谓模型，即两种或两种以上变量间相互依赖的定量关系。例如：房价受其面积、地段与房龄等因素的制约 1.2 数据集为了对某现象进行预测，需要已知该现象在一段时间内的确切数据。以期在该数据基础上面寻找模型参数来使模型的预测值与真实值的误差最小。在机器学习术语里，该数据集被称为训练数据集(training data set) 或训练集(training set) ，其中个体被称为样本(sample) ，其真实值称为标签(label) ，用来预测标签的因素称为特征(feature) 。特征用于表征样本的特点。 1.3 损失函数在模型训练中，需要衡量预测值与真实值之间的误差。通常会选取一个非负数作为误差，其数值越小表示误差越小。一个常用的选择是平方函数。 1.4 优化函数当模型和损失函数形式较为简单时，误差最小化问题的解可以直接用公式表达出来,这类解称为解析解(analytical solution) 。本节使用的线性回归和平方误差刚好属于这个范畴。然而，大多数深度学习模型并没有解析解，只能通过优化算法有限次迭代模型参数来尽可能降低损失函数的值,这类解称为数值解(numerical solution) 。在求数值解的优化算法中，小批量随机梯度下降 (mini-batch stochastic gradient

task1

阅读更多关于 task1

以下代码可直接运行，注意注释从零实现线性回归 import torch as t from matplotlib import pyplot as plt import numpy as np import random num_input = 2 num_example = 1000 true_w = [2,-3.4] true_b = 4.2 features = t.randn(num_example,num_input,dtype = t.float32) labels = true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b # labels也是一个tensor labels += t.tensor(np.random.normal(0,0.01,size=labels.size())) # plt.scatter(feature[:,0].numpy(),labels.numpy(),1) # 参数为x,y。1表示点的大小。 # plt.scatter(feature[:,1].numpy(),labels.numpy(),1) # plt.show() def data_iter(batch_size,features,labels): num_examples = len(features) indices

DataWhale组队学习Task01：线性回归

阅读更多关于 DataWhale组队学习Task01：线性回归

1 线性回归模型简介线性回归是能够用一个直线较为精确地描述数据与数据之间的关系。线性回归中最常见的就是房价的问题。下面通过房价的例子理解线性回归的基本要素模型我们假设价格只取决于房屋状况的两个因素：面积（平方米）和房龄（年）。接下来我们希望探索价格与这两个因素的具体关系。线性回归假设输出与各个输入之间是线性关系: 价格 = W_area 面积 + W_age 房龄 + b 数据集房屋的真实售出价格和它们对应的面积和房龄。我们希望在这个数据上面寻找模型参数来使模型的预测价格与真实价格的误差最小。在机器学习术语里，该数据集被称为训练数据集（training data set）或训练集（training set），一栋房屋被称为一个样本（sample），其真实售出价格叫作标签（label），用来预测标签的两个因素叫作特征（feature）。特征用来表征样本的特点。损失函数在模型训练中，我们需要衡量价格预测值与真实值之间的误差。通常我们会选取一个非负数作为误差，且数值越小表示误差越小。一个常用的选择是平方函数。优化函数 - 随机梯度下降当模型和损失函数形式较为简单时，上面的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解（analytical solution）。本节使用的线性回归和平方误差刚好属于这个范畴。然而，大多数深度学习模型并没有解析解

订阅 linear