octave

【推荐阅读】微服务还能火多久？>>> 　　Deep Dream是谷歌公司在2015年公布的一项有趣的技术。在训练好的卷积神经网络中，只需要设定几个参数，就可以通过这项技术生成一张图像。 　　本文章的代码和图片都放在我的 github 上，想实现本文代码的同学建议大家可以先把代码Download下来，再参考本文的解释，理解起来会更加方便。 疑问： 卷积层究竟学习到了什么内容？ 卷积层的参数代表的意义是什么？ 浅层的卷积和深层的卷积学习到的内容有哪些区别？ 　　设输入网络的图形为x，网络输出的各个类别的概率为$t$(1000维的向量，代表了1000种类别的概率)，我们以t[100]的某一类别为优化目标，不断地让神经网络去调整输入图像x的像素值，让输出t[100]尽可能的大，最后得到下图图像。 极大化某一类概率得到的图片 　　卷积的一个通道就可以代表一种学习到的“信息” 。 以某一个通道的平均值作为优化目标 ，就可以弄清楚这个通道究竟学习到了什么，这也是Deep Dream 的基本原理。在下面的的小节中， 会以程序的形式，更详细地介绍如何生成并优化Deep Dream 图像。 TensorFlow中的Deep Dream模型 导入Inception模型 　　原始的Deep Dream模型只需要优化ImageNet模型卷积层某个通道的激活值就可以了，为此

【推荐阅读】微服务还能火多久？>>> 　　Deep Dream是谷歌公司在2015年公布的一项有趣的技术。在训练好的卷积神经网络中，只需要设定几个参数，就可以通过这项技术生成一张图像。 　　本文章的代码和图片都放在我的 github 上，想实现本文代码的同学建议大家可以先把代码Download下来，再参考本文的解释，理解起来会更加方便。 疑问： 卷积层究竟学习到了什么内容？ 卷积层的参数代表的意义是什么？ 浅层的卷积和深层的卷积学习到的内容有哪些区别？ 　　设输入网络的图形为x，网络输出的各个类别的概率为$t$(1000维的向量，代表了1000种类别的概率)，我们以t[100]的某一类别为优化目标，不断地让神经网络去调整输入图像x的像素值，让输出t[100]尽可能的大，最后得到下图图像。 极大化某一类概率得到的图片 　　卷积的一个通道就可以代表一种学习到的“信息” 。 以某一个通道的平均值作为优化目标 ，就可以弄清楚这个通道究竟学习到了什么，这也是Deep Dream 的基本原理。在下面的的小节中， 会以程序的形式，更详细地介绍如何生成并优化Deep Dream 图像。 TensorFlow中的Deep Dream模型 导入Inception模型 　　原始的Deep Dream模型只需要优化ImageNet模型卷积层某个通道的激活值就可以了，为此

【推荐阅读】微服务还能火多久？>>> 高斯消元法的弊端就是针对系数矩阵A，当遇到A(n,n)=0的情况时边无法处理（出现除0错误），以及有效减少计算机在处理浮点运算时出现舍入误差。 列主消元法代码： function [x]=ext_gauss(A,b) n=size(A,1); for k=1:n-1 [value,index]=min(abs(A(k:n,k))); index+=k-1; if value==0 break endif A([k,index],:)=A([index,k],:); b([k,index])=b([index,k]); %%gause m=A(k+1:n,k)/A(k,k); A(k+1:n,k+1:n)-=m*A(k,k+1:n); A(k+1:n,k)=zeros(n-k,1); b(k+1:n)-=m*b(k); %%end gauss endfor x=zeros(n,1); x(n)=b(n)/A(n,n); for k=n-1:-1:1 x(k)=(b(k)-A(k,k+1:n)*x(k+1:n))/A(k,k); endfor endfunction 解决了高斯消元法中存在不能消元的现象。 本程序只能处理满秩系数矩阵。 来源： oschina 链接： https://my.oschina.net/u/870108/blog

【推荐阅读】微服务还能火多久？>>> 程序部分 gauss.m function [x]=gauss(A,b) n=size(A,1); for k=1:n-1 m=A(k+1:n,k)/A(k,k); A(k+1:n,k+1:n)-=m*A(k,k+1:n); A(k+1:n,k)=zeros(n-k,1); b(k+1:n)-=m*b(k); endfor x=zeros(n,1); x(n)=b(n)/A(n,n); for k=n-1:-1:1 x(k)=(b(k)-A(k,k+1:n)*x(k+1:n))/A(k,k); endfor endfunction 参数： A 输入系数矩阵 b 右端项 程序原理就是利用基础行列式变换构造一个三角形矩阵，然后三角形矩阵按照逆序分别求出x4 x3 x2 x1得到原始解。 示例 输入 A = 1 1 1 1 -1 2 -3 1 3 -3 6 -2 -4 5 2 -3 b = 10 -2 7 0 输出 ans = 1 2 3 4 局限性是 :高斯消去法无法处理输入矩阵A(i,i)=0的情况，而且使用过程中不稳定因素也比较大，属于基本的求值法。另外一种改进版的高斯消元方法是将主元进行排序然后再消元，可以解决传统方法的弊端。 列主元高斯消元法 来源： oschina 链接： https://my.oschina.net/u/870108

在这节中，我们将学习有关向量化的内容。无论你是用Ocatve，还是别的语言，比如MATLAB或者你正在用Python、NumPy 或Java、C、C++，所有这些语言都具有内置的，容易阅读和获取的各种线性代数库，它们通常写得很好，已经经过高度优化，通常是数值计算方面的博士或者专业人士开发的。而 当你实现机器学习算法时，如果你能好好利用这些线性代数库，或者数值线性代数库，并联合调用它们 ，而不是自己去做那些函数库可以做的事情。如果是这样的话，那么通常你会发现：首先，这样更有效，也就是说运行速度更快，并且更好地利用你的计算机里可能有的一些并行硬件系统等等；其次，这也意味着你可以用更少的代码来实现你需要的功能。因此，实现的方式更简单，出错的可能性也就越小。举个具体的例子：与其自己写代码做矩阵乘法。如果你只在Octave中输入a乘以b，它会利用一个非常有效的做法，计算两个矩阵相乘。有很多例子可以说明，如果你用合适的向量化方法来实现，你的代码就会简单得多，也有效得多。 让我们来看一些例子：这是一个常见的线性回归假设函数：h θ (x) = Σθ j x j 。如果你想要计算h θ (x)，注意到右边是求和，那么你可以自己计算 j=0 到 j=n 的和。但换另一种方式来想想， 把h θ (x)看作θ T X ，那么你就可以写成两个向量的内积，其中θ就是θ 0 ，θ 1 ，θ 2