星云*

摘要： 信息熵 设$X$是取有限个值的随机变量，$X\in{x_1,x_2,\cdots,x_n},\ i=1,2,\cdots,n$，则随机变量$X$的熵定义为： $$H(X)=-\sum_{i=1}^n P(X=x_i)\log_aP(X=x_i)$$ $H(X)$作为$X$对应的随机场的不确定性的度量 阅读全文

摘要： PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。 PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。 阅读全文

摘要： 材质球节点图 阅读全文

摘要： 例如一个16bit的short型x，在内存中的地址为0x0010，x的值为0x1122，那么0x11为高字节，0x22为低字节。对于 大端模式，就将0x11放在低地址中，即0x0010中，0x22放在高地址中，即0x0011中。小端模式，刚好相反。 阅读全文

摘要： PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。 PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。 阅读全文

摘要： 我们知道，梯度表示某一函数在一点处的方向导数，$\nabla_\bm\theta$，沿着其方向取得级大值，那么梯度下降就可以获得我们想要的极小值。但是梯度下降不能一次性到达极小值，而是需要每轮迭代步进到极小值，而步进总有个步长，这个步长可以用学习率$Lr$和上面求出来的损失$J$表示。超平面的参数$\bm\theta$本身也是$N$维空间中一点，每次将它的坐标加上$Lr\nabla_\bm\theta J$，当$\bm\theta$坐标不再移动时，点$\bm\theta$基本上就是极小值点。 阅读全文

摘要： 神经元模型是模拟生物神经元工作的数学函数，其对一组输入分别加权并且相加并通过激活函数产生输出，平面的截距则作为一个内部状态被神经元携带。关于我们之前的假设：地面是平的，如果想表示曲面，不妨用很多平面来近似，这时众多神经元以一定的方式彼此连接已经构成神经网络 阅读全文

摘要： 𝔸𝕝𝕝 𝒚𝒐𝒖 𝔀𝓪𝓷𝓽 𝐢𝐬 𝖍𝖊𝖗𝖊. 别搜了，你想要的都在这里。特殊字体在线转换可复制为大家提供了非常不错的特殊字体，网络上现在有很多不同风格的网名，大家想要独具一格就必须要在字体上下功夫，可以为大家一键生成各种不同的网名，让大家都可以免费实用，这里提供的字体都可以快速的复制哦！ 阅读全文

摘要： 一种与模型无关的、基于值的强化学习算法，直接迭代优化$Q_{\bm\theta}$直至收敛。其中$\bm\theta$是$Q$的参数。和监督学习不同，Q学习的训练数据也需要标注，但这个标注是一个比现在能够计算的动作$\bm a$更好的$\bm a^\prime$，迭代直到$\bm a^\prime\to \bm a^*$。而且这些标注并不能从数据中直接得到，是从环境得到$\bm s^\prime$然后MDP计算出价值间接得到的。 阅读全文

摘要： 自定义损失函数、自定义训练步骤train_step、早停预防过拟合代码。本文用LeNet进行数字识别，LeNet结构简单易于理解和实现但涉及到的知识一点都不少，是入手深度学习框架的不错的选择。LeNet-5是最早的卷积神经网络之一。论文：http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf 提出的卷积层、池化层的概念，也提到本文所使用的数据集：http://yann.lecun.com/exdb/mnist/MNIST 。MNIST数据集已经集成进了Tensorflow框架，可以通过调用一个方法直接使用。 阅读全文