摘要： 先从n维向量空间引申到希尔伯特（无限）向量空间 再由希尔伯特 引入 函数空间 再从函数空间与基去考虑 傅里叶级数 并介绍了其他的函数空间的基♂ 比如泰勒展开 就是多项式基 这些文章给了我们新思路：可以从线性变换去考虑这些东西。 正交化过程的理解：之前一直是死机公式。。。 内积：某一向量在另一向量上投 阅读全文

摘要： Normalization：归一化，一般在training之前对数据的操作，消除量纲什么的 映射到【0，1】内 standardization：数据正态化，使平均值1方差为0.亦是对数据的处理 Regularization：正则化，对LOSS的惩罚项 防止过拟合。 注意归一化和标准化的区别： 归一化 阅读全文

摘要： 也就是吴恩大大讲的regularization ，俗称惩罚项目。 详细介绍戳链接！！！ 链接讲的很详细了 关于L1为什么能产生sparse矩阵等等 阅读全文

摘要： 1-6是计算欧式距离 7-8是根据距离排序，注意argsort 返回的list是索引值 9-13是计算距离最小的k个中不同label数目。 其中 tile argsort均在另外的随笔中介绍过了 classCount是一个dict ，dict.get(key,default),返回的是key为xx的 阅读全文

摘要： 1.tile(A, reps): A是一个类似list的类型，reps是重复操作的指令 ，根据reps的不同去完成不同的重复 有点像tensorflow中的shape维度操作。 如果reps=（2，3）那说明A的第一维度重复2次 第二维度重复三次。 2.argsort(a, axis=-1, kin 阅读全文

摘要： 比较这几种激活函数 链接在此 阅读全文

摘要： 首先先介绍一下三个summary函数 分别对应不同的类型： tf.scalar_summary(tags, values, collections=None, name=None) 产生一个标量summary values=1D tags=1D string tf.image_summary(tag 阅读全文

摘要： 真正构造是在 tf.sparse_to_dense 这一步，这是tf自带的转换函数。 前边的都是准备工作，indices是index的复数形式，这里就是每个样本的索引。lables里边都是0-9的数字。 先通过tf.expand_dims来将lables 和 indices的维度增加一个，注意exp 阅读全文

该文被密码保护。 阅读全文

该文被密码保护。 阅读全文