03 2019 档案
摘要：从贝叶斯的角度 判别模型估计的是条件概率分布（后验概率），p(y | x) 生成模型估计的是联合概率分布 p(y, x) = p(y | x) * p(x) 从模型建立的角度 判别模型是直接用决策模型做类别区分/计算概率。 生成模型是首先学习出一个模型，即首先建立样本的联合概率概率密度模型P(X,Y
阅读全文
摘要：不要在模型里用for做运算 向量化运算能大大提高运算效率，写Python机器学习模型时最好不要使用for循环 注意每层参数的shape变化 写网络时，注意变量的shape变化是否正确，可以在注释中记录一下，调试时可以print一下 记得用随机种子 python机器学习时，涉及到随机的步骤有：数据切分
阅读全文
摘要：矩阵乘法 点乘 m*n np.multiply(m,n) 向量乘 np.dot(m,n) np.matmul(m,n)
阅读全文
摘要：要求 用Python中numpy库手写一个单层神经网络（严格来说是用逻辑回归做二分类问题），用GD（Gradient Descent）作为optimizer。 Gradient Descent 见西瓜书 Stochastic Gradient Descent 相当于每次只随机挑出一条数据forwar
阅读全文
摘要：描述 将8个皇后放在8*8的棋盘上，要求这8个皇后两两不能在同一水平、垂直或对角线上，求所有放置方法。 求解 这是一道经典的递归问题（当然也可以暴力枚举，但不够雅观简洁），8*8的棋盘递归后转变为7*7的棋盘来解决，7*7的棋盘递归后转变为6*6的棋盘来解决，……，但这里的问题是前面的放置会影响后面
阅读全文
