摘要：
思路 这里的 i 才是主要的遍历指针， j 是用来剔除元素以满足题目要求的。 代码 #include<iostream> using namespace std; const int N = 1e5 + 10; int n, res; int a[N], s[N]; int main() { cin 阅读全文
摘要：
1. 题目 简单概述：走迷宫问题，行走的方向是上下左右。这个迷宫内有些格子不能走，想要从迷宫的左上角走到右下角，最少移动次数。这道题属于最短路问题（求出到达一个点的最短路径）。 思路分析 为什么使用BFS求到的答案能保证是最短的路径？ 因为BFS是逐层搜索的，能把当前层的所有可能值包括进来，每一层的 阅读全文
摘要：
逻辑回归 逻辑回归问题和线性回归问题不一样，我们将不用线性回归来解决，而使用 Sigmoid 非线性函数来处理。 🧐逻辑回归是什么？ 逻辑回归并不是回归问题，是属于监督学习的一类，通常输出是几个离散值，而不是像线性回归有连续的 y。 🧐为什么不用线性回归解决逻辑回归问题？ 比如说二元逻辑回归问题 阅读全文
摘要：
我们想让我们的模型拟合训练集的数据。有时，我们用线性来模拟一些复杂的数据，就会欠拟合(underfit)，具有高偏差；这时候，我们可能就会采用一些非线性的模型拟合训练集，或许达到不错的效果；但有时，我们的模型太想拟合数据了，使得模型失去了泛化能力（泛化：能够对之前从未见过的全新示例也能给出良好的预测 阅读全文
摘要：
为啥需要特征缩放？ 因为有些特征的特征值很大或者很小，导致ωj的差异比较大，如果导致ω太大的话，一次梯度下降对ω的更新微乎其微，所以用特征缩放来平衡这些特征值。特征缩放可以使得梯度下降运行更快 方式一：除以最大值 方式二：均值归一化 方式三：Z-score 归一化 什么时候需要特征缩放 阅读全文
摘要：
梯度下降算法 梯度下降是一种算法，可以用来找到成本函数的局部最小值。这里用线性回归来演示梯度下降算法，但梯度下降不仅仅适用于线性回归成本函数。 梯度下降中，有学习率 α、数学表示等概念 梯度下降是什么 单变量线性回归梯度下降 梯度下降通过逐步更新参数，一步一步达到局部最小值 每一步的更新操作是这样的 阅读全文
摘要：
一些术语 线性回归 线性回归就是用线性函数来拟合数据 注意 y-hat 和 y 的区别 成本函数 成本函数可以表现预测值和训练集中实际值的误差。因此，可以通过 minimize 成本函数来找到更加拟合的回归函数。 梯度下降算法解决线性回归问题 梯度下降算法 阅读全文
摘要：
监督学习 监督学习（Supervised learning）是：从正确的答案中学习 监督学习有两类：回归问题、分类问题 1. 回归问题 房价预测问题 2. 分类问题 肿瘤预测 监督学习中的回归和分类问题 在监督学习中，都是从有标签的数据集中学习 回归问题是预测数字，并且输出是连续的 分类问题是预测分 阅读全文
摘要：
掷色子实验 首先用一个张量表示事件可能出现的概率情况 然后创建多项分布 multinomial.Multinomial(totol_count, probs) 。参数 totol_count 表示抽样次数，probs 表示每个类别的概率分布 使用 .sample()方法进行抽样操作 使用图像来揭示大 阅读全文
摘要：
标量变量的反向传播 以下举两个例子说明标量变量的反向传播如何实现。 非标量变量的反向传播 在上述的例子中，x 是向量，而 y 是标量，这种类型为标量变量的反向传播。 但当 y 不是标量时，比如 y = x * x，当求向量 y 关于 另一个向量 x 的导数时，结果通常就是一个矩阵，被称为雅可比矩阵， 阅读全文