mxo

摘要： CTR任务的特点: 大量离散特征大量高维度稀疏特征特征工程:特征组合对于效果非常关键 传统ctr预估方法: 基础版:线性模型LR 改进版:加入特征组合 FM模型: 训练特征向量,提高模型泛化能力 GBDT模型:输出多维特征 LR+GBDT GBDT+FM模型 集成GBDT和FM各自的优势• GBDT 阅读全文

摘要： 机器学习分类: 强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益 强化学习基础概念:Agent :主体,与环境交互的对象,动作的行使者Environment : 环境, 通常被规范为马尔科夫决策过程（MDP）State : 环境状态的集合Action : 环境下可行的动 阅读全文

摘要： 假设某个线性模型具有两个密切相关的特征；也就是说，这两个特征几乎是彼此的副本，但其中一个特征包含少量的随机噪点。如果我们使用 L2 正则化训练该模型，这两个特征将拥有几乎相同的适中权重。 阅读全文

摘要： 首先简单认识tensorboard 简单的生成tensorboard文件 运行程序后, 可以在tensorboard文件生成的位置的文件夹下找到名为events.out.tfevents.1499943764.m类似的文件 打开终端输入: tensorboard --logdir='../logs/ 阅读全文

摘要： 下图是各优化器的优化效率对比: 阅读全文

摘要： #!/usr/bin/env python2 # -*- coding: utf-8 -*- import torch from torch.autograd import Variable tensor = torch.FloatTensor([[1, 2],[3, 4]]) #在BP的时候，pytorch是将Variable的梯度放在Variable对象中的， # 我们随时都可以使用... 阅读全文

摘要： #!/usr/bin/env python2 # -*- coding: utf-8 -*- import torch from torch.autograd import Variable import torch.nn.functional as F import matplotlib.pyplot as plt #创建数据 n_data = torch.ones(100,2) #类... 阅读全文

摘要： #!/usr/bin/env python2 # -*- coding: utf-8 -*- import torch from torch.autograd import Variable import matplotlib.pyplot as plt #创建数据 x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) y = x... 阅读全文

摘要： classNet中首先通过super函数继承torch.nn.Module模块的构造方法，再通过添加属性的方式搭建神经网络各层的结构信息，在forward方法中完善神经网络各层之间的连接信息，然后再通过定义Net类对象的方式完成对神经网络结构的构建。 构建神经网络的另一个方法，也可以说是快速构建方法 阅读全文

摘要： #!/usr/bin/env python2 # -*- coding: utf-8 -*- import torch import torch.nn.functional as F # 激励函数都在这 from torch.autograd import Variable # 做一些假数据来观看图像 x = torch.linspace(-5, 5, 200) # x data... 阅读全文