- 博客(21)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 磁共振原理复习
1. Basic principles1.1. 频率和磁场的关系：ω=γB\omega = \gamma Bω=γB1.2 自旋产生磁矩，在B0场下做拉莫进动。1.3 外加脉冲(90°脉冲)产生横向磁矩，进而可以被感应线圈测量。外加脉冲垂直作用在B0场上产生新的磁化矢量，进而产生的新的场，即射频脉冲场（B1场）1.4 因为T2弛豫的（信号变弱）存在，会有FID信号。同时会产生T1弛豫(产生的横向磁矩回归到纵向)1.5 常见的spin-echo序列利用180°脉冲重新聚相，进而得到先升(聚相)后降
2021-06-09 14:45:52
4641
原创 Word‘由于宏安全设置 无法找到宏’问题解决
针对这个问题，尝试试很多网上的做法无果后，意外发现是自己电脑的杀毒软件把该文件误认为是病毒隔离起来，只需将其恢复到信任区即可。若仍无法解决，检查word是否启用宏。
2021-01-21 14:45:39
5089
原创 机器学习中的概统知识——3 随机变量的数字特征
在上一节中，介绍了随机变量的分布函数以及概率密度函数，可以知道随机变量的统计规律性可以用其表示。但是在实际应用中，分布函数有时候是不容易求得的。此时便可根据随机变量的数字特征去概括一个分布。本章节就将围绕随机变量的数字特征进行介绍，包括常见的期望、方差/协方差，以及更加泛化的矩与矩母函数。文章目录1 期望2 矩与矩母函数3 方差与协方差1 期望随机变量的期望值，本质上就是随机变量的均值，只不过此处的均值是概率加权的平局。就好比平均值被用来描述数据的中间值，随机变量的期望是该随机变量对应分布的中心。换句
2020-10-29 20:25:24
544
原创 机器学习中的概统知识——2 随机变量
本文的重点在于对随机变量以及分布的讲解上。1. 章节简介在上一章节中，详细介绍了事件和概率，这一章将着重介绍随机变量。随机变量在概率统计中几乎占据着基石的地位，所以理解随机变量也是学习概率统计的重中之重。那么说明是随机变量呢？大部分读者估计对随机变量都有一个感性的理解，但却难以用准确的语言描述出来。随机变量的定义如下：定义随机变量本质是一种从样本空间到实数的映射：X:Ω→RX:\Omega \rightarrow \mathbb{R}X:Ω→R该映射对于每一个输入的ω\omegaω赋予了一个实值X(
2020-10-28 23:37:51
1164
原创 VAE(变分自编码器) 详解
近期看论文要用到VAE，看了很多资料，有这样一种感觉，要么过度过于偏向数学原理，要么只是讲了讲网络结构。本文将两者结合，以简洁易懂的语言结合代码实现来介绍VAE。1 解决问题VAE是变分推断（variational inference ）以及自编码器（Auto-encoder）的组合，是一种非监督的生成模型，其概率图模型和深度学习有机结合，近年来比较火热。VAE可以用于但不局限于降维信息检索等任务，我看文献遇到的是一篇做配准的论文，也用到了VAE。2 从神经网络理解先从神经网络的角度去看VAE,VA
2020-10-08 21:10:16
10730
5
原创 Xgboost与决策树 原理
阅读了一些博客和论文，发现内容很多，比较繁杂。本文力图用最简洁的话语从另一个角度概括Xgboost,主要参考内容见：1.原文：https://arxiv.org/pdf/1603.02754v1.pdf2.陈天奇 PPT：https://pan.baidu.com/s/10NWfRM9qimswGxPsF9VlDw 密码：v3y63.介绍详细的blog：https://blog.csdn.net/v_JULY_v/article/details/81410574Xgboost是一个很有名梯度提升树
2020-10-05 15:42:26
1462
原创 numpy 三维矩阵下采样小技巧
问题描述我们有一个(160, 192, 224)的三维矩阵，由于其过大，跑神经网络时显存不够。此时我们的一个思路就是对其进行一个简单的下采样，即没3x3x3的小方格里只取其中间的那个数。现在的问题是如何快速高效地实现这个计算，而不是使用多个for循环。解决方案down_sample = rawdata[::3,::3,::3] # 这里的rawdata是(160, 192, 224)的矩阵。一行代码搞定结果展示结果显示这行代码是管用的。...
2020-09-25 17:28:31
3836
2
原创 《分布式机器学习》-刘铁岩：全书汇总
文章目录1 背景2 框架2.1 数据划分与模型并行2.1.1 计算并行模式2.1.2 数据并行模式2.1.3 模型并行模式2.2 通信机制2.3 数据与模型聚合3 优化算法3.1 单机算法3.2 同步算法3.3 异步算法3.4 同步和异步的对比融合3.5 模型并行算法4 优化算法分析4.1 收敛性分析4.2 收敛速度分析4.3 泛化分析分析5 分布式机器学习实战5.1 单机实战5.2 分布系统实战6 总结讨论参考文献摘要1 背景近十年来，互联网技术的发展以及4G等通信技术的提升使得我们进入了一个大数据
2020-09-07 12:33:59
1965
原创 机器学习中的概统知识——1 理解概率
目录1.1 概率简介1.2 样本与事件1.3 概率1.4 均匀分布的概率计算1.5 独立性1.6 条件概率1.7 贝叶斯准则1.8 代码实战1.8.1 编程实现计算排列组合数1.1 概率简介对于概率，我们在中学阶段学习过，在本科阶段也学习过，可见概率的重要性。相信大家对于概率都有自己的理解。但可能缺乏一定的系统性，如果读者对这方面内容已经系统掌握，可跳过本章节。概率，是用来反映随机事件出现的可能性大小的数学语言。本章节将系统地带大家回顾概率。1.2 样本与事件机器学习中，我们最后得到的结果往往都是一
2020-08-17 14:16:25
511
原创 全连接神经网络（numpy实现和公式推导） mnist数据集
1、原理与实现1.1 feedforward函数对于l层神经网络的前向传播计算如下：a0=x=z0z1=w1a0+b1a1=sigmoid(z1)z2=w2a1+b2a2=sigmoid(z2)…zl=wlal−1+blal=sigmoid(zl)\begin{aligned}& a^{0} = x = z^{0} \\& z^{1} =w^{1}a^{0}+b^{1} \\& a^{1} = sigmoid(z^{1}) \\& z^{2} =w^{2}a^
2020-08-07 17:48:42
700
1
原创 PG（近端梯度）-APG（加速近端梯度）-ADMM 优化Lasso
近端梯度和Nesterov加速近端梯度以及DMM算法是十分经典的优化算法，本文首先对原算法进行了讲解推导，然后进行了编程实现。目录1、Lasso问题2、PG算法3、APG算法4、ADMM算法5、结果5.1 实现细节5.2 优化结果5.3 总结讨论
2020-08-07 11:35:03
5858
12
原创 神经网络优化算法（梯度下降）总结与分析
目录1 概述2 梯度下降法2.1 批梯度下降法2.2 随机梯度下降法2.3 小批量（mini-batch）随机梯度下降法3 自适应随机梯度下降法3.1 Momentum and Nesterov accelerated gradient3.2 Adagrad3.3 RMSProb3.4 AdaDelta3.5 Adam3.6 Radam4 实验4.1 全连接神经网络4.2 卷积神经网络5 总结与展望1 概述梯度下降算法是到目前为止最主流的优化深度学习的算法。因为通过设置合适的损失函数，我们很容易使神经网
2020-08-07 11:20:08
2237
原创 吴恩达 序列模型_学习笔记3 seq2seq 序列模型和注意力机制
我也是一个nlp新手，在这里将自己的学习心得总结下来，希望可以帮助到也在共同学习的同志们。目录1、基本概念2、选择最可能的句子3、Beam search 算法4、改进的Beam search5、Beam search的误差分析6、Bleu（Bilingual evalution understudy ）评分7-8 注意力机制9、语音辨别10、触发字检测1、基本概念回顾第一周的不同类型的RNN，seq2seq模型一般如下，其中前半部分可以看做是编码器，后半部分是一个解码器。而每一个单元可以是RNN单元也
2020-06-10 22:30:35
502
原创 吴恩达 序列模型_学习笔记2 词嵌入 word2vec
目录1、词嵌入是什么？2.使用词嵌入2.1、迁移学习与词嵌入2.2 与face encoding的关联3. 词嵌入应用在类比推理4,5,6 如何获得词嵌入4.1 目标概述4.2 如何得到嵌入矩阵4.3 负采样5 全局词向量表示（Global vectors for word representation ：GloVe）6 情感分类7 词嵌入造成的偏见与去除7.1偏见的产生7.2 偏见的消除8 结语1、词嵌入是什么？词汇表示one-hot，假设词汇表有10,000个单词，构建一个10,000维向量，在这
2020-06-07 22:13:46
703
1
原创 回归模型原理与应用 （波士顿房价预测）
回归一词由弗朗西斯·高尔顿爵士（1822-1911）提出，他发现父母一高一矮的人，身高区域父母身高之间，这种现象被他称为“向均值回归”。回归是研究自变量X和因变量Y之间的关系。X与Y之间的关系可以用回归函数表示，所以回归问题的估计可以视为函数的拟合。本问假设X与Y是线性关系，将为读者介绍线性回归和logistic回归，详细讲解最小二乘法，以及结合实际问题进行应用。目录1、线性回归1.1 理论模型1.2 数据和估计1.3 模型选择2、最小二乘法3、Logistic 回归1、线性回归1.1 理论模型比如
2020-05-27 22:03:40
2036
原创 tensorflow笔记-文本情感分类
准备工作1. 安装tensorflow并导入如果已经安装了可以略去此步!pip install tensorflowimport tensorflow_datasets as tfdsimport tensorflow as tf2. 准备数据集dataset, info = tfds.load('imdb_reviews/subwords8k', with_info=True, as_supervised=True)train_exam
2020-05-12 22:26:41
555
原创 吴恩达 序列模型_学习笔记1 循环神经网络 RNN
1 序列模型的应用应用十分广泛，主要有语音识别、自然语言处理等。可以根据输入和输出的类别对其分类。2 词语表示one-hotword2vec3 循环神经网络语言模型为什么不适用传统神经网络？1、输入和输出的长度会改变，不同句子的长度不一样2、位置信息假设我们要完成找到句子中姓名的任务，这就是一个seq2seq的任务。循环神经网络会这样计算，先初始化一个a<0>a^{<0>}a<0>，根据这个句子的第一个词x<1>x^{<1>}x
2020-05-12 11:56:37
441
原创 tensorflow2.0笔记-基本概念
1 导入tensorflowimport tensorflow as tf2 张量2.1 张量计算张量类似于numpy中的多数组。下面是add（加）、square（平方），reduce_sum（求和）。张量和numpy数组的区别在于张量便于gpu加速、张量是不可变的。具体张量的理解可参考https://blog.csdn.net/pandamax/article/details/63684633print(tf.add(1, 2))print(tf.add([1, 2], [3, 4]))p
2020-05-10 11:52:17
500
原创 numpy实现周志华机器学习 9.4.1 k均值聚类
本文主要参考周志华《机器学习》的9.4.1章节，对以k均值聚类为代表的原型聚类做简单介绍，并使用numpy实现kmeans聚类。在讲kmeans聚类之前，先说一说原型聚类。原型聚类亦称“ 基于原型的聚类” ，此类算法假设聚类结构能通过一组原型刻画，在现实聚类任务中极为常用．通常情形下，算法先对原型进行初始化，然后对原型进行迭代更新求解．采用不同的原型表示、不同的求解方式，将产生不同的算法。 ...
2020-03-01 23:25:03
667
5
原创 numpy实现周志华机器学习 9.4.3 高斯混合聚类（GMM算法）
本文主要参考周志华《机器学习》的9.4.3章节，对高斯混合聚类的原理做简单介绍，并使用numpy实现GMM。要想很好得理解掌握高斯混合聚类算法，以我的学习经验来看，需要掌握两方面背景知识。多维正态分布EM算法关于上述两方面知识，我只做简单的介绍。首先，什么是多维正态分布？就是多变量的正态分布。我们所熟知的正态分布往往是一维的，但在现实中，我们所获得的数据往往是多维的。这就需要用到多维正...
2020-03-01 22:26:25
1718
原创 numpy实现周志华机器学习 9.5 密度聚类（DBSCAN算法）
本文主要参考周志华《机器学习》的9.6章节，对密度聚类做简单介绍，并使用numpy对具有代表性的DBSCAN密度聚类算法进行实现。
2020-03-01 17:40:29
2100
利用stack实现简单的计算器
2018-06-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人