首页
首页
BOT
沸点
课程
直播
活动
AI刷题
NEW
商城
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
soullines27190
掘友等级
AI & android
Nothing worth having comes easy.
获得徽章 0
动态
文章
专栏
沸点
收藏集
关注
作品
赞
32
文章 32
沸点 0
赞
32
返回
|
搜索文章
最新
热门
从标准方程,梯度下降窥探机器学习训练原理
下面我们分布阐述1.标准方程2.梯度下降3.机器学习模型训练过程1.标准方程这个定义其实很好理解:下面我们以线性回归进行进一步的论证:1.线性回归的预测模型2.那么线性回归的成本函数就是MSE:3.接
信息论和交叉熵损失函数
同步csdn地址:在机器学习和深度学习中,很多时候需要进行分类,这时会涉及到决策边界,比如sigmod激活函数;但是当面对多分类的时候(比如经典的MNIST),我们需要预测每一个种类output的概率
信息论和交叉熵损失函数
deep learning中比较经典的损失函数一个MSE(均方根误差),一个便是交叉熵(H(P,Q)),这篇文章信息论一步步去退出交叉熵 欢迎阅读,欢迎补充好
从标准方程,梯度下降窥探机器学习训练原理
机器学习的学习不应该仅仅停留在对scikit-learn or tensorflow(deep learning)框架的调用,而应该着眼于内部的世界,学习机器学习有一段时间了,有必要回头整理一下,下面我们基于线性模型来看 标准方程 梯度下降 进而来看基于以上两者如何实现模型的训…
Machine Learning & 概率 & 随机变量 & 概率分布 & 事件的独立性
概率于Machine Learning而言还是比较重要的,但是概率的难点在于,其不够直观,那么换一个视角,我们称之为"上帝视角",将概率转化为面积,这样便会变的直观; 概率,顾名思义就是某事件发生可能性的一种量化,这是我们最直观的感受; 下面从一个比较经典的案例来作为引入 — …
Android组件化 -- 完全解耦实践方案
完全解耦的组件化方案 1.各组件之间res的定制化控制 2.基于component-base的注册分发机制,实现AIDLManager的跨进程 3.实现sp的跨进程读取,当然有机会可以基于ARouter自己实现跨进程的跳转的自定义navigate框架
android 9.0 activity启动源码分析<一>
可以看到在android中startActivity其实是走到startActivityForResult,.根据一个bundle类options来确定走startActivity的不同构造; 那么继续看: startActivityforResult的实现源码: 先来看 注释…
android中的binder机制
在android跨进程通信中binder必不可少,从Activty的启动源码就可以看到Activity的周期控制就是ActivityThread和AMS之间的binder跨进程通信,谈到binder机制就绕不过AIDL;下面开始介绍;
android分发机制---- 源码解析
android中分发机制在自定义的View中尤为重要,贯穿android Activity – ViewGroup – View的Event传递;
java中枚举优先使用
java中枚举优先使用 对比传统标志位的优缺点 深入浅出的分析
下一页
个人成就
文章被点赞
689
文章被阅读
51,994
掘力值
2,088
关注了
13
关注者
2,958
收藏集
0
关注标签
22
加入于
2017-08-09