一、图像梯度算法 1、图像梯度-Sobel算子 dst = cv2.Sobel(src, ddepth, dx, dy, ksize) ddepth:图像的深度 dx和dy分别表示水平和竖直方向 ksize是Sobel算子的大小 1 # *******************图像梯度算法****** ...
分类:
编程语言 时间:
2020-06-02 22:55:48
阅读次数:
79
Q1多维特征 上图中列数即为特征的个数,行数是样本数。函数假设如下: 其中x0=1。 Q2多变量梯度下降 和单变量的损失函数相同: 其中, 求导迭代如下: Q3梯度下降法实践1-特征缩放 特征之间的尺度变化相差很大(如一个是0-1000,一个是0-5),梯度算法需要非常多次的迭代才能收敛,如下图所示 ...
分类:
其他好文 时间:
2019-07-25 23:17:46
阅读次数:
127
梯度方向 梯度方向的定义 {:height="50%" width="50%"} 为什么选梯度方向 沿梯度方向存在的问题 注:用一句话来说就是“沿梯度方向,函数不能再有限步达到最优!” 梯度算法 梯度算法的定义 梯度算法例题 最优梯度 最优梯度的定义 最优梯度的例题 最优梯度的收敛特性 ...
分类:
编程语言 时间:
2019-05-04 13:25:12
阅读次数:
123
4.1多维特征 上图中列数即为特征的个数,行数是样本数。函数假设如下: 其中x0=1。 4.2多变量梯度下降 和单变量的损失函数相同: 其中, 求导迭代如下: 4.3梯度下降法实践1-特征缩放 特征之间的尺度变化相差很大(如一个是0-1000,一个是0-5),梯度算法需要非常多次的迭代才能收敛,如下 ...
分类:
其他好文 时间:
2018-07-01 20:57:22
阅读次数:
173
这篇文章想阐述一阶优化算法,尽可能的做到全面。 考虑无约束优化问题 Gradient Descent Method 有如下迭代形式: 这里的 为步长,不同的步长构造策略生成了不同的梯度算法,例如, 则为最速下降法,如果 这里的 , 这时候为BB算法。 还是考虑无约束凸优化问题 Proximal Po ...
分类:
其他好文 时间:
2018-05-05 15:29:53
阅读次数:
349
梯度算法之梯度上升和梯度下降 __方向导数__ 当讨论函数沿任意方向的变化率时,也就引出了方向导数的定义,即:某一点在某一趋近方向上的导数值。 导数和偏导数的定义中,均是沿坐标轴正方向讨论函数的变化率。那么当讨论函数沿任意方向的变化率时,也就引出了方向导数的定义,即:某一点在某一趋近方向上的导数值。 ...
分类:
编程语言 时间:
2018-04-04 23:30:54
阅读次数:
358
ng机器学习视频笔记(二) ——梯度下降算法解释以及求解θ (转载请附上本文链接——linhxx) 一、解释梯度算法 梯度算法公式以及简化的代价函数图,如上图所示。 1)偏导数 由上图可知,在a点,其偏导数小于0,故θ减去小于0的数,相当于加上一个数。另外,从图上可以看出,在a点不是最佳点,需要继续 ...
分类:
编程语言 时间:
2018-02-04 12:44:02
阅读次数:
206
线性回归(Linear Regression),亦称为直线回归,即用直线表示的回归,与曲线回归相对。若因变量Y对自变量X1、X2…、Xm的回归方程是线性方程,即μy=β0 +β1X1 +β2X2 +…βmXm,其中β0是常数项,βi是自变量Xi的回归系数,M为任何自然数。这时就称Y对X1、X2、…、 ...
分类:
编程语言 时间:
2018-02-03 22:00:32
阅读次数:
280
这里主要是贴出我个人实现的代码做出以下测试说明1 分类并不能百分百正确,可能存在一些点无法正确分类的情况2 由于没有引入代价函数,也没有使用梯度算法,这个学习率并不是非常准确,分离超平面可能不正确。同样的参数下,可以多运行几次,会出现正确的结果的。3 希望感兴趣的朋友可以去实验以下,调整双月间距,多 ...
分类:
其他好文 时间:
2017-12-15 20:52:29
阅读次数:
158
1、value based方法/policy based方法优劣 学生指出:因为value based需要更多的存储 silver:why? silver:(自问自答)因为策略值比值函数更有效 PPT总结: 优势: 更好的收敛特性 在高维或者连续的action空间里面有效 可以学习随机策略 劣势: ...
分类:
编程语言 时间:
2017-08-17 12:40:01
阅读次数:
203