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
