摘要：在深度學(xué)習(xí)之前已經(jīng)有很多生成模型最疆，但苦于生成模型難以描述難以建模奠货，科研人員遇到了很多挑戰(zhàn)，而深度學(xué)習(xí)的出現(xiàn)幫助他們解決了不少問題夏伊。本章介紹基于深度學(xué)習(xí)思想的生成模型——...
發(fā)簡信
IP屬地：寧夏
-
VAE名斟、GAN破衔、Info-GAN：全解深度學(xué)習(xí)三大生成模型
-
遞歸+List深拷貝 || 不能包含重復(fù)的組合組合總和給定一個無重復(fù)元素的數(shù)組 candidates 和一個目標(biāo)數(shù) target 刑峡，找出 candidates 中所有可以使數(shù)字和為 target 的組合。 candida...
-
leetcode - 在排序數(shù)組中查找元素的第一個和最后一個位置
給定一個按照升序排列的整數(shù)數(shù)組 nums阐污，和一個目標(biāo)值 target休涤。找出給定目標(biāo)值在數(shù)組中的開始位置和結(jié)束位置。 你的算法時間復(fù)雜度必須是 O(log n) 級別笛辟。 如果數(shù)...
-
ML | 隱馬爾可夫模型馬爾可夫模型就相當(dāng)于n元模型功氨，判斷句子的流暢度 馬爾可夫模型的特點1、狀態(tài)和輸出是一對一的關(guān)系（不同于隱馬爾可夫手幢，后者的輸出即觀察捷凄，也是有多種可能）2、根據(jù)觀察到的輸出序列可...
-
LeetCode 尋找兩個有序數(shù)組的中位數(shù)
尋找兩個有序數(shù)組的中位數(shù)非常好的講解題目給定兩個大小為 m 和 n 的有序數(shù)組 nums1 和 nums2围来。 請你找出這兩個有序數(shù)組的中位數(shù)跺涤，并且要求算法的時間復(fù)雜度為 O(...
-
LeetCode 求根到葉子節(jié)點(系列)
求根到葉子節(jié)點數(shù)字之和給定一個二叉樹顾复，它的每個結(jié)點都存放一個 0-9 的數(shù)字寸潦，每條從根到葉子節(jié)點的路徑都代表一個數(shù)字。 例如将谊，從根到葉子節(jié)點路徑 1->2->3 代表數(shù)字 1...
-
LeetCode 填充每個節(jié)點的下一個右側(cè)節(jié)點指針給定一個完美二叉樹胀蛮，其所有葉子節(jié)點都在同一層院刁，每個父節(jié)點都有兩個子節(jié)點。二叉樹定義如下： 填充它的每個 next 指針粪狼，讓這個指針指向其下一個右側(cè)節(jié)點退腥。如果找不到下一個右側(cè)節(jié)...
-
LeetCode 二叉樹的后序遍歷
給定一個二叉樹演闭，返回它的 后序 遍歷。 非遞歸(迭代): 后序遍歷遞歸定義：先左子樹颓帝，后右子樹米碰，再根節(jié)點。 后序遍歷的難點在于：需要判斷上次訪問的節(jié)點是位于左子樹购城，還是右子樹...
-
LeetCode 驗證二叉搜索樹
98瘪板、驗證二叉搜索樹參考給定一個二叉樹吴趴，判斷其是否是一個有效的二叉搜索樹。 假設(shè)一個二叉搜索樹具有如下特征： 節(jié)點的左子樹只包含小于當(dāng)前節(jié)點的數(shù)侮攀。 節(jié)點的右子樹只包含大于當(dāng)前...
-
LightGBM使用
可以參考LightGBM原生/sk接口的常用參數(shù)LightGBM使用 lightGBM調(diào)參 所有的參數(shù)含義锣枝，參考：http://lightgbm.apachecn.org/c...
-
飯店流量預(yù)測
lightgbm 模型 修改參數(shù) 交叉驗證 【機器學(xué)習(xí)】Cross-Validation（交叉驗證）詳解. 在機器學(xué)習(xí)里，通常來說我們不能將全部用于數(shù)據(jù)訓(xùn)練模型兰英，否則我們將沒...
-
pandas使用技巧【1】如何讀入和寫出表單數(shù)據(jù)
簡介: 本文主要介紹如何利用pandas讀入表單數(shù)據(jù)撇叁。 讀入數(shù)據(jù) pandas.read_csv()從文件，URL畦贸，文件型對象中加載帶分隔符的數(shù)據(jù)陨闹。默認(rèn)分隔符為''," pa...
-
Mac安裝Lightgbm-Anaconda官方 Installation Guide For Mac OS X users, gcc with OpenMP support must be installed fir...
-
part1-3.11隨機初始化當(dāng)你訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，權(quán)重隨機初始化是很重要的薄坏。對于邏輯回歸趋厉，把權(quán)重初始化為0當(dāng)然也是可以的。但是對于一個神經(jīng)網(wǎng)絡(luò)胶坠，如果你把權(quán)重或者參數(shù)都初始化為0君账，那么梯度下降將不會起作用。...
-
part1-3.7為什么需要非線性激活函數(shù)這是神經(jīng)網(wǎng)絡(luò)正向傳播的方程涵但，現(xiàn)在我們?nèi)サ艏せ詈瘮?shù)g杈绸，然后令a^([1])=z^([1])，或者我們也可以令g(z)=z矮瘟，這個有時被叫做線性激活函數(shù)（更學(xué)術(shù)點的名字是恒等激勵函...
-
part1-3.6激活函數(shù)
通識講解 在討論優(yōu)化算法時瞳脓，有一點要說明：我基本已經(jīng)不用sigmoid激活函數(shù)了，tanh函數(shù)在所有場合都優(yōu)于sigmoid函數(shù)澈侠。 但有一個例外：在二分類的問題中劫侧，對于輸出層...
-
assignment2Week2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) / assignment2 assignment2_1 利用numpy以及python的廣播原理，實現(xiàn)L1和L2的損失函數(shù) L1損失函數(shù) #np.s...