机器学习中的线性模型 以下内容是在《机器学习实战：基于Scikit-Learn，Keras和TensorFlow》中第四章内容基础上进行的总结. 模型原理 基本定义 我们默认向量均为列向量，用小写字符表示向量，大写字符表示矩阵. 假设训练集中总共有 mmm 个样本，第 iii 个样本对应的特征和标签记为 (x(i),y(i))(\boldsymbol{x}^{(i)}, y^{(i)

MNIST 数据集进行分类 《机器学习实战：基于Scikit-Learn，Keras和TensorFlow》中第三章内容，英文代码可参考github - handson-ml2/03_classification.ipynb 下面内容对应的Jupyter Notebook代码位于github：3.classification.ipynb 数据集导入 使用Scikit-Learn中的 sklea

端到端的机器学习项目实例 《机器学习实战：基于Scikit-Learn，Keras和TensorFlow》中第二章内容，英文代码可参考github - handson-ml2/02_end_to_end_machine_learning_project.ipynb 下面内容对应的Jupyter Notebook代码位于github：2.end_to_end_machine_learning_pr

Scikit-learn安装 pip install scikit-learn # 基础包安装 pip install scikit-image # 图像处理包 Scikit-Learn设计原则 参考论文API design for machine learning software: experiences from the scikit-learn project，这里给出Scikit-

该问题是在使用GradientTape训练MNIST数据集时发现的，尝试使用了三种方式进行训练：直接GradientTape训练，调用fit函数训练，重写fit函数后训练. 发现重写GradientTape训练的正确率尽然有96%，而后两者的正确率90%都不到，这引起了我很大的好奇心，于是通过查阅大量文档和阅读TF源代码一步一步排除问题，最终找到问题原因. 训练集使用最简单的MNIST，重写f

Inside TensorFlow - tf.Keras 笔记 检查是否使用gpu tf.test.is_gpu_available() tf.test.is_built_with_cuda() 使VScode能够识别keras中的函数，在.\Anaconda3\envs\你的环境名\Lib\site-packages\tensorflow\__init__.py中的末尾加入以下代码即可（参

由于CVPR大作业需要，学校给我们申请了一些服务器账号，这里记录下服务器基本配置方法及操作流程. 登录服务器 我使用的是最简单的方法登录的服务器，直接使用ssh进行连接. （还可以使用vscode连接服务器方法，也比较方便，且可以编辑代码） Windows，可以使cmd或者PowerShell，这里推荐在Windows Store中下载Windows Terminal，集成了上述两个，而

基础知识 定义1（函数范数） 设标量函数 u:Rn⊃Ω→Ru: \mathbb{R}^n\supset \Omega\to \mathbb{R}u:Rn⊃Ω→R，C(Ω)C(\Omega)C(Ω) 表示在 Ω\OmegaΩ 上的连续标量函数构成的线性空间，对于 u∈C(Ω)u\in C(\Omega)u∈C(Ω)，定义 ∣∣u∣∣C(Ω=sup⁡x∈Ω∣u(x)∣,（值域的上确界）||u||_

第一章 度量空间（距离空间） 定义1.1（度量，度量空间） 设 XXX 为非空集合，ρ(x,y)\rho(x, y)ρ(x,y) 是 XXX 上的一个双变元的实值函数，满足：（x,y,z∈Xx,y,z\in Xx,y,z∈X） 正定性：ρ(x,y)⩾0\rho(x, y)\geqslant 0ρ(x,y)⩾0 且 ρ(x,y)=0  ⟺  x=y\rho(x, y) = 0\iff x =

强化学习 强化学习（Reinforcement Learning, RL）是一种通过不断试错，并从中不断改进从而提升效果的学习算法. 一般来说，游戏或电脑中模拟的现实情况称为环境（Environment)，智能体（Agent）在环境中可以做出行动（Action）从而最大化累积奖励（Reward），在每次行动后，智能体可以通过观察（Observe）环境得到状态（State）的变化并获得当前行动的奖