学习
-
机器学习中，如何判断蕴含式值的真假？
机器学习中，如何判断蕴含式值的真假？今天在机器学习碰到了概念学习的知识 里面涉及了很多离散数学的概念 因此挑比较重点 难点的地方来总结一下 设 P Q 为两个命题 我们称 P gt Q 为一个蕴含式 那么真值表如下所示 P Q P gt Q 1 0 0 1 1 1 0 1 1 0 0 1 下面我们来详细解释一下如何判断 P gt Q 的值到底是 1 还是 0 这里我们把 P 和 Q 赋予具体的命题 P 是 汤姆离散数学考了满分 Q 是 汤姆妈妈给汤姆买电脑 那么 P gt
-
Mars3D开发基础学习:3DTiles三维模型
Mars3D开发基础学习:3DTiles三维模型上一节我们介绍了 glTF 的主要数据结构以及 Mars3D 是如何对其进行加载的 这一节我们来介绍一下 glTF 的升级版 3DTiles 也是目前 Mars3D 在加载海量三维模型数据方面必须采用的一种数据格式 1 3DTiles 介绍 2016 年 Cesium 团队借鉴传统 2DGIS 的地图规范 WMTS 借鉴图形学中的层次细节模型 打造出大规模的三维数据标准 3d Tiles 中文译名 三维瓦片 它在模型上利用了 gltf 渲染快的特点 对大规模的三维数据进行组织 包括层次细节模型 模型的属性数据
-
女生学习Java是否真的没有优势呢？
女生学习Java是否真的没有优势呢？随着女性越来越独立 我们可以看到 以前我们认为不适合女性朋友从事的工作 也出现了越来越多的女生 例如 IT 行业 虽然当下很多人所持的观点依旧是 女生不适合 IT 行业 但是很多女生已经在 IT 行业中崭露头角 成为 IT 行业中的中坚力量
-
pytorch学习笔记（三十六）：AdaGrad
pytorch学习笔记（三十六）：AdaGrad文章目录 AdaGrad 算法 1 算法 2 特点 3 从零开始实现 4 简洁实现小结 AdaGrad 算法在之前介绍过的优化算法中 目标函数自变量的每一个元素在相同时间步都使用同一个学习率来自我迭代 举个例子 假设目标函数为 fff 自变量为一个二维向量 x1 x2 x 1 x 2 top x1 x2 该向量中每一个元素在迭代时都使用相同的学习率 例如 在学习率为 eta 的梯度下降中 元素 x1x 1×1 和 x2x 2×2 都使用相同的学习率 eta 来自我迭代 x1 x1 f x1
-
机器学习中的数学——距离定义（二十六）：Wasserstein距离（Wasserstei Distance）/EM距离（Earth-Mover Distance）
机器学习中的数学——距离定义（二十六）：Wasserstein距离（Wasserstei Distance）/EM距离（Earth-Mover Distance）Wasserstein 距离也被称为推土机距离 EarthMover sDistance EMD 用来表示两个分布的相似程度 Wasserstein 距离衡量了把数据从分布 ppp 移动成 分布 q 时所需要移动的平均距离的最小值 Wasserstein 距离是 2000 年 IJCV 期刊文章 TheEarthMove sDistanceasa 提出的一种直方图相似度量 如果两个分布 ppp 和 q 离得很远 完全没有重叠的时候 那么 KL 散度值是没有意义的
-
Hue学习笔记 — 元数据库梳理
Hue学习笔记 — 元数据库梳理nbsp 词汇解释 Hue nbsp gt HadoopUserEx gt 历史原因 Hive 编辑器曾被称为蜂蜡 Beeswax 这里用于 Hue 集成 Hive 数据模块 django gt python 前端框架 Oozie gt 类似 Airflow Azkaban 任务调度组件 此处为 Hue 内置任务调度组件 Desktop gt Hue 操
-
MATLAB学习笔记：数值积分
MATLAB学习笔记：数值积分当 1 被积函数的原函数不能用初等函数表示 2 被积函数难以用公式表示 而是用图形或表格给出的 就应该建立定积分的近似计算方法 数值积分方法 梯形法 z trapz x y x 0 0 5 1 y exp x 2 z trapz x y z 0 7314x 0 0 05 1
-
《shell脚本学习指南》自学笔记——入门
《shell脚本学习指南》自学笔记——入门这个是我自己自学的一点笔记和心得 如果有什么错误请大家指出 谢谢 1 一个简单的脚本 who 列出登录的用户 下面利用管道 who wc l 将列出登录的用户数量 who 的输出 成了 wc 的输入 下一步 将管道转变为独立的命令建立管道文件 用 cat 复制终端的输入 catnusers 然后写入内容 who wc l 以 D 作
-
-
