深度学习笔记之方差和标准误差

误差 (standard error)，记作 SE(θˆ)。估计量的方差或标准误差告诉我们，当独立地从潜在的数据生成过程中重采样数据集时，如何期望估计的变化。正如我们希望估计的偏差较小，我们也希望其方差较小。当我们使用有限的样本计算任何统计量时，真实参数的估计都是不确定的，在这个

深度学习之任务 T

“任务”定义中，学习过程本身并不是任务。学习是我们所谓的获取完成任务的能力。例如，我们的目标是使机器人能够行走，那么行走便是任务。我们可以编程让机器人学会如何行走，或者可以编写特定的指令，人工指导机器人如何行走。        通常机器学习任务定义为机器学习系统该如何处理样本 (e

深度学习之经验E

*有三个不同的品种。        无监督学习算法(unsupervised learning algorithm) 训练含有很多特征的数据集，然后学习出这个数据集上有用的结构性质。在深度学习中，我们通常要学习生成数据集的整个概率分布，显式地，比如密度估计，或是隐式地，比如合成或

深度学习之维数灾难

中参数配置数目远大于样本数目，大部分配置没有相关的样本。我们如何能在这些新配置中找到一些有意义的东西？许多传统机器学习算法只是简单地假设在一个新点的输出应大致和最接近的训练点的输出相同。然而在高维空间中，这个假设是不够的。

神经网络和深度学习有什么关系？

最近在网上看到说神经网络就是深度学习，然后自己又在打算去学习这方面的知识。本来想着去买一本神经网络的书，和一本深度学习的书看看。看到这个后我就在想如果真是这样就只用买一本深度学习了。但是又不太确定。网上的说法不一，所以来问问各位大佬的意见

GaussDB A自定义表空间整改方案

GaussDB A不建议客户使用自定义表空间，如有使用，可参考整改。

《深度学习应用开发》学习笔记-28

这个房价预测的例子基本就结束了，下面是用TensorBoard来将算法，和模型训练过程的一些信息进行可视化。可视化是一件有意见的工作，有助于信息的理解和推广。可视化在modelarts的老版的训练作业下，是收费的，但这个服务在新版的训练作业里已经没有了，也行是因为这个可视化服务的

《深度学习应用开发》学习笔记-25

loss_sum=0.0 for xs,ys in zip(x_data,y_data): xs=xs.reshape(1,12) #变形为和占位符一样，这里一次一行样本 ys=ys.reshape(1,1) _,loss=sess.run([optimizer,loss_function]

深度学习卷积操作

卷积操作就是filter矩阵跟filter覆盖的图片局部区域矩阵对应的每个元素相乘后累加求和。

《深度学习应用开发》学习笔记-30

终于进了一步，看到了MNIST手写数字识别，使用一个神经元。 MNIST数据集来自于NIST 美国国家标准和技术研究所。 找学生和工作人员手写的。 规模：训练集55000，验证集5000，测试集10000。大小约10M。 数据集可以在网站上去下载，同时tf自己里面已经集成了这个数据集。

AI前沿——深度学习技术

而且依赖于算法。这个算法就是深度学习Deep Learning。借助于 Deep Learning 算法，人类终于找到了如何处理“抽象概念”这个亘古难题的方法。机器学习(Machine Learning)是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重

《深度学习应用开发》学习笔记-29

房价的tf2版本，有一些变化。 1是直接使用sklearn.preprocessing里的scale来做归一化，更简单便捷 2不是一股脑将数据全用于训练，划分了分别用于训练、验证、测试的数据 3损失函数，优化器方面，代码有变化，头疼~ 4对训练数据没有做打散的操作 代码如下： 最

深度学习之任务T的回归和转录

码或者Unicode 码）。谷歌街景以这种方式使用深度学习处理街道编号(Goodfellow et al., 2014d)。另一个例子是语音识别，计算机程序输入一段音频波形，输出一序列音频记录中所说的字符或单词ID 的编码。深度学习是现代语音识别系统的重要组成部分，广泛用于各大公司。

《深度学习应用开发》学习笔记-23

loss_sum=0.0 for xs,ys in zip(x_data,y_data): xs=xs.reshape(1,12) #变形为和占位符一样，这里一次一行样本 ys=ys.reshape(1,1) _,loss=sess.run([optimizer,loss_function]

升级前巡检发现to_clob函数存在元数据不一致，如何整改

部分DN上没有，需要进行升级前整改，否则升级过程中必然出现问题：cid:link_0cid:link_1【解决方法】1.对于C80版本，可以直接drop：可以在升级前将该函数drop掉，升级过程中会自动重建该函数：（1）业务库、postgres库和template1库下可以直接d

深度学习笔记之频率概率和贝叶斯概率

     尽管我们明确需要一种表示和推理不确定性的方法，但是概率论能够提供所有我们想要的人工智能领域的工具并不是那么显然。概率论最初的发展是为了分析事件发生的频率。可以很容易地看出概率论，对于像在扑克牌游戏中抽出一手特定的牌这种事件的研究中，是如何使用的。这类事件往往是重复的。当我们说一个结果发生的概率为

深度学习之设计矩阵

个植物的萼片宽度，等等。我们在本书中描述的大部分学习算法都是讲述它们是如何运行在设计矩阵数据集上的。当然，将一个数据集表示成设计矩阵，必须是可以将每一个样本表示成向量，并且这些向量的大小相同。这一点并非永远可能。例如，你有不同宽度和高度的照片的集合，那么不同的照片将会包含不同数量

《深度学习应用开发》学习笔记-20

落了很长时间没学，捡起来继续。编号也忘了从哪里接上，就从20开始吧。 前面弄完了一元线性回归，现在是波士顿房价预测-多元线性回归。 数据方面，12+1共13个指标，506行数据。 前面12个是多个维度的数据，维度还是比较全面的，是输入值/特征。 比如：城镇人均犯罪率、师生比例、住宅比例、边界是否为河流等

AI、机器学习、深度学习的关系

深度学习之平滑先验

v) 在 u = v 时很大，当 u 和 v 距离拉大时而减小。局部核可以看作是执行模版匹配的相似函数，用于度量测试样本 x 和每个训练样本 x(i) 有多么相似。近年来深度学习的很多推动力源自研究局部模版匹配的局限性，以及深度学习如何克服这些局限性 (Bengio et al