• 【深度学习相关知识】


    网络输出尺寸计算公式

    卷积层输出尺寸计算公式
    H o u t = H i n + 2 ∗ P − K S + 1 H_{out}=\frac{H_{in}+2*P-K}{S} +1 Hout=SHin+2PK+1


    池化pooling层输出尺寸计算公式 同上
    H o u t = H i n + 2 ∗ P − K S + 1 H_{out}=\frac{H_{in}+2*P-K}{S} +1 Hout=SHin+2PK+1


    膨胀卷积是对卷积核的膨胀
    膨胀后的卷积核 不膨胀的情况下D=1
    K ′ = D ∗ ( K − 1 ) + 1 K^{'}=D*(K-1)+1 K=D(K1)+1
    因此,膨胀卷积输出尺寸计算公式为
    H o u t = H i n + 2 ∗ P − K ′ S + 1 K ′ = D ∗ ( K − 1 ) + 1 H_{out}=\frac{H_{in}+2*P-K^{'}}{S} +1\\ K^{'}=D*(K-1)+1 Hout=SHin+2PK+1K=D(K1)+1

    C++

    数组的初始化

    #include 
    using namespace std;
    int main()
    {
    	int a[3]={1,2,3};
    	int b[3]={1,2,3};//[1,2,3];
    	for( int i = 0; i < 3; i = i + 1 )
       {
           cout<<a[i]<<' '<<b[i]<<endl;
       }
       cout << "Hello World";
       return 0;
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    #include 
    using namespace std;
    int main()
    {
    	//二维数组分行初始化
    	int a[2][3]={{1,2,3},{456}};
    	//不分行初始化
    	int a[2][3]={ 1,23456};
       return 0;
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    条件概率

    权重衰减

    应对过拟合的方法:权重衰减
    权重衰减等价于L2范数正则化(regularization)。还有L1和L0范数,其中L2范数应对过拟合最好。
    正则化通过为模型损失函数添加惩罚项使学出的模型参数值较小,是应对过拟合的常用手段。至于为什么添加了正则项就能降低过拟合。简单来说,添加了正则项后,损失函数计算梯度下降时就要同时满足原损失函数和正则项的权重同时等于0,压缩了解的空间,即对权重w的可能的取值做了限制。

    LSTM

    通用逼近器

    马尔科夫、隐HMM

    马尔科夫
    隐马尔科夫
    隐马尔科夫
    可以认为不受时间的影响.
    马尔可夫过程(Markov process)是一类随机过程。由俄国数学家A.A.马尔可夫于1907年提出。该过程具有如下特性:在已知目前状态(现在)的条件下,它未来的演变(将来)不依赖于它以往的演变 (过去 )。
    马尔科夫过程是指过程中的状态的转移依赖于之前的状态,当影响转移状态的数目是n时,这个过程被称为 n阶马尔科夫模型.
    如果第i 时刻上的取值依赖于且仅依赖于第i−1 时刻的取值,即
    在这里插入图片描述
    天气、赌徒输赢

    隐马尔科夫模型 = 普通马尔科夫链 + 一组观测变量
    观测变量取决于现在在的状态,过去对其不影响
    比如我们的股市,如果只是观测市场,我们只能知道当天的价格、成交量等信息,但是并不知道当前股市处于什么样的状态(牛市、熊市、震荡、反弹等等),在这种情况下我们有两个状态集合,一个可以观察到的状态集合(股市价格成交量状态等)和一个隐藏的状态集合(股市状况)。我们希望能找到一个算法可以根据股市价格成交量状况和马尔科夫假设来预测股市的状况。
    在上面的这些情况下,可以观察到的状态序列和隐藏的状态序列是概率相关的。于是我们可以将这种类型的过程建模为有一个隐藏的马尔科夫过程和一个与这个隐藏马尔科夫过程概率相关的并且可以观察到的状态集合,就是隐马尔可夫模型。
    隐马尔可夫模型(Hidden Markov Model) 是一种统计模型,用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数,然后利用这些参数来作进一步的分析。

    和HMM模型相关的算法主要分为三类,分别解决三种问题:

    • 知道骰子有几种(隐含状态数量),每种骰子是什么(转换概率),根据掷骰子掷出的结果(可见状态链),我想知道每次掷出来的都是哪种骰子(隐含状态链)。
    • 还是知道骰子有几种(隐含状态数量),每种骰子是什么(转换概率),根据掷骰子掷出的结果(可见状态链),我想知道掷出这个结果的概率。
    • 知道骰子有几种(隐含状态数量),不知道每种骰子是什么(转换概率),观测到很多次掷骰子的结果(可见状态链),我想反推出每种骰子是什么(转换概率)。

    += -= 运算优先级

    后缀++ --的优先级不对!
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    赋值语句的返回值为该值

    #include 
    using namespace std;
    int main()
    {
       int a=2;
       int b=3;
       cout <<a<< (a=b)<<a<<endl;
       cout <<a<< (a+=b)<<a<<endl;
       return 0;
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    输出结果

    233
    366
    
    • 1
    • 2
    #include 
    using namespace std;
    int main()
    {
       int a=2;
       int b=3;
       cout <<(a+=a-=a*a)<<endl;
       return 0;
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    结果为-4

    ++i表示先增加,后取值。而后置版本表示先取值,后增加。

    #include 
    using namespace std;
    int main()
    {
       int a=2;
       int b=2;
       cout <<(a+=a++)<<endl;//5 a+=2,a=3 
       cout <<(b+=++b)<<endl;//6=3+3
       a=2;
       b=2;
       cout <<(a++)<<endl;//2
       cout <<(++b)<<endl;//3
       return 0;
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    #include 
    using namespace std;
    
    int main()
    {
    	int a=2;
    	int b=2;
    	int c= - --a;//-1
    	int d= - b--;//-2
       cout << c<<d<<endl;
       return 0;
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    输出-1-2

  • 相关阅读:
    出口美国的电动自行车UL2849测试和GCC检测标准
    小快轻准,5分钟自助上线,中小型制造企业数字化转型
    机器学习-决策树算法
    PDF图片提取的方法有什么?这个方法1分钟提取完毕
    SpringBoot整合mybatis
    linux下的永久保存行号
    游戏引擎用什么语言开发上层应用
    669.修剪二叉树
    Element Plus中Cascader 级联选择器(选择任意一级选项 - 更改下拉框选中方式)
    javaScript正则表达式截取字符串【截取中间、截取前面、截取后面】
  • 原文地址:https://blog.csdn.net/weixin_43466026/article/details/126003270