本文主要介绍概率与统计的相关知识，包括概率的基本概念，似然函数，全概率，条件概率，贝叶斯公式，信息熵等概念的介绍。 1. 基本概念 1.1. 概率定义 1.2. 随机变量 1.3. 概率分布与概率密度 1.4. 概率和统计 1.5. 概率函数与似然函数 1.6. 极大似然估计 ...
SIRLIS
取消
深度学习基础（概率与统计）
深度学习基础（Encoder-Decoder）
本文主要介绍自然语言处理（Natural Language Process，NLP）的基础，然后介绍 Encoder-Decoder（编码-解码）框架和 Attention 机制。 1. NLP 介绍 1.1. 文本表示 1.2. 训练思想 2. Encoder-Decoder 2.1. RNN E-...
PyTorch基础（张量）
本文主要记录自己学习 PyTorch 过程中涉及的一些基础知识。 1. 张量维度 1.1. shape 属性 1.2. size() 成员函数 2. 张量比较 2.1. max 3. 参考文献 1. 张量维度 1.1. shape 属性 输入 import torch #...
天文学基础（时间和历法）
本文介绍了天文学中基本的时间和历法知识。 1. 背景 1.1. 国际地球自转和参考系服务 1.2. 国际天文学联合会 2. 时间 2.1. 太阳时 2.2. 恒星时 2.3. 格林尼治标准时间（GMT） 2.4. 世界时（UT） 2.5. 原子时（TAI...
天文学基础（JPL星历）
本文介绍了 JPL （美国喷气实验室）的星历（DE405）的基本概念，数据组织方式，以及具体的行星数据查询方法。 1. JPL星历 1.1. 概念 1.2. 版本 1.3. 算法 2. 行星位置计算 2.1. 基本概念 2.2. DE405的结构 2.3. DE40...
深度学习基础（LSTM）
本文介绍了 LSTM （长短时记忆网络）的基本概念，以及正/反向传播的推导过程，然后分析了 LSTM 如何克服 RNN 的梯度消失问题，最后介绍了 PyTorch 的 LSTM 模块的实现。 1. LSTM 1.1. 概念 1.2. 模型 1.3. 前向传播 1.4. 如何解决梯度消失 1.5. 如何解决梯...
深度学习基础（RNN）
本文介绍了 RNN （循环神经网络）的基本概念，以及正/反向传播的推导过程。最后分析了 RNN 的梯度消失和梯度爆炸问题。 1. RNN 1.1. 概念 1.2. 模型 1.3. 前向传播 1.4. 反向传播 1.5. 梯度消失 1.6. 梯度爆炸 2. 参考文献 1. ...
深度学习文章阅读（FDNN）
FDNN 于2016年由 Deng Yue 提出，是一种模糊深度神经网络的混合架构，在图像分类和区域划分方面优于传统的深度神经网络等多种方法。 1. 网络架构 1.1. 模糊逻辑表示部分 1.2. 神经表示部分 1.3. 混合部分 1.4. 任务驱动部分 1.5. 总结 2. 训练 ...
自适应网络模糊推理系统（ANFIS）
本文介绍了 1993 年发表的自适应网络模糊推理系统（ANFIS），Adaptive-Network-Based Fuzzy Inference System。 1. 基础知识 1.1. 模糊推理系统 1.2. 自适应网络 1.3. ANFIS 结构 1.4. ANFIS 学习算法 2. 程序文件组...
深度学习基础（Fuzzy，FNN）
本文介绍了模糊的基础知识，包括模糊集，模糊逻辑，模糊决策，模糊神经网络（FNN）。 1. 基础知识 1.1. 模糊集与隶属度 1.2. 模糊集运算 1.3. 模糊度 1.4. 模糊逻辑 1.5. 模糊决策 2. 模糊神经网络 3. 参考文献 1. 基础知识 1.1. 模糊集与隶...