首页
sirlis
取消

深度学习基础(概率与统计)

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。

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。

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。

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。

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。

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。

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。

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。

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。

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)。