3.2. 线性回归的从零开始实现 3.2.1. 生成数据集 3.2.2. 读取数据 3.2.3. 初始化模型参数 3.2.4. 定义模型 3.2.5. 定义损失函数 3.2.6. 定义优化算法 3.2.7. 训练模型 3.2.8. 小结 3.2.9. 练习 3.2. 线性回归的从零开始实现 在了解了线性回归的背景知识之后，现在我们可...

番外篇：关于标准化 番外篇：关于标准化 这一章我们讲解了标准化的重要性，即当不同特征的评分尺度不一致时，为了得到更准确的距离结果，就需要将这些特征进行标准化，使他们在同一个尺度内波动。 虽然大多数数据挖掘工程师对标准化的理解是一致的，但也有一些人要将这种做法区分为“正规化”和“标准化”两种。 其中，“正规化”表示将值的范围缩小到0和1之间；“...

CREATE CONVERSION 概要 描述 参数 注解 示例 兼容性 另见 CREATE CONVERSION 定义一种新的编码转换。 概要 CREATE [ DEFAULT ] CONVERSION name FOR source_encoding TO dest_encoding FROM funcna...

9.11. 样式迁移 9.11.1. 方法 9.11.2. 读取内容图像和样式图像 9.11.3. 预处理和后处理图像 9.11.4. 抽取特征 9.11.5. 定义损失函数 9.11.5.1. 内容损失 9.11.5.2. 样式损失 9.11.5.3. 总变差损失 9.11.5.4. 损失函数 9.11.6. 创建和初始化合成图像 9....

conv2d_transpose conv2d_transpose paddle.fluid.layers. conv2d_transpose (input, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, ...

灰度发布和扩缩容 版本：v1.6 灰度发布和扩缩容 灰度发布( Rollout )运维特征可以用于对工作负载的滚动发布和扩缩容。 目前灰度发布运维特征支持的组件类型为： webservice worker 在开始使用灰度发布运维特征之前，你需要先通过以下命令启用 rollout 插件 vela addon enable rollout ...

可视化功能 一旦你的自编码器学习了一些功能，你可能想看看它们。 有各种各样的技术。 可以说最简单的技术是在每个隐藏层中考虑每个神经元，并找到最能激活它的训练实例。 这对顶层隐藏层特别有用，因为它们通常会捕获相对较大的功能，您可以在包含它们的一组训练实例中轻松找到这些功能。 例如，如果神经元在图片中看到一只猫时强烈激活，那么激活它的图片最显眼的地方都会包含...

2.1 包含和统一 2.1 包含和统一 认为特征结构提供一些对象的部分信息是很正常的，在这个意义上，我们可以根据它们通用的程度给特征结构排序。例如，(23a) 比(23b) 具有更少特征，(23b)比(23c) 具有更少特征。 [ NUMBER = 74 ] 统一被正式定义为一个（部分）二元操作：FS₀ ⊔ FS...

1. 监督学习 1. 监督学习 1.1 广义线性模型 1.1.1 普通最小二乘法 1.1.2 岭回归 1.1.3 Lasso 1.1.4 多任务 Lasso 1.1.5 弹性网络 1.1.6 多任务弹性网络 1.1.7 最小角回归 1.1.8 LARS Lasso 1.1.9 正交匹配追踪法（OMP） 1.1.10 贝叶斯回归 ...

max_pool3d 参数 返回 代码示例 max_pool3d paddle.nn.functinoal.max_pool3d ( x, kernel_size, stride=None, padding=0, ceil_mode=False, return_mask=False, data_format=”NCDHW”, name=Non...