第5章 Logistic回归 Logistic 回归 概述 须知概念 Sigmoid 函数 回归 概念 二值型输出分类函数 基于最优化方法的回归系数确定 梯度上升法 梯度的介绍 梯度上升法的思想 Logistic 回归 原理 Logistic 回归 工作原理 Logistic 回归 开发流程 Logistic 回归 算法特点 附加 方...

三角化修改器 选项 三角化修改器 三角化修饰符将网格(四边形和多边形)中的所有面转换为三角面。它实现了编辑模式下 面三角化 工具的功能。 应用三角化修改器之前的网格。 应用三角化修改器之后的网格。 选项 三角化修改器。 矩形面划分方法 布线优化 分解成理想的三角面，该方法较慢。 固定 在四边形的第一个和...

Statement Summary Tables statements_summary statements_summary_history statements_summary_evicted statement summary 的 cluster 表 参数配置 为 statement summary 设定合适的大小 目前的限制 持久化...

运算节点 输入 属性 输出 范例 自定义Z深度通道节点设置 使用正弦功能得到不断循环的变化数 提亮(缩放)通道 重新限定颜色选择(色调分离) 运算节点 运算节点。 运算节点 的功能是执行数学运算。 输入 节点的输入值是动态可变的。某些输入插口类型只适合和某类数学运算符搭配使用。比如，“相加” 输入值与“乘后相加” 运算符的...

2.1 监督学习 监督学习的两个任务：回归和分类 回归：预测连续值 所以我们如何解决这些问题？ 线性回归（普通最小二乘） 梯度下降：习得参数 过拟合 这就完成了 练习材料和扩展阅读 2.1a 线性回归 2.1b 实现梯度下降 2.1 监督学习 原文：Machine Learning for Humans, Part 2.1: S...

12.4 嵌入式选择与正则化 12.4 嵌入式选择与正则化 前面提到了的两种特征选择方法：过滤式中特征选择与后续学习器完全分离，包裹式则是使用学习器作为特征选择的评价准则；嵌入式是一种将特征选择与学习器训练完全融合的特征选择方法，即将特征选择融入学习器的优化过程中 。在之前《经验风险与结构风险》中已经提到：经验风险指的是模型与训练数据的契合度，结...

Road map 2.0.0-beta1-prerelease 2.0.0-beta1 2.3 2.6 Road map 这篇文档会介绍 Paddle-Lite 近期对外的开源版本和计划。 其中包含的 feature 为最小集合，按最终发布的版本为准。 2.0.0-beta1-prerelease 预计发布 2019-8-26 ~ 2...

Statement Summary Tables statements_summary statements_summary_history statements_summary_evicted statement summary 的 cluster 表 参数配置 为 statement summary 设定合适的大小 目前的限制 持久化...

授权策略规范化 与路径相关 1. 单个百分号编码字符（%HH） 2. 反斜杠（\ ） 3. 多个正斜杠（// 、/// 等） 4. 单点和双点（/./ 、/../ ） 5. 带查询的路径（/foo?v=1） 与方法相关 1. 方法不大写 与标头名称相关 1. 大小写不敏感匹配 2. 重复标头 3. 标头名称中的空格 授权策略规...

授权策略规范化 与路径相关 1. 单个百分号编码字符（%HH） 2. 反斜杠（\ ） 3. 多个正斜杠（// 、/// 等） 4. 单点和双点（/./ 、/../ ） 5. 带查询的路径（/foo?v=1） 与方法相关 1. 方法不大写 与标头名称相关 1. 大小写不敏感匹配 2. 重复标头 3. 标头名称中的空格 授权策略规...