榜单
服务器优惠
AI论文
-
拉普拉斯形变修改器
拉普拉斯形变修改器 选项 错误信息 历史 拉普拉斯形变修改器 拉普拉斯形变 修改器允许你在为网格摆姿势的同时，保留表面的几何体的细节。 用户定义一组 “锚点” 顶点，然后移动其中一些顶点。 修改器将其余锚点顶点保持在固定位置，并计算所有剩余顶点的最佳位置以保留原始几何细节。 该修改器采用微分坐标来捕获几何细节。微分坐标根据相邻的顶点来捕获当... -
PyTorch深度学习
PyTorch深度学习 深度学习构建模块: Affine maps, non-linearities and objectives Affine Maps Non-Linearities(非线性) Softmax and Probabilities(Softmax和概率分布) Objective Functions(目标函数) Optimizati... -
Kernel density estimation（核密度估计）
核密度估计 1 理论分析 2 例子 3 代码实现 参考文献 核密度估计 1 理论分析 核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。假设我们有n 个数$x{1},x{2},…,x_{n}$，要计算某个数X 的概率密度有多大，可以通过下面的核密度估计方法估计。 在上面的式子中，K 为核密度函数，h ... -
拉普拉斯形变修改器
拉普拉斯形变修改器 选项 错误信息 历史 拉普拉斯形变修改器 拉普拉斯形变 修改器允许你在为网格摆姿势的同时，保留表面的几何体的细节。 用户定义一组 “锚点” 顶点，然后移动其中一些顶点。 修改器将其余锚点顶点保持在固定位置，并计算所有剩余顶点的最佳位置以保留原始几何细节。 该修改器采用微分坐标来捕获几何细节。微分坐标根据相邻的顶点来捕获当... -
拉普拉斯形变修改器
拉普拉斯形变修改器 选项 错误信息 历史 拉普拉斯形变修改器 拉普拉斯形变 修改器允许你在为网格摆姿势的同时，保留表面的几何体的细节。 用户定义一组 “锚点” 顶点，然后移动其中一些顶点。 修改器将其余锚点顶点保持在固定位置，并计算所有剩余顶点的最佳位置以保留原始几何细节。 该修改器采用微分坐标来捕获几何细节。微分坐标根据相邻的顶点来捕获当... -
1.a.31 发行注记
关于 1.a.31 问题修复 质量 文档 主要贡献者名单 1.a.31 发行注记 Jul 10, 2017 10:38:44 AM 作者:zozoh wendal 关于 1.a.31 这个版本中，Nutz.Mvc 将 Filter 方式作为主要挂载方式 ,新增对SQLite的支持 问题修复 Issue 47 支持 SQLit... -
3.5. 验证曲线: 绘制分数以评估模型
3.5. 验证曲线: 绘制分数以评估模型 3.5.1. 验证曲线 3.5.2. 学习曲线 3.5. 验证曲线: 绘制分数以评估模型 校验者: @正版乔 @正版乔 @小瑶 翻译者: @Xi 每种估计器都有其优势和缺陷。它的泛化误差可以用偏差、方差和噪声来分解。估计值的 偏差 是不同训练集的平均误差。估计值的 方差 用来表示它对训练集的变化有... -
3.5. 验证曲线: 绘制分数以评估模型
3.5. 验证曲线: 绘制分数以评估模型 3.5. 验证曲线: 绘制分数以评估模型 3.5.1. 验证曲线 3.5.2. 学习曲线 3.5. 验证曲线: 绘制分数以评估模型 3.5. 验证曲线: 绘制分数以评估模型 校验者: @正版乔 @正版乔 @小瑶 翻译者: @Xi 每种估计器都有其优势和缺陷。它的泛化误差可以用偏差、方差和噪声来分... -
5 朴素贝叶斯分类器
5 朴素贝叶斯分类器 5 朴素贝叶斯分类器 在朴素贝叶斯分类器中，每个特征都得到发言权，来确定哪个标签应该被分配到一个给定的输入值。为一个输入值选择标签，朴素贝叶斯分类器以计算每个标签的先验概率开始，它由在训练集上检查每个标签的频率来确定。之后，每个特征的贡献与它的先验概率组合，得到每个标签的似然估计。似然估计最高的标签会分配给输入值。5.1 说明了...