散分一

zhlwyy 2009-02-18 04:02:37
前50名都有
...全文
351 53 打赏 收藏 举报
写回复
用AI写文章
53 条回复
切换为时间正序
请发表友善的回复…
发表回复
c58342418 2009-02-20
  • 打赏
  • 举报
 回复
来晚了。。
lingyin55 2009-02-20
  • 打赏
  • 举报
 回复
都顶了
zdw2521 2009-02-20
  • 打赏
  • 举报
 回复
晕51啦。虽然没分，还是顶。
yct0605 2009-02-20
  • 打赏
  • 举报
 回复
接分了
7年 2009-02-19
  • 打赏
  • 举报
 回复
速度来了，前50.
天鸽 2009-02-19
  • 打赏
  • 举报
 回复
333
ddgg18 2009-02-19
  • 打赏
  • 举报
 回复
前五十名都有？我占两坐，嘿嘿
ddgg18 2009-02-19
  • 打赏
  • 举报
 回复
3




Q
zhangyunkk 2009-02-19
  • 打赏
  • 举报
 回复
接分
kampan 2009-02-19
  • 打赏
  • 举报
 回复
接分1，还能赶上~~
cnforecast 2009-02-19
  • 打赏
  • 举报
 回复
分啊，分啊，需要分。
虎滴小猪猪 2009-02-19
  • 打赏
  • 举报
 回复
接分。我现在急需要分啊。
simonhehe 2009-02-19
  • 打赏
  • 举报
 回复
oo
answershin 2009-02-19
  • 打赏
  • 举报
 回复
顶下
bdmh 2009-02-19
  • 打赏
  • 举报
 回复
接分
luxuewei5214 2009-02-19
  • 打赏
  • 举报
 回复
36层
byteh 2009-02-19
  • 打赏
  • 举报
 回复
接分，O(∩_∩)O谢谢
yc_8301 2009-02-19
  • 打赏
  • 举报
 回复
来JF，呵呵
lrxss 2009-02-19
  • 打赏
  • 举报
 回复
UOP
不得闲 2009-02-18
  • 打赏
  • 举报
 回复
我也来接
加载更多回复（32）
变分推理(Variational Inference)
给定网络参数 ω\boldsymbol \omegaω, 训练数据集 D=(X,Y)\mathbf{D} = (\mathbf{X}, \mathbf{Y})D=(X,Y), 贝叶斯推断是将网络参数 ω\boldsymbol \omegaω 建模为一个符合某种分布的随机变量而不是确定的值，故给定测试数据 x∗\mathbf{x}^{*}x∗, 贝叶斯网络求取对应预测值 y∗\mathbf{y}^{*}y∗ 的公式为： p(y∗∣x∗,X,Y)=∫p(y∗∣x∗,ω)p(ω∣X,Y)dωp\left(\ma
从微分到积分、重积分、线积分、面积分，从Green公式到Guass公式、Stokes公式，从梯度到散度、旋度，从微分到外微分
本文是对《简明微积分》的学习总结，从微分到积分、重积分、线积分、面积分，从Green公式到Guass公式、Stokes公式，从梯度到散度、旋度，这可能是力学中最重要的几个数学概念。 从微分到外微分，则更是让人眼界大开。 “Stokes公式是微积分的顶峰。从理论上讲，这是微积分的终点，也是微积分从古典走向现代的入口处。”自《简明微积分》。
变分贝叶斯估计：KL散度及变分自由能
这可以通过最小化KL散度来找到最优的变分分布，从而近似真实的后验分布。它是变分推断中的一个目标函数，通过最小化变分自由能，可以找到一个近似分布，使其尽可能接近真实的后验分布。变分自由能与最大化证据下界是等价的，因为最大化 ELBO 的过程等价于最小化其负值，即最小化变分自由能，且通常通过迭代的方式进行。通过最小化变分自由能，我们在近似分布的选择中取得了折中，同时考虑了与真实后验的接近度和模型对观测数据的拟合。其中，Q 是我们希望找到的近似分布，P 是真实的后验分布，X 是观测数据，Z 是未知的潜在变量。
正向KL散度与反向KL散度
KL散度的公式是 KL[p(x)∣∣q(x)]=∫xp(x)logp(x)q(x)dx KL[p(x)||q(x)] = \int_{x}p(x)log{p(x) \over q(x)}dx KL[p(x)∣∣q(x)]=∫x​p(x)logq(x)p(x)​dx 假设真实分布为p(x)p(x)p(x)，我们想用分布q(x)q(x)q(x)去近似p(x)p(x)p(x)，我们很容易想到用最小化KL散度来求，但由于KL散度是不对称的，所以并不是真正意义上的距离，那么我们是应该用KL[p∣∣q]KL[p||q]
Jensen-Shannon散度（JS散度）
Jensen-Shannon散度是一种改进的、对称的概率分布相似性度量，能够有效克服KL散度的局限性。它具有非负性、对称性和有界性等良好性质，广泛应用于机器学习、自然语言处理、生物信息学和信息论等领域。JS散度的直观含义是通过比较两个分布与它们的中间分布的差异，来量化两个分布之间的相似性。
非技术区

830

社区成员

53,568

社区内容

发帖
与我相关
我的任务
社区描述
Delphi 非技术区
社区管理员
  • 非技术区社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章