社区
community_281
帖子详情
散分,好久没来了.
wgybb
2009-07-14 11:53:49
公司倒闭,这几天也不用上班了,工作也不想找,好想休息一段时间.
突想又想起了CSDN,发现已经好久没登陆过,贴子的详细页面好像也改版了,1像素的边框,看上去挺舒服的.
...全文
103
32
打赏
收藏
散分,好久没来了.
公司倒闭,这几天也不用上班了,工作也不想找,好想休息一段时间. 突想又想起了CSDN,发现已经好久没登陆过,贴子的详细页面好像也改版了,1像素的边框,看上去挺舒服的.
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
32 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
光宇广贞
2009-07-16
打赏
举报
回复
顶一个。
Sigh_Me
2009-07-16
打赏
举报
回复
接分
祝福一下
huoyanming
2009-07-16
打赏
举报
回复
那就散吧,我接着……
changjiangzhibin
2009-07-16
打赏
举报
回复
有空来坐坐
怀念旧版
oken2
2009-07-16
打赏
举报
回复
前辈!
Justsoosoo
2009-07-16
打赏
举报
回复
金融危机还没过去?
胡须棉花糖
2009-07-15
打赏
举报
回复
看头像认识
紫郢剑侠
2009-07-15
打赏
举报
回复
欢迎归来~
kendyhxl
2009-07-15
打赏
举报
回复
[Quote=引用 1 楼 namhyuk 的回复:]
看上去挺舒服的???
-------------
囧!前一阵子声势浩大的倒版运动啊~
[/Quote]
夭折了呀
liaoyunt07
2009-07-15
打赏
举报
回复
[Quote=引用楼主 wgybb 的回复:]
公司倒闭,这几天也不用上班了,工作也不想找,好想休息一段时间.
突想又想起了CSDN,发现已经好久没登陆过,贴子的详细页面好像也改版了,1像素的边框,看上去挺舒服的.
[/Quote]
围观
wgybb
2009-07-15
打赏
举报
回复
晕,引用1楼哥们的,内容怎么变成自己的了.哎~~~
wgybb
2009-07-15
打赏
举报
回复
[Quote=引用楼主 wgybb 的回复:]
公司倒闭,这几天也不用上班了,工作也不想找,好想休息一段时间.
突想又想起了CSDN,发现已经好久没登陆过,贴子的详细页面好像也改版了,1像素的边框,看上去挺舒服的.
[/Quote]
我的第一感觉,确实满好看的,看上去很舒服,有时候自己做表格也喜欢用这个色彩,呵呵,纯属个人意见了.
不过,貌似 CSDN的每次改版,都会引来风波,时间长了,也都习惯了...
jv9
2009-07-15
打赏
举报
回复
边休息,边学习。
貓哥是個傳說
2009-07-15
打赏
举报
回复
大叔太久没来了。。
Raul_Gonzalez
2009-07-15
打赏
举报
回复
您观察的角度很特别..
白夜
2009-07-15
打赏
举报
回复
我所在的公司也倒闭,这几天也不用上班了,工作也不想找,也好想休息一段时间!哎~ 相同的遭遇~~~~
zmlsimple
2009-07-15
打赏
举报
回复
JF
CandCplus
2009-07-15
打赏
举报
回复
接分。
yanlvbj
2009-07-15
打赏
举报
回复
观察好仔细哦
messi_yang
2009-07-15
打赏
举报
回复
這個好?
加载更多回复(12)
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。
DL:RBM学习算法——Gibbs采样、变分方法、对比散度、模拟退火
RBM学习方法 当前在对RBM 的研究中,典型的学习方法有Gibbs 采样(Gibbs sampling)算法,变分近似方法(variational approach),对比散度(contrastive divergence,CD)算法,模拟退火(simulate annealing) 算法等。下面对这些方法进行对比。 1、Gibbs采样算法 (1)简介 G
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)]=∫xp(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。
双目散斑结构光
双目散斑结构光介绍1、什么是散斑结构光2、为什么要用散斑结构光3、如何生成散斑图4、计算机模拟生成散斑图4.1 全域位置随机散斑4.2 局域位置随机散斑参考 1、什么是散斑结构光 散斑,也叫伪随机散斑,由一些白色斑点组成的一种结构光图案,是一种空间编码结构光,现在通常与双目立体匹配结合使用,增加纹理信息,改善弱纹理、重复纹理区域的视差效果。 2、为什么要用散斑结构光 结构光有很多种,就会问为什么要用散斑? 那我们先来重温一下结构光的分类,结构光总共分为时间结构光和空间结构光两种。时间结构光按照时间序列对每个
community_281
700
社区成员
253,704
社区内容
发帖
与我相关
我的任务
community_281
提出问题
复制链接
扫一扫
分享
社区描述
提出问题
其他
技术论坛(原bbs)
社区管理员
加入社区
获取链接或二维码
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