社区
非技术区
帖子详情
新年快乐,没升星也散分!
来自故乡的风
2010-12-24 11:38:24
新的一年快到了,祝大家身体健康,万事如意!
CSDN上有升星散分的光荣传统,我等不及了,先散一点,争取明年升星,大家多支持哈!
我来这里本意是向高手请教的。自己发了不少帖子,得到很多无私的帮助,本人感激不尽!
因为是初学者,很多时候不知道自己哪里不明白,这时候看别人的帖子就很有益处,开阔了眼界,认识了不足。同时也冒充明白人混了一点儿分数,感到很惭愧。
最后祝大家共同进步,事业更上一层楼!!!
TorontoSky
...全文
269
51
打赏
收藏
新年快乐,没升星也散分!
新的一年快到了,祝大家身体健康,万事如意! CSDN上有升星散分的光荣传统,我等不及了,先散一点,争取明年升星,大家多支持哈! 我来这里本意是向高手请教的。自己发了不少帖子,得到很多无私的帮助,本人感激不尽! 因为是初学者,很多时候不知道自己哪里不明白,这时候看别人的帖子就很有益处,开阔了眼界,认识了不足。同时也冒充明白人混了一点儿分数,感到很惭愧。 最后祝大家共同进步,事业更上一层楼!!! TorontoSky
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
51 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
yiweidianzi
2011-01-04
打赏
举报
回复
SF....新年快乐!
hitlcyu19
2011-01-04
打赏
举报
回复
慢慢=吧 哈哈
HYH
2011-01-04
打赏
举报
回复
kevin_520_kevin
2011-01-04
打赏
举报
回复
呵呵,接分
namhyuk
2011-01-04
打赏
举报
回复
新年多赚点。
一弗楚
2011-01-03
打赏
举报
回复
新年了~~~~~~
whb147
2011-01-03
打赏
举报
回复
元旦快乐!!
weiweishay
2011-01-03
打赏
举报
回复
顶。。
yksyuan
2011-01-02
打赏
举报
回复
谢谢诶 新年快乐
iiiibbbbnnn
2011-01-02
打赏
举报
回复
新年好!
Diack
2011-01-02
打赏
举报
回复
每天回帖即可获得10分可用分!
boringame
2011-01-02
打赏
举报
回复
Jf
如果有话,就更贴对我说吧。我用《Csdn收音机》能听到哦!
akonlaogong
2011-01-02
打赏
举报
回复
哈哈!!!
沙伽more
2011-01-02
打赏
举报
回复
缪军
2011-01-02
打赏
举报
回复
来自故乡的风
2011-01-02
打赏
举报
回复
祝各位同学新年快乐,心想事成!
xinv19shi
2010-12-29
打赏
举报
回复
j f
宝贝快乐
2010-12-29
打赏
举报
回复
来 看看楼主
沙伽more
2010-12-28
打赏
举报
回复
[Quote=引用 2 楼 bluejays 的回复:]
LZ是好人,祝早日升星
[/Quote]
+1
danran251689
2010-12-28
打赏
举报
回复
[Quote=引用 21 楼 tuo_bing 的回复:]
[/Quote]
接分
加载更多回复(30)
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)]=∫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]
Discuz!
新年快乐
主题模板安装指南
在当今互联网世界,一个功能完备且用户友好的论坛系统对于建立强大的在线社区至关重要。Discuz!是一个领先的开源论坛平台,它拥有数十年的发展历史和庞大的用户基础。这个系统以其丰富的功能、稳定的性能和灵活的扩展能力而闻名,为网站管理员和社区用户提供了强大的在线交流环境。
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
理解:交叉熵,KL散度,JS散度,散度
KL散度 = H(P,Q) - H(P) ≈ 0.08 bits(浪费的信息)这个词,源于拉丁语 “to diverge”(发散),但在两个领域引申出了不同的含义。在微分几何或信息几何中,这二者存在深层关联,但对初学者,需要的是严格区别这两者。就像“苹果(水果)”和“Apple(公司)”都叫 apple。:交叉熵等于真实分布P的熵加上P与Q之间的 KL 散度。它们都不是真正的距离,但都从不同角度量化了概率分布之间的“不一致”。二者都是信息论赠予我们的“分布显微镜”,看清数据背后的概率真相。
非技术区
7,776
社区成员
63,111
社区内容
发帖
与我相关
我的任务
非技术区
.NET技术 非技术区
复制链接
扫一扫
分享
社区描述
.NET技术 非技术区
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