-
9.6 嵌套函数
9.6 嵌套函数 9.6 嵌套函数 在此之前我们定义的函数都是全局函数，它们定义在全局作用域中，我们也可以把函数定义在另外的函数体中，称作嵌套函数 。 下面我们来看一个示例： func calculate ( opr : String )-> ( Int , Int )-> Int { ① ... -
空标题文档
8.1 什么是类型 类型是什么？这很难讲。{[要是抽象地来解释想必效果也一般 1。 1数学家伯特兰·罗素（Bertrand Russell）注意到对集合的定义会产生悖论，为了回避这一问题，他提出了类型理论。如果这样抽象地介绍，大家能理解么？ 类型是人们给数据附加的一种追加数据。计算机中保存的数据是由 on 和 off 或 0 和 1 的组合来表达的... -
3.1 从感知机到神经网络
3.1 从感知机到神经网络 3.1.1 神经网络的例子 3.1.2 复习感知机 3.1.3 激活函数登场 3.1 从感知机到神经网络 神经网络和上一章介绍的感知机有很多共同点。这里，我们主要以两者的差异为中心，来介绍神经网络的结构。 3.1.1 神经网络的例子 用图来表示神经网络的话，如图 3-1 所示。我们把最左边的一列称为输入层 ，最右边... -
6.3 Batch Normalization
6.3 Batch Normalization 6.3.1 Batch Normalization 的算法 6.3.2 Batch Normalization的评估 6.3 Batch Normalization 在上一节，我们观察了各层的激活值分布，并从中了解到如果设定了合适的权重初始值，则各层的激活值分布会有适当的广度，从而可以顺利地进行学习。... -
A.3 小结
A.3 小结 A.3 小结 上面，我们画出了 Softmax-with-Loss 层的计算图的全部内容，并求了它的反向传播。未做省略的 Softmax-with-Loss 层的计算图如图 A-5 所示。 图 A-5 Softmax-with-Loss 层的计算图 图 A-5 的计算图看上去很复杂，但是使用计算图逐个确认的话，求导（反向传播的步... -
1-3 第二步：设置发生“向店员询问”事件的条件概率
1-3 第二步：设置发生“向店员询问”事件的条件概率 1-3 第二步：设置发生“向店员询问”事件的条件概率 在这一步，我们要做的是：为“来买东西的人”和“随便逛逛的人”这两类顾客分别设定“向店员询问”的概率。如果没有相关经验和数据作为支撑，这项工作是无法完成的。上一节讲到，即使没有相关经验，也可以设定先验概率。但此处的“各个分类的行动概率”，必须是基于... -
第15讲 在获得信息之后，概率的表示方法
第15讲 在获得信息之后，概率的表示方法 15-1 运用“条件概率”来表示“贝叶斯逆概率” 第15讲 在获得信息之后，概率的表示方法 “条件概率”的基本性质 15-1 运用“条件概率”来表示“贝叶斯逆概率” 通过前面的讲义大家已经了解到：贝叶斯推理来说，最重要的观点是“获得信息之后，概率发生变化” 。用第2讲中的案例来具体解释，即：在癌症指标检... -
4.3 传递参数与参数类型
4.3 传递参数与参数类型 前面大刀阔斧地说了关于函数定义和使用，在这一节我们谈论一些细节但是重要的问题一一参数。对于在一开始就设定了必要参数的函数来说，我们是通过打出函数的名称并向括号中传递参数实现对函数的调用（call），即只要把参数放进函数的括号中即可，就像是这样： fahrenheit_converter(35)fahrenheit_conve... -
20-5 正态分布的多个观测值的平均值为正态分布
20-5 正态分布的多个观测值的平均值为正态分布 20-5 正态分布的多个观测值的平均值为正态分布 正态分布具有以下神奇的性质： 正态分布观测结果的平均值具有何种性质 根据平均值μ、标准偏差б的正态分布观测到n个数值，取平均值记为x ，即 x ＝（n个的观测值的和）÷n 此时的 x 也遵循正态分布，它的平均值和标准偏差分别为： 平均值...