我正在尝试用theano计算神经网络上的恒河。因此，一种解决方法是将权重矩阵压平成一个向量，然后计算出恒河，等等。一旦我完成了以扁平的形式更新我的权重矩阵，我需要用原始的维度重建我的权重矩阵，m x n说。
使用theano语法做这件事最有效的方法是什么？
浏览 2提问于2015-10-29得票数 0
1回答
当我试图用R中的空间包计算一个距离矩阵和相应的权重矩阵时，我会遇到以下问题(找到一个可复制的示例)：> is.numeric(distmatrix)> is.numeric(weights)为了继续进行估计，I需要权重矩阵为数值R告诉我，分布式矩阵</
浏览 0提问于2015-06-17得票数 1
考虑到分类器接受权重(我已经给了它)，我应该仍然使用加权kappa还是只使用标准kappa？老实说，我不完全确定有什么区别。
浏览 0提问于2020-10-07得票数 2
1回答
根据Andrew关于反向传播()的注释，只计算隐藏层(n-1到2)的增量值。然后，这些增量被累积并用于更新权重矩阵。
是否更新了第一层的矩阵？
浏览 1提问于2016-03-12得票数 0
回答已采纳
1回答
感知学习规则
、、
我是机器学习和数据科学的新手。通过花一些时间在网上，我能够相当好地理解感知器学习规则。但我仍然不知道如何将它应用于一组数据。例如，我们可能分别有以下x_1、x_2和d值：-
我认为我们需要遵守这些规则。
\text{ If} y_i
浏览 0提问于2019-02-07得票数 3
3回答
我们得到一个加权图G和它的最短路径距离的矩阵Δ。因此，Δ(i，j)表示从i到j最短路径的权重(i和j是图的两个顶点)。初始给定的增量包含最短路径的值。突然，边E的权重从W减少到W‘。(图的顶点的n=number)问题不是再次计算具有最佳O(n^3)复杂度的所有对最短路径。问题是更新增量，这样我们就不需要重新计算所有对的最短路径。
更清楚的是:我们只有一个图和它的增量矩阵。增量矩阵只包含最短路径的值。现在我们想要根据图中的变化来更新增量矩阵:减少边<em
浏览 2提问于2010-12-17得票数 4
1回答
就像第一层，第二层，第三层等等，所有层的神经元和层中的神经元之间的权重，它们是如何连接的等等。
我不想要大的东西，我只想让它们在矩阵中显示，因为我实际上不能用手指把整个网络表示成相互关联的矩阵。即使矩阵是2x2，也很好，我只想有一个例子来构建。
浏览 0提问于2014-04-04得票数 0
回答已采纳
1回答
运行具有多个响应和权重的lm
、、、、
我必须用相同的模型矩阵来拟合一个线性模型，以适应多个响应。通过将响应指定为矩阵而不是向量，在R中可以很容易地做到这一点。这样计算是非常快的。
现在，我还想在模型中添加与响应的准确性相对应的权重。因此，对于每个响应向量，我也需要不同的权重向量。然而，lm只允许输入权值作为向量，而不是矩阵。因此，我无法在批处理中输入权重，必须对每个响应分别运行lm。这样，计算就会慢得多。
浏览 3提问于2013-03-08得票数 1
4回答
我试图把一个神经网络函数推广到任意多个层次，所以我需要多个矩阵来保持每个层中每个神经元的权重。我最初是在R中显式声明矩阵对象，以保持每一层的权重。不是每个层有一个矩阵，而是想出了一种方法(不是说它是原始的)，将所有的权重存储在一个数组中，并定义了一个“索引函数”来将权重映射到数组中的适当索引。现在的问题是:以这种方式计算权重的指数是否更有效，还是实际上效率较低？在查看了数组的索引是如何计算的之后，这基本上就是编译时所
浏览 2提问于2018-03-05得票数 10
回答已采纳
1回答
我想计算投资组合的方差：weights = np.array([.3,.7]).reshape(1,2)correl = np.array([[[1,.4],[.4,1]],[[1,.6],[.6,1]]])有没有一种方法可以选择(2,2,2)张量的轴来乘以子矩阵？
浏览 20提问于2018-05-31得票数 0
2回答
H矩阵由H = J.transpose() * W * J计算，b由b = J.transpose() * (W * e)计算，其中e是误差向量。这里的Jacobian是一个n乘以6的矩阵，其中n是以千为单位的矩阵，并且在迭代过程中保持不变，而W是一个n乘以n的对角线权重矩阵，它将在迭代中改变(一些对角线元素将被设置为零)。当我不添加权重矩阵W，即H = J.transpose()*J和b = J.transpose()*e时，我的高
浏览 15提问于2017-07-06得票数 6
我使用CountVectorizer来创建共现矩阵的稀疏矩阵表示。如何有效地告诉CountVectorizer使用我拥有的权重向量？
浏览 2提问于2018-08-17得票数 1
回答已采纳
在我正在编写的一个教程中(链接如下)，作者概述了基线神经网络结构：最大范数的权重约束意味着什么
浏览 17提问于2017-08-31得票数 14
回答已采纳
我在python中使用tensorflow来构建一个简单的回归神经网络，我想提取权重和偏差，以便在另一个程序中使用它们。有人能指出如何从tf神经网络中提取权重，并在tensorflow神经网络训练完成后，通过简单的矩阵乘法和加法从相同的权重计算预测。同样，这种计算是否会改善预测时间(因为tf.predict会做一些额外的计算)？
浏览 36提问于2019-01-19得票数 0
它获取一个矩阵作为输入，并根据它自己的方法计算每一行的权重。问题是矩阵中的一些值是空的，导致计算每一行的权重不一致。有没有人对此有任何想法，或者有人知道一个好的论坛，在那里我可以问我的问题。
浏览 1提问于2014-01-28得票数 0
1回答
我试图计算一个图的拉普拉斯矩阵。我计算了邻接矩阵的稀疏表示，该矩阵存储在一个具有维数Nx3的文本文件中。N节点大小(第一节点jth节点权重)。下一步是计算这个稀疏矩阵的度矩阵，以便执行L = D - adj操作。如何计算以图的稀疏邻接矩阵为输入的度矩阵？为了计算度矩阵，我计算每个节点的度：
for i=1:n % size of
浏览 3提问于2014-06-19得票数 0
回答已采纳
x = torch.relu(self.fc2(x)) return x
我知道我可以访问每一层的权重(即边缘)：然而，我试图创建一个函数，从整个网络中随机选择一个神经元，并输出它的内部连接(即从前一层连接到它的边/权值)和它的外连接(即从它到下一层的边缘/权重)。
浏览 1提问于2021-11-11得票数 1
回答已采纳
1回答
我从几篇文章中了解到，要计算滤波器的梯度，只需以输入体积作为输入，以误差矩阵为核心进行卷积。在此之后，您只需将滤波器的权重减去梯度(乘以学习速率)即可。我实现了这个过程，但它不起作用。我甚至尝试用笔和纸做反向传播过程，但是我计算的梯度并不能使过滤器表现得更好。所以我是不是理解错了整个过程？1，0，11，0，01，0输出将是(应
浏览 1提问于2019-05-14得票数 0
回答已采纳
因此，第一层权重矩阵的形状为(1,000,000,512)。这个重量矩阵太大了，不能储存在一个盒子里。卡维曼给出的解决方案似乎是合理的，我将在尝试后更新结果。
浏览 1提问于2016-07-13得票数 5
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
