小编Ami*_*mir的帖子

有人能够向我解释或指向一些资源,说明为什么(或情况下)神经网络中有多个隐藏层是必要或有用的？

我遵循了另一篇文章中定义自相关函数的建议:

def autocorr(x):
    result = np.correlate(x, x, mode = 'full')
    maxcorr = np.argmax(result)
    #print 'maximum = ', result[maxcorr]
    result = result / result[maxcorr]     # <=== normalization

    return result[result.size/2:]

但最大值不是"1.0".因此我引入了标有"<=== normalization"的行

我尝试了使用"时间序列分析"(Box - Jenkins)第2章数据集的函数.我希望得到像图的结果.那本书中的2.7.但是我得到了以下内容:

任何人都有这种奇怪的不期望的自相关行为的解释？

增加(2012-09-07):

我进入Python - 编程并执行以下操作:

from ClimateUtilities import *
import phys

#
# the above imports are from R.T.Pierrehumbert's book "principles of planetary 
# climate" 
# and the homepage of that book at "cambridge University press" ... they mostly  
# define   the
# class "Curve()" used in …

我在YouTube上看到了有关遗传算法的有趣视频.

正如你在视频中看到的那样,机器人学会了战斗.
现在,我已经研究了一段时间的神经网络,我想开始学习遗传算法.这种方式结合了两者.

你如何结合遗传算法和神经网络来做到这一点？
还有一个人如何知道在这种情况下你用来反向传播和更新你的权重并训练网络的错误？而且您认为视频中的节目如何计算其适应度函数？我想突变肯定发生在视频节目中,但是交叉呢？

谢谢!

我有一个目录/amp中RepoA和RepoB(与/放大器的内容填充最初).我想将/ampRepoA中的任何更改镜像 到RepoB.

可能吗 ？

PS:RepoA包含许多其他目录.我只想镜像/ amp dir.而RepoB只会有/ amp内容而不是其他内容.

我正在尝试为Python统计软件包实现自动区分(问题公式类似于优化问题公式).

计算图是使用运算符重载和工厂函数生成的,用于sum(),exp()等操作.我已经使用反向累加实现了梯度的自动微分.但是,我发现实现二阶导数(Hessian)的自动微分要困难得多.我知道如何进行单独的第二次部分梯度计算,但是我无法想出一种智能的方法来遍历图形并进行累积.有没有人知道那些为二阶导数或开源库提供自动微分算法的好文章,我可以尝试从中学习它们？

我想知道图像的Hessian矩阵提供了哪些信息？它是否提供稳定点的信息？什么是Hessian矩阵用于？

Hessian在优化神经网络的学习过程时,任何人都可以用一种简单且不太数学的方式向我解释什么是实践中的工作方式和工作方式？

有可能在http上有一个wss协议吗？我在一个与http合作的论坛上读过,但wss只适用于https？真的吗 ？

因为我试图在我的本地主机上测试它,但没有工作

我有一个约250个变量的数据框.不幸的是,所有这些变量都是从sql数据库中导入为字符类的sqldf.问题是:所有这些都不应该是字符类.有数字变量,整数,以及日期.我想构建一个运行在所有变量上的模型,为此我需要确保变量具有正确的类.一个接一个地做它可能是最好的,但仍然非常手动.

我怎么能自动纠正所有课程？也许是一种检测列中是否有字母字符或只有数字字符的方法？

我不认为自动方法可以完美地纠正所有课程.但它可能会纠正大多数类,然后是那些不好的类,我可以手动处理它们.

我正在添加一个sqldf标签,以防任何人在导入数据时知道如何纠正这个问题,但我认为这不是sqldf的错,而是数据库的错误.

忽略函数 f() 的可选返回值的首选方法是什么？

A）

foo, _ = f()

b)

foo = f()[0]

C）

def f(return_bar=True):
    if return_bar:
        return foo, bar
    else:
        return foo

foo = f(return_bar=False)