datawhalechina / leedl-tutorial Goto Github PK

如何解决RNN梯度消失或者爆炸
-其他方式
如果你说一般train的方法initiaed weight是(这个单词没懂)

上面没懂的单词应该是 random ，老师想说的是训练的时候权重初始化方法不是随机的而是用单位阵，使用RELU会有比较好的效果。

作业一参考代码链接
https://github.com/datawhalechina/Leeml-Book/tree/master/docs/Homework/HW-1
作业二参考代码链接
https://github.com/datawhalechina/Leeml-Book/tree/master/docs/Homework/HW-2

都已失效（指附在最后的参考代码链接）

https://datawhalechina.github.io/Leeml-Book/#/chapter3/chapter3

Description

在logistic回归那节里面

假设有两个分布 p 和 q，如图中蓝色方框所示，这两个分布之间交叉熵的计算方式就是 H(p,q)H(p,q)；交叉熵代表的含义是这两个分布有多接近，如果两个分布是一模一样的话，那计算出的交叉熵就是0

我认为更准确的说法是：当两个分布一模一样，计算出来的cross-Entropy等于entropy。在机器学习的分类问题里面，等于真实分布时，-1log(1)=0，其他项都是0，这时候才会出现cross-Entropy=Entropy=0的情况

chapter18有大量的公式错误

希望作者对笔记内容进行审校，有非常多的简单错误。

这句话明显说反了

https://datawhalechina.github.io/Leeml-Book/#/chapter1/chapter1

Description

感谢各位大神辛苦整理的笔记，真的受益很多，请问有2021年新增课程的笔记吗？

https://datawhalechina.github.io/Leeml-Book/#/

Description

如题

https://datawhalechina.github.io/Leeml-Book/#/

Description

本人在完成作业7图片聚类时遇到了困难，而且在网络上也几乎找不到参考…如果这个项目以后还会上线其余的作业就好啦：D

https://datawhalechina.github.io/Leeml-Book/#/chapter5/chapter5

Description

leeml note在线阅读地址无法正常访问，显示404，麻烦修复下

登录时回调报错，以下是回调链接：
https://datawhalechina.github.io/Leeml-Book/?error=redirect_uri_mismatch&error_description=The+redirect_uri+MUST+match+the+registered+callback+URL+for+this+application.&error_uri=https%3A%2F%2Fdeveloper.github.com%2Fapps%2Fmanaging-oauth-apps%2Ftroubleshooting-authorization-request-errors%2F%23redirect-uri-mismatch#/

参考Gitalk的Issue 162：gitalk/gitalk#162

补充描述报错情况：是在访问https://datawhalechina.github.io/leeml-notes/#/chapter3/chapter3?id=step-3%ef%bc%9a%e6%9c%80%e4%bd%b3%e6%a8%a1%e5%9e%8b-%e6%a2%af%e5%ba%a6%e4%b8%8b%e9%99%8d 时下拉至评论系统，点击登录时报错的

What's x_d and y_d?

https://datawhalechina.github.io/leeml-notes/#/chapter6/chapter6?id=%e8%87%aa%e9%80%82%e5%ba%94%e5%ad%a6%e4%b9%a0%e7%8e%87
公式错误

https://datawhalechina.github.io/Leeml-Book/#/

Description

如果能增加2019年关于GANs的部分会更好

https://datawhalechina.github.io/Leeml-Book/#/chapter40/chapter40

Description

如题。
梯度下降的理论基础 公式 (1) 应该是求当 L(θ) 取最小值的 θ 值，而不是最大值。

在创建线性回归的代码中，在给了w和b动态学习的代码那一块，更新参数的时候，应该是b_grad=b_grad-2.0*(y_data[n]-b-wx_data[n])1.0 而代码中写的是b_grad=b_grad-2.0(y_data[n]-n-wx_data[n])*1.0
基于-n的情况，在绘制最后的损失函数图的时候，图像不会去向X点

https://datawhalechina.github.io/Leeml-Book/#/chapter4/chapter4

Description

有没有整合的pdf啊，因为更习惯看pdf，可以自己标注重点啥的

https://datawhalechina.github.io/Leeml-Book/#/chapter20/chapter20

Description

这里应该出错了，应该是下面这样

还有这里应该是c_1 u^1 component 加上c_2 u^2 这个component

“所以”应该在句首

如题，只是单纯想问一下是否已经有资源

https://datawhalechina.github.io/Leeml-Book/#/chapter2/chapter2

Description

https://datawhalechina.github.io/Leeml-Book/#/chapter28/chapter28

Description

b_grad=b_grad-2.0*(y_data[n]-n-wx_data[n])1.0
应该是
b_grad=b_grad-2.0(y_data[n]-b-wx_data[n])*1.0

上下两个代码都错误了

https://datawhalechina.github.io/Leeml-Book/#/chapter29/chapter29

Description

非常感谢！

如果能更新李宏毅老师新的课程笔记就更好了。

https://datawhalechina.github.io/Leeml-Book/#/chapter11/chapter11

Description

https://datawhalechina.github.io/leeml-notes/#/chapter31/chapter31

Description

今天我们看到各式各样机器学习非常强大的力量，感觉机器好像非常的聪明，过去有个例子神马汉斯，聪明到可以计算数学题，甚至可以解开根号的问题。 人们觉得非常的惊叹，不要有任何的观众，让马来解决问题，之前他是学到了旁边人的反应，然后停下来踏蹄。 今天我们看到的机器学习成果，它真的那么聪明吗？会不会它跟汉斯一样，用了非常奇怪的方法来得到答案。

加粗部分，有内容遗漏，应该是 但是如果没有任何观众，让马来解决问题，马就会一直原地不停踏步。所以之前马能回答问题只是学到了旁边人的反应。 这类意思

笔记中说：根据斜率判定移动的方向
大于0 向右移动（增加w）
小于0 向左移动（减少w）
应该是
大于0 向左移动（减少w）
小于0 向右移动（增加w）

https://datawhalechina.github.io/Leeml-Book/#/chapter7/chapter7

Description

https://datawhalechina.github.io/leeml-notes/#/chapter5/chapter5?id=%e8%af%84%e4%bc%b0x%e7%9a%84%e5%81%8f%e5%b7%ae
假设 xx 的平均值是μ

根据原文，此处μ指的应该是中间值而非平均值

P38集成学习，Adaboost推导的最后一段。

对于分类错误的，用Z_(t-1)乘以exp(\alpha_t)乘以\epsilon_t，对于分类正确的就乘以exp(-\alpha_t)再乘以1-\epsilon_t。

😉

https://datawhalechina.github.io/leeml-notes/#/chapter10/chapter10

Description

https://datawhalechina.github.io/Leeml-Book/#/chapter2/chapter2

Description