- 博客(7)
- 收藏
- 关注
RSS订阅原创 Matplotlib3.10.5版本plt.plot内核崩溃的解决办法
在使用 Matplotlib 3.10.5 版本运行 plt.plot() 绘图时，可能会遇到 Python 内核意外崩溃（Kernel Crash）的问题。此问题通常表现为程序无预警退出或 Jupyter Notebook/Lab 内核重启。
2025-08-19 10:51:52
105
原创 LSTM结构的理解
LSTM门控机制通过遗忘门、输入门、候选记忆和输出门控制信息流动。输入词嵌入后，各门独立计算并更新细胞状态和隐藏状态。示例展示了"She is from China"序列的处理过程，详细说明了向量计算和状态更新机制。预测层训练采用交叉熵损失，通过反向传播调整权重。计算示例演示了词表概率预测和梯度传播过程，包括logits计算、softmax概率和参数梯度更新。整个系统通过门控机制实现长期依赖建模，有效解决了传统RNN的梯度消失问题。
2025-08-07 16:40:06
256
原创 解决ImportError: cannot import name ‘AutoML‘ from ‘flaml‘
这个命令会额外安装 Jupyter 相关的可视化依赖，确保 AutoML 在 Notebook 中正常运行。
2025-08-02 17:57:25
116
原创 从最大似然到交叉熵
摘要： 交叉熵损失函数在分类任务中广泛应用，其合理性可从最大似然估计和信息论两个角度解释。从最大似然出发，最小化负对数似然（NLL）等价于最大化模型预测概率；在one-hot标签下，NLL与交叉熵等价。信息论中，交叉熵衡量用预测分布编码真实分布的信息量，可分解为真实分布的熵与KL散度之和。KL散度非负性表明预测偏离真实时损失增大，即使正确类概率最高，若错误类概率过高仍会显著增加交叉熵。交叉熵通过惩罚整体分布偏差，促使模型更精准聚焦正确类别。
2025-07-30 16:43:36
597
原创 解决Pandas读取CSV错误 Error tokenizing data. C error: Expected * fields in line *, saw *
原因就是最后一行的列数多了一列。
2024-08-14 17:04:17
7748
原创 我的机器学习笔记1——KNN分类
用最大最小归一化的时候有点问题 x_normalized = [x/(x_diff) for x in x_val] 其中 x 应该要减去「最小值」的，可以通过 sklearn.preprocessing.MinMaxScaler 快速实现。这里用MinMaxScaler的时候要小心，需要用训练集的数据对测试集的数据做归一化。然后在用pcolormesh的时候，有两个方法，要么用np.repeat，要么再用遍meshgrid。问题2：数据的归一化问题。问题3：zip函数的使用。问题4：测试集的数据归一化。
2023-09-03 12:39:02
72
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人