00:00 / 01:34
连播
清屏
智能
倍速
点赞3022
00:00 / 04:53
连播
清屏
智能
倍速
点赞47
00:00 / 01:05
连播
清屏
智能
倍速
点赞2497
00:00 / 01:10
连播
清屏
智能
倍速
点赞13
00:00 / 02:37
连播
清屏
智能
倍速
点赞214
00:00 / 03:38
连播
清屏
智能
倍速
点赞21
00:00 / 02:45
连播
清屏
智能
倍速
点赞706
00:00 / 01:11
连播
清屏
智能
倍速
点赞29
00:00 / 00:55
连播
清屏
智能
倍速
点赞5
00:00 / 18:41
连播
清屏
智能
倍速
点赞7
00:00 / 04:55
连播
清屏
智能
倍速
点赞3
00:00 / 01:49
连播
清屏
智能
倍速
点赞47
00:00 / 04:43
连播
清屏
智能
倍速
点赞3
00:00 / 08:34
连播
清屏
智能
倍速
点赞261
00:00 / 04:13
连播
清屏
智能
倍速
点赞24
00:00 / 03:36
连播
清屏
智能
倍速
点赞196
第八讲 向量与矩阵的范数 本讲讨论了向量和矩阵的范数,介绍了不同类型的范数,包括向量的L1范数、L2范数和无穷范数。教授通过实例说明了如何使用不同类型的范数来衡量向量和矩阵的大小,强调了L1范数在压缩感知中的重要性。还探讨了矩阵的范数,特别是Frobenius范数和核范数,以及它们与深度学习的关系。 章节要点: 01:00 讨论了人们在面对不确定性时的决策行为,尤其是在掷硬币的游戏中。尽管硬币的概率是固定的,人们的决策往往仍然会偏离最佳策略,这揭示了人类直觉和行为的复杂性。 -通过掷硬币的例子,说明了人们在面对概率时的学习过程。起初,玩家可能会随机选择,但随着时间的推移,他们会意识到猜测正面朝上的概率更高,尽管仍然会偶尔选择背面朝上。 -讨论了人类和动物在长期决策中的行为模式。尽管最优策略是每次都猜测正面朝上,人们实际上在猜测时仍然会选择背面朝上,这一现象需要经济学家来解释其原因和影响。 - 提到的范数概念是理解数学中的重要工具,特别是在向量和矩阵的大小测量方面。范数在信号处理和压缩感知等领域中扮演着关键角色,反映了它们在实际应用中的重要性。 39:13 视频讨论了矩阵范数及其在深度学习中的重要性,特别是Frobenius范数的计算方式和与奇异值的关系。通过理解这些范数,有助于深入学习神经网络的优化过程和权重调整。 -通过最大化向量范数,可以得到其他的矩阵范数,例如奇异值σ1的计算方式。这种方法为矩阵的分析提供了新的视角,简化了复杂的计算过程。 -Frobenius范数是深度学习中一个非常重要的矩阵范数,其计算方式是矩阵中所有元素的平方和的平方根。理解这个范数及其与奇异值的关系,有助于优化神经网络的训练过程。 -视频提到的核范数与深度学习中的权重优化问题密切相关。在深度学习中,常常面临权重数量远多于样本数量的情况,这种现象为模型训练提供了多种可能的最小值。 #深度学习 #机器学习 #神经网络 #AI #线性代数
00:00 / 48:58
连播
清屏
智能
倍速
点赞25
00:00 / 10:43
连播
清屏
智能
倍速
点赞85