同济四版关于这个问题的思维跳跃太大，很不厚道！ 同济五版关于这个问题继续跳跃，直接给结论，就是不讲为什么，急死你！ 盼星星盼月亮终于等到了仍然在装的同济六版，但在P104留下了蛛丝马迹： 向左转|向右转 上面这段话中θ=0是关键点。因为θ=0时，方向导数（还是同济六版P104） 向左转|向右转 =| ...
分类：
其他好文 时间：
2017-08-20 11:21:37
阅读次数：
133
拉格朗日乘子法是一种寻找多元函数在一组约束下的极值方法，通过引入拉格朗日乘子，可将有m个变量和n个约束条件的最优化问题转化为具有m+n个变量的无约束优化问题。在介绍拉格朗日乘子法之前，先简要的介绍一些前置知识,然后就拉格朗日乘子法谈一下自己的理解。 一 前置知识 1.梯度 梯度是一个与方向导数有关的 ...
分类：
其他好文 时间：
2017-08-18 21:31:12
阅读次数：
298
设高度场由函数z=h(x,y)给出，则问题就是求此曲面的法线。 注：文中d代表偏导数。 方法一： 把z=h(x,y)看成山坡，则在点P(x,y)处，其爬坡方向由二维梯度给出 gradh=(dh/dx,dh/dy,0)。 即gradh在XY平面内，由低海拔指向高海拔。 另外根据“梯度的模等于方向导数” ...
分类：
其他好文 时间：
2017-08-09 23:56:35
阅读次数：
202
1. 基本概念 方向导数：是一个数；反映的是f(x,y)在P0点沿方向v的变化率。 偏导数：是多个数（每元有一个）；是指多元函数沿坐标轴方向的方向导数，因此二元函数就有两个偏导数。 偏导函数：是一个函数；是一个关于点的偏导数的函数。 梯度：是一个向量；每个元素为函数对一元变量的偏导数；它既有大小（其 ...
分类：
其他好文 时间：
2017-07-09 23:15:01
阅读次数：
240
查看原文请点这里 在看Ng的ml课程，第二课中讲的是梯度下降算法。所以把与梯度下降算法有关的数学知识复习整理了一下便于自己理解。相信在不断的深入学习中对gradient descent将会有更深更全面的了解，到时候我将不断补充本篇文章。 文件夹 微分导数方向导数梯度梯度下降算法梯度下降算法的应用 数 ...
分类：
其他好文 时间：
2017-06-03 11:21:05
阅读次数：
144
上段时间学习caffe，caffe的solver优化方法中涉及到梯度下降法。当时对梯度下降法的概念和原理都很模糊，就专门去学习了下，现在把自己的理解记录下来，一方面加深印象，一方面也方便随时查阅。如果有理解错误的地方，希望看到的予以指正，谢谢。 一、什么是梯度？梯度和方向导数的关系是什么？（简述，需 ...
分类：
其他好文 时间：
2017-01-17 00:13:23
阅读次数：
201
回归- Regression——————————————————————————————————————————回归- Regression
线性回归Linear regression
模型表示Model representation
代价函数Cost function
目标Goal
多项式回归
加权线性回归
一般线性回归
通用的指数概率分布
伯努利分布
高斯分布
微分与导数1
微分
导数
方向导数...
分类：
其他好文 时间：
2016-07-19 10:33:31
阅读次数：
181
1. 基本概念
方向导数：是一个数；反映的是f(x,y)在P0点沿方向v的变化率。
偏导数：是多个数（每元有一个）；是指多元函数沿坐标轴方向的方向导数，因此二元函数就有两个偏导数。
偏导函数：是一个函数；是一个关于点的偏导数的函数。
梯度：是一个向量。
2. 方向导数
反映的是f(x,y)在P0点沿方向v的变化率。
例子如下...
分类：
其他好文 时间：
2016-05-07 10:55:26
阅读次数：
152
2.1 Matrix derivative//这一节上的已经凌乱了……一点一点整理吧 首先，明确几个概念。 方向导数&梯度（滚混去看高数吧书上都有你上学期到底学了些屎） 定义就不说了，通俗的来说，方向导数是给定一个角度（或者一个单位向量e 表示为（cos a,cos b)a+b=pi/2）...
分类：
其他好文 时间：
2015-11-01 01:38:27
阅读次数：
252
图像边缘：经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用边缘临近一阶或二阶方向导数变化规律，用简单的方法检测边缘。这种方法称为边缘检测局部算子法。 在计算机中一般采用离散的方法来求，并不会进行求到，这就产生了最基本的图像处理算子——sobel算子。写了一半，占个坑。。。图片传不上...
分类：
其他好文 时间：
2015-06-02 00:07:43
阅读次数：
204
