- 综合排序
- 最热优先
- 最新优先
- 来自专栏产品经理的人工智能学习库
学习向量量化 – Learning vector quantization | LVQ
文章目录 什么是学习向量量化？ K邻近算法的缺点是你需要坚持整个训练数据集。 学习向量量化算法（或简称LVQ）是一种人工神经网络算法，允许您选择要挂起的训练实例数量，并准确了解这些实例应该是什么样子。 ? 学习矢量量化算法（简称LVQ） LVQ的表示是码本向量的集合。 百度百科版本 学习向量量化(Learning Vector Quantization,简称LVQ)属于原型聚类，即试图找到一组原型向量来聚类，每个原型向量代表一个簇，将空间划分为若干个簇，从而对于任意的样本
1.7K20发布于 2019-12-18 - 来自专栏三流程序员的挣扎
2022-11-11-工作
昨天的控件点击时通过外面，加个 listener。然后如果外部设定当前选中位置，也要刷新一下页面，所以刷新逻辑放到设置 textSelectedIndex 中去。
26730编辑于 2022-11-13 - 来自专栏每周聚焦
FaissPQ索引简介
索引召回率耗时暴力检索最优最差基于图的索引优优乘积量化次优优3.乘积量化3.1 向量量化在介绍乘积量化前，首先需要介绍向量量化的基本概念。 向量量化和信号编码的概念基本类似，就是将由连续值构成的向量xx从欧式空间映射到一个由有限离散值构成的集合C={c_i, i \in [1,l]}C=ci,i∈[1,l]中,定义该映射为qq,则q(x) 3.2 乘积量化 乘积量化的思路就是将向量分割成多段后，对每一段分别进行向量量化。 3.3 空间占用对比假设向量维度为D,向量量化的codebook大小为kk,存储codebook需要kDkD的空间;乘积量化每个分段只需要k^*k∗的codebook大小,存储codebook需要k^* 构建第一层的量化器q_cqc,codebook C_cCc,得到每个向量X的向量量化结果x_c=q_c(x)xc=qc(x) 2.
76210编辑于 2022-09-29 - 来自专栏机器之心
学界 | 分离特征抽取与决策制定，如何用6-18个神经元玩转Atari游戏
选自arXiv 机器之心编译 参与：路 本论文提出了一种在复杂的强化学习设置中同时又独立地学习策略和表征的新方法，通过基于向量量化和稀疏编码的两种新方法来实现。 这通过基于向量量化（Vector Quantization，VQ）和稀疏编码（Sparse Coding，SC）的两种新方法来实现，研究者将这两种方法分别称为「Increasing Dictionary 在该 episode 结束时，环境向优化器返回适应度分数（累计奖励，10）进行训练（神经进化，11）。压缩器训练（12）发生在生成阶段。 状态表征通过基于向量量化和稀疏编码的新算法生成，状态表征与网络一道接受在线训练，且能够随着时间不断扩大表征词典规模。我们还介绍了允许神经网络能和进化策略处理维度变化的新技术。
53200发布于 2018-07-30 - 来自专栏算法channel
机器学习常见的聚类算法(上篇)
in range(1,k+1): 9 # 求每个样本和每个向量之间的距离并找到最小距离 10 dij = dist(xi,uj) 11 3.2 学习向量量化 学习向量量化是一个监督学习的算法，但他的思想和一般的无聚类算法比较相似： 向量量化的思路是，将高维输入空间分成若干不同的区域，对每个区域确定一个中心向量作为聚类的中心，与其处于同一区域的输入向量可用该中心向量来代表
1.3K00发布于 2018-07-31 - 来自专栏静心物语313的Coding
第 11 节： 11-HttpHandler简介
1、新建--》项目--》选中Web项--》Asp.net空Web应用程序--》右键项目---》添加---》一般处理程序（这样建的网站是最好的方法，没有多余的代码生成） 2、新建--》网站--》Asp.net空网站（这是兼容ASP(VB语言 2000年的技术)开发方式）（不推荐用这种方式） 3、.ashx与ashx.cs文件 1）双击ashx文件会直接打开进入ash.cs文件。 2）类Test1实现了IHttpHandler 接口。IHttpHandler接口中的方法在类Test1中进行了重写（页面加载的过程应该是完成了：Shift+Alt+F10） 3）ashx文件中起作用的就是<....Class="Web.Test1">这个。 4）然后会调用这个Test1类中的方法ProcessRequest(HttpContext context):这个方法主要是处理页面的请求。 5）context.Response设置“响应”“context.Request获取“请求” 6）ashx.cs文件其实还是C#文件。网页逻辑编写。主要是这个文件
51010发布于 2020-03-24 - 来自专栏脑洞前端
每日一荐周刊 2019-11-11 - 2019-11-15
2019-11-15[网站] 有的什么我们需要在 Google Play 上下载软件，但是苦于没有通畅的网络(关于如何获取畅通的网络我在 2019-11-01 讲到，感兴趣可以看看)。 网站地址：https://apkpure.com/ 2019-11-14[技巧] 很多时候我们会看到一些英文的简写。 2019-11-13[技巧] 今天要分享的是关于 Bash 中历史记录那些事。 2019-11-12[技巧] dig 命令是常用的域名查询工具，可以用来测试域名系统工作是否正常。 ~ type dig # dig is /usr/bin/dig 2019-11-11[分享] 今天是双十一，大家剁手快乐。
43510发布于 2019-11-26 VQ-VAE：离散表征学习的图像压缩利器
具体表现为： 模糊性：生成的图像往往模糊，缺乏细节 表征效率低：连续表征难以精确捕捉数据的本质特征 VQ-VAE 的创新点 VQ-VAE 提出了 ** 向量量化 (Vector Quantization 向量量化 (Vector Quantization) 这是 VQ-VAE 的核心步骤。 对于编码器输出的每个向量\(z_e(x)\)，向量量化过程找到码本中最近的向量\(e_j\)： \(e_j = \arg\min_{e_i\in E} \|z_e(x) - e_i\|^2\) 然后用这个最近的码本向量 基础知识准备 熟悉变分自编码器 (VAE) 的原理 理解向量量化的基本概念 掌握深度学习的基本原理和常用框架 (如 PyTorch、TensorFlow) 2. 模型优化 探索不同的码本设计方法，提高表征效率 研究如何优化向量量化过程，减少计算复杂度 开发更高效的损失函数，提升模型性能 2.
1.3K10编辑于 2025-10-14- 来自专栏flytam之深入前端技术栈
leetcode 11
题目大意，给n个点，在一个数轴上。每个点对x轴作垂线，找出由两条垂线和X轴组成的一个“容器”的装的水面积最大。就是两条垂线较小的高度*两垂线高度的面积最大。 1、暴力做法 两两遍历。显然是会超时的 2、思路一 从左到右，找出以每一个点所在的垂线作为较矮的高度时候的最大面积，把每个点的垂线作为最大面积一一比较即可。也就是一个点分别往左扫和往右扫。
39910发布于 2020-01-14 - 来自专栏ops技术分享
openstack（11）
服务需求：在配置 OpenStack 身份认证服务前，必须创建一个数据库及权限授权。
60440发布于 2021-05-06 - 来自专栏机器之心
学界 | 面向无监督任务：DeepMind提出神经离散表示学习生成模型VQ-VAE
选自arXiv 机器之心编译 参与：路雪、李泽南 DeepMind 最近提出的 VQ-VAE 是一种简单而强大的生成模型，结合向量量化和变分自编码器学习离散表示，实现在图像识别、语音和对话等任务上的无监督学习 该模型依赖于向量量化（vector quantization，VQ），易于训练，不会出现大的变量，避免「后验崩溃」（posterior collapse）问题，该问题通常由被忽略的隐变量引起，对很多具有强大解码器的 这篇论文介绍了 VQ-VAE，该模型使用离散隐变量，受向量量化的启发用一种新的方式进行训练。后验和先验分布是明确分类的，从这些分布中提取的样本可通过嵌入表进行索引。 我们提出了向量量化-变分自编码器（Vector Quantised-Variational AutoEncoder，VQ-VAE），它与 VAE 在两个关键的方面存在不同：1. 为了学习离散隐变量表示，我们吸收了向量量化（VQ）的思路。使用 VQ 方法可以让模型绕过「后期崩溃」的问题——隐变量在遇到强大的自回归解码器时被忽略，这种问题通常会在 VAE 框架中出现。
1.6K40发布于 2018-05-10 - 来自专栏网络收集
JavaScript（11）
表1 用于获日期时间的getXxx 方法 说明 getFullYear() 返回一个表示年份的4位数字 getMonth() 返回值是0（一月）到11（十二月）之间的一个整数 getDate
36920编辑于 2022-04-06 - 来自专栏技术杂记
Gin 11
- 16:14:57 | 400 | 1.487198ms | 192.168.56.105 | POST /loginJSON [GIN] 2018/07/11 - 16:15:12 181.733µs | 192.168.56.105 | POST /loginForm [GIN] 2018/07/11 - 16:15:34 | 400 | 368.599µs | | POST /loginForm [GIN] 2018/07/11 - 16:16:17 | 200 | 140.609µs | 192.168.56.105 | POST /loginForm [GIN] 2018/07/11 - 16:18:09 | 400 | 225.385µs | 192.168.56.105 | POST /loginForm of 18 bytes < HTTP/1.1 400 Bad Request < Content-Type: application/json; charset=utf-8 < Date: Wed, 11
63120发布于 2021-08-10 - 来自专栏从小白开始修炼
【C++11】C++11——包装器
function包装器 1.function包装器概念 function包装器也叫做适配器，C++11中的function本质是一个类模板，也是一个包装器。
66120编辑于 2023-10-15 - 来自专栏萝卜要加油
每日 Hacker New 热点-2025-11-11
程序员们，11 月又在捣鼓啥新项目？ 链接[7] | 评论[8] Hacker News 经典问答帖回归！ 链接[11] | 评论[12] 一篇幽默悼文宣告 XSLT（XML 样式表语言）的“死亡”，称其语法反人类、调试像解谜，早该被 JSON 和现代模板引擎取代。 id=45866224 [5]链接: https://krebsonsecurity.com/2025/11/drilling-down-on-uncle-sams-proposed-tp-link-ban id=45870863 [11]链接: https://xslt.rip/ [12]评论: https://news.ycombinator.com/item? id=45873434 [13]链接: https://heatherburns.tech/2025/11/10/time-to-start-de-appling/ [14]评论: https://news.ycombinator.com
38210编辑于 2025-11-14 - 来自专栏AI科技大本营的专栏
干货 | 上手机器学习，从搞懂这十大经典算法开始
▌ 7 - 学习向量量化 K-最近邻算法的一个缺点是你需要使用整个训练数据集。而作为人工神经网络，学习向量量化算法（简称LVQ）允许你选择训练实例的数量，并能准确地学习这些实例所应有的特征。 学习向量量化 学习向量量化算法所表示的是码本向量的集合。这些向量在初始化的时候随机选择出来，并在学习算法的多次迭代中优化成最能概括训练数据集的集合。 如果K-最近邻算法在你的数据集上已经给出了很好的预测结果，那么可以尝试用学习向量量化算法来减少整个训练数据集的内存存储需求。 https://towardsdatascience.com/a-tour-of-the-top-10-algorithms-for-machine-learning-newbies-dde4edffae11
1.1K100发布于 2018-04-27 - 来自专栏Android 开发者
聚焦 Android 11: Android 11 应用兼容性
作者 / Android 产品经理 Diana Wong 在往期 #11WeeksOfAndroid 系列文章中我们介绍了 联系人和身份 、 隐私和安全 ，本期将聚焦 Android 11 兼容性 。 Android 11 兼容性 本期我们将重点探讨 Android 11 兼容性这一对所有开发者都非常重要的主题。 请继续阅读，详细了解我们如何简化 Android 11 中的应用测试和调试流程。 适于测试平台变更的新工具 和往年的更新一样，Android 11 的一些平台变更可能会影响您的应用。 我们希望这些工具能帮助您更轻松地测试 Android 11 应用兼容情况。
2K10发布于 2020-10-16 - 来自专栏数据猿
大数据投融资周报（11月5日——11月11日，共15起）
来源：数据猿 作者：abby 本周大数据领域共发生15起投融资事件，其中包括7家中国企业、7家美国企业以及1家芬兰企业，涉及领域包括金融、机器学习、人工智能等多个领域，以下为您奉上本周投融资周报。 来源：数据猿
57490发布于 2018-04-20 - 来自专栏sktj
Kubernetes(11:打包)
-clusterrole=cluster-kubectl patch deploy --namespace kube-system tiller-deploy -p '{"spec":{" 结果如图11
49320发布于 2019-09-24 - 来自专栏python3
python学习(11)
位置参数 传入参数顺序 、个数必须一致 def add(a,b): return a + b
43510发布于 2020-01-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号