- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 11-7 RBF核函数
在上一小节详解介绍了什么是核函数，并且以多项式核函数为例介绍了核函数的实际含义。本小节具体来介绍另外一种比较特殊的核函数：高斯核函数，高斯核函数是在SVM算法中使用最多的一种核函数。 a 什么是高斯核函数？ 通常我们会将核函数表示成函数 K(x, y)，其中 x, y 为两个样本点的特征向量，核函数表示的就是重新定义后的 x 和 y 的点乘。高斯核函数的定义如下所示： ? ，所以高斯核函数中为 x-y 对应膜的平方； 通过对比高斯函数（正太分布函数）和高斯核函数它们之间的关系能够帮助我们更好的记忆高斯核函数的表达式。 高斯核函数被称为RBF核（Radial Basis Function Kernel），中文也称为径向基核函数。高斯核函数、RBF核和径向基核函数代表的是同一个函数。 对比与原本的高斯核函数，此时高斯核函数中原来 y 的位置被固定成了两个地标 l1 和 l2。实际上我们的高斯核函数如下所示。 ?
6.3K30发布于 2020-10-09 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-6 到底什么是核函数
在上一小节具体的编程实践中看到，在SVM算法中有一个非常重要的概念叫做核函数。本小节以简单的多项式核函数为例介绍什么是核函数。 a 什么是核函数？ SVM算法的本质就是求解下面这个最优化问题： ? 核技巧的称呼还是比较准确的，因为即便是不使用核函数也完全能够达到同样的效果，引入核函数更像是一个数学技巧。 b 多项式核函数 为了能够更清晰的理解核函数，下面以多项式核函数为例，看看这个核函数是如何运作的。二次多项式核函数的定义如下所示。 ? 其中x和y是两个向量。 当然也可以使用核函数来表示线性SVM，此时的核函数就非常简单了，就是原来的x与y的点乘，这也被称为线性核函数。 ? ▲核函数 理解了核函数的概念，可以提出很多不同的核函数，这些核函数对应不同的原始样本的转换，其中最为著名的一个核函数就是高斯核函数。
1.9K20发布于 2020-08-10 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-8 RBF核函数中的gamma
a 高斯核中的gamma 高斯核函数和概率论中的高斯函数（正太分布）形式是一致的。 高斯核函数中的gamma越大，相对高斯函数中的σ越小，此时的分布曲线也就会越高越瘦； 高斯核函数中的gamma越小，相对高斯函数中的σ越大，此时的分布曲线也就越矮越胖； 接下来使用sklearn中核函数为高斯核函数的 本小节SVC分类算法使用的核函数都是高斯核函数，因此只需要在实例化SVC类的时候指定kernel = "rbf"以及gamma为用户调用函数时传入的gamma值； 接下来就可以利用这个函数来实例化一个核函数为高斯核的 上图所示的就是使用高斯核且当gamma = 1.0时候得到的决策边界。此时得到的决策边界和多项式核函数得到的决策边界并没有什么区别，这是因为取gamma = 1.0还看不出来核函数为高斯核的特点。 【技术干货】详解 Linux 中的硬链接与软链接 【数据分析】详解 matplotlib 中的两种标注方法 【机器学习】机器学习入门 11-6 到底什么是核函数 【机器学习】机器学习入门 11-7
5.8K51发布于 2020-10-26 - 来自专栏KI的算法杂记
SVM系列（二）：核方法概述---正定核以及核技巧
2.正定核 我们所说的核函数大部分都是正定核。在下面的探讨中，输入空间为 ， 。 2.1定义 正定核的定义有两种： •对于 ，若存在一个函数 ，使得 ，则称 为正定核函数•对于 ，如果 满足对称性以及正定性，则我们也称 为正定核函数 对第一条定义的说明：我们要将低维样本映射到高维 ，则我们需要一个映射函数，如果我们能够找到一个 函数，使得我们定义的 恰好是两个高维样本 的内积，则 就是一个正定核函数。 而在定义二中，我们只需要自己定义一个函数K，然后取任意N个样本，联合K求它们的Gram矩阵，只要该矩阵满足半正定性质，那么我们定义的函数K就是一个正定核函数。 3.核技巧 什么是核技巧？ 4.常见的核函数 伟大的前人已经帮我们定义好了很多的核函数，常见的有：
1.7K10编辑于 2022-07-29 - 来自专栏Debian中国
Intel 第 11 代核显型号曝光：13个版本 最多64单元
Intel 最近为其 10 亿级用户的核芯显卡真是操醉了心，一方面进一步公布了 第 11 代核显的架构细节 ，另一方面升级驱动程序带来了全新的控制中心 。 而在对新驱动进行了一番挖掘之后，赫然发现 Intel 已经将第 11 代核显的诸多型号隐藏在了其中，显然硬件部分已经 OK，进入了驱动开发阶段。 Intel 将跳过第 10 代，直接奔向第 11 代，架构规格都会有翻天覆地的变化。 11 代核显将全面用于 Intel 10nm 处理器，包括 主流桌面的 Ice Lake、3D 封装超低功耗的 Lakefield，以及新近发现的低功耗 Elkhart Lake。 Intel 新驱动中就赫然列出了 Ice Lake(ICL)、Lakefield(LKF) 所搭载的第 11 代核显的型号乃至是执行单元核心规格，分别有 9 个和 4 个不同版本，总计达到了 13 个，
1.3K10发布于 2020-01-21 - 来自专栏DeepHub IMBA
线性回归，核技巧和线性核
然后我将解释什么是核函数和线性核函数，最后我们将给出上面表述的数学证明。 Input data") axes[0, 0].plot(X_, true_y, '--', label='True linear relation') axes[0, 0].set_xlim(0, 11 以下是一个核函数示例： kernel从m维空间创建m^2维空间的第一个例子是使用以下代码: 在核函数中添加一个常数会增加维数，其中包含缩放输入特征的新特征: 下面我们要用到的另一个核函数是线性核函数: 实际上还有很多其他有用的核，比如径向核(RBF)核或更一般的多项式核，它们可以创建高维和非线性特征空间。 Input data") axes[0, 0].plot(X_, true_y, '--', label='True linear relation') axes[0, 0].set_xlim(0, 11
53030编辑于 2023-11-10 - 来自专栏机器学习算法与理论
核技巧
内积公式 高斯核，线性核，多项式核 而由于高斯核（径向基函数的高斯版本）是 ? 高斯核 高斯核能够基于向量的距离输出一个标量。内积的形式是向量相乘，得到单个标量或者数值，即维度一致，对应相乘相加即可。 （这就是核技巧） 这样的指数形式，故可以用泰勒展开式展开成无穷级数的形式，每一项的x前系数都不同，而这里也就对应着其特征的不同。
1.4K60发布于 2018-04-10 - 来自专栏计算机视觉理论及其实现
核方法
令 为核函数 对应的再生核希尔伯特空间， 表示 空间中的h函数，对于任意单调递增函数 和任意非负损失函数 ，优化问题 表示定理对损失函数没有限制，对正则化项 仅要求单调递增，甚至不要求 是凸函数，意味着对于一般的损失函数和正则化项，优化问题的最优解 都可表示为核函数 的线性组合；这显示出核函数的巨大威力 人们发展出一系列基于核函数的学习方法，统称为“核方法”(kernel method)。最常见的，是通过“核化”(即引入核函数)来将线性学习器拓展为非线性学习器。 下面我们以线性判别分析为例来演示如何通过核化来对其进行非线性拓展，从而得到“核线性判别分析”(Kernelized Linear Discriminant Analysis，简称KLDA)。 把 作为(6.57)中的损失函数l，再令 ，由表示定理，函数h(x)可写为 于是由式(6.59)可得 令 为核函数 所对应的核矩阵， ，令 为第 类样本的指示向量，即
1.6K10编辑于 2022-09-03 - 来自专栏人人都是极客
A核与M核异构通信过程解析
一、 硬件层通信实现原理 二、驱动层Virtio下RPMsg通信实现 三、应用层双核通信实现方式 现在越来越多的产品具有M core和A core的异构架构，既能达到M核的实时要求，又能满足A核的生态和算力 TXVring区发送数据，从RXVring区读取接收数据，A核反之。 处理器支持消息传递单元（MessagingUnit，简称MU）功能模块，通过MU传递消息进行通信和协调，M核和A核之间通过寄存器中断的方式传递命令，最多支持4组MU双向传递消息，既可通过中断告知对方数据传递的状态 RPMsg消息框架是Linux系统基于Virtio缓存队列实现的主处理核和协处理核间进行消息通信的框架，当客户端驱动需要发送消息时，RPMsg会把消息封装成Virtio缓存并添加到缓存队列中以完成消息的发送 在驱动层，对A核，Linux采用RPMsg框架+Virtio驱动模型，将RPMsg封装为了tty文件供应用层调用；在M核，将Virtio移植，并使用简化版的RPMsg，因为涉及到互斥锁和信号量，最终使用
1.3K40编辑于 2023-08-23 - 来自专栏林德熙的博客
WPF 的 WriteableBitmap 在 Intel 11 代 Iris Xe Graphics 核显设备上停止渲染
在 Intel 11 代锐炬 Intel® Iris® Xe Graphics 核显设备上，如果此设备使用旧版本驱动，则可能导致 WPF 的 WriteableBitmap 停止渲染。 且最新驱动版本已修复 官方问题记录地址：https://www.intel.cn/content/www/cn/zh/support/articles/000058136/graphics/graphics-for-11th-generation-intel-processors.html DeviceID 排列： 4C8A 为 i9-11900K 11900 11900T i7-11700K 11700 11700T i5-11600K 11600 11600T 11500 11500T 的核显 1120G4 1115GRE 1115G4E 1115G4 1110G4 的核显 显示为 Intel(R) UHD Graphics 9A68 为 i5-11400H 11260H i3-11100HE i5-11320H 11300H 1155G7 1145GRE 1145G7E 1145G7 1135G7 的核显 显示为 Intel(R) Iris(R) Xe Graphics 9A40 为 i7
77710编辑于 2024-01-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-5 SVM中使用多项式特征和核函数
本小节主要介绍两种能够使SVM算法解决非线性数据集的方法，使用多项式特征以及使用多项式核函数。 c 使用多项式核函数的SVM 对于SVM算法来说，可以不使用多项式特征的方式，即先将原始数据集转换为高维的且有多项式特征的数据集，然后使用线性SVM算法对转换后的数据集进行分类。 SVM算法有一个特殊的方式可以直接使用这种多项式的特征，这种特殊的方式就是多项式核函数。 使用多项式核函数的SVC算法具体分为两个步骤： 实例化标准化类，将数据标准化的步骤命名为"std_scaler"； 实例化SVC类，在实例化的时候传入kernel参数，并将kernel参数设置为"poly 绘制使用多项式核函数的SVM算法的决策边界。 ? 使用多项式特征的SVM算法和使用多项式核函数的SVM算法对应的决策边界不一样，说明两种方法的实现有所不同。
3.5K30发布于 2020-07-08 基于yolov11使用大卷积核UniRepLKNet替换backbone的python源码+训练源码
本文提出了一个子模块叫Dilated Reparam Block，这个模块中除了大核卷积以外，还用了并行的膨胀卷积，而且利用结构重参数化的思想，整个block可以等价转换为一个大核卷积。 在大卷积核的加持下，我们可以用很少的大卷积核就实现足够的有效感受野。如果我们还遵循传统CNN的堆叠卷积核的设计范式，会有哪些不对劲的地方？ 感受野可能过大了。这个问题不只是浪费算力而已。 那我们应该遵循怎样的原则去设计大卷积核CNN架构？我们的回答是解耦上述三种要素，需要什么效果就用对应的结构来实现。我们能够实现这样的解耦，正是大卷积核的本质优势所保证的。 用少量大卷积核保证大感受野。 用depthwise 3x3等小卷积提高特征抽象层次。 本文提出了一个子模块叫Dilated Reparam Block，这个模块中除了大核卷积以外，还用了并行的膨胀卷积，而且利用结构重参数化的思想，整个block可以等价转换为一个大核卷积。
25610编辑于 2025-07-22- 来自专栏用户7494468的专栏
FPGA设计心得（11）关于FIFO IP核使用的一点注意事项
还是FIFO IP核？这也需要写总结吗？太容易了吧。如果我是一个正在处于面试找工作中的年轻人，肯定关注的是如何手撕FIFO，这也是当时校招时候干过的事情。 但是作为一个FPGA工程师，我们更常使用的是FIFO的IP核，或者必然使用的是FIFO IP核，简单快捷优化。 使用FIFO IP核的时候，或者设计电路使用FIFO IP的时候，对于新手或者不是精通的情况下，个人建议一点是对自己定制的FIFO仿真一下（或者严格遵守数据手册），做到时序关系清晰后，再设计电路。 下面讲解几点关于FIFO IP核使用时的注意事项，想到哪里到哪里! 位宽转换 分布式ram资源的FIFO不能变换位宽 ? ? Block RAM资源可以变化位宽 ? ? 因此，对于这种情况，我们有两个选择：一是看数据手册；二是自己仿真自己定制的IP核，看清时序后设计电路。
3K30发布于 2020-09-17 - 来自专栏开源小分队
核污水与核废水的区别是什么？
8月24日，日本政府不顾国际社会反对，一意孤行地将福岛核污水排放到大海。 核污水与核废水的区别 日本政府就在国际上玩文字游戏，要把他们排放的核污水，称为“核废水”。 核污水，就是直接被“融化的反应堆”污染过的水，由于受到沾染而具有高度放射性。 排放污水的影响 将核污水排入海洋，海洋里的生物会吸收排放的核污水，核污水中的放射性物质会不断被海洋生物摄入，在海洋生物体内造成积累，人类再去吃这些海洋生物，污染物就会进入人类体内，且难以清除。 福岛核污水从排放之日起，57天内放射性物质就将扩散至太平洋大半区域，3年后美国和加拿大就将遭到核污染影响，10年后蔓延全球海域。 按照日本的说法，他们已经使用ALPS对核污水进行了无害化处理，经过处理后的核污水中，除了氚之外的绝大部分放射性元素都可以清除，氚浓度也将稀释到日本国家标准的1/40。
74610编辑于 2023-09-21 基于yolov11引入可改变核卷积AKConv的python源码+训练源码
[可改变核卷积AKConv介绍] AKConv的主要思想：AKConv（可变核卷积）主要提供一种灵活的卷积机制，允许卷积核具有任意数量的参数和采样形状。 AKConv的改进点： 灵活的卷积核设计：AKConv允许卷积核具有任意数量的参数，这使得其可以根据实际需求调整大小和形状，从而更有效地适应目标的变化。 初始采样坐标算法：针对不同大小的卷积核，AKConv提出了一种新的算法来生成初始采样坐标，这进一步增强了其在处理各种尺寸目标时的灵活性。 适应性采样位置调整：为适应目标的不同变化，AKConv通过获得的偏移量调整不规则卷积核的采样位置，从而提高了特征提取的准确性。 个人总结：总的来说，AKConv通过其创新的可变核卷积设计，为卷积神经网络带来了显著的性能提升。其能够根据不同的数据集和目标灵活调整卷积核的大小和形状，从而实现更高效的特征提取。
35310编辑于 2025-07-18- 来自专栏7DGroup
性能基础之CPU、物理核、逻辑核概念与关系
基础概念 CPU( CentralProcessingUnit): 中央处理单元，CPU不等于物理核，更不等于逻辑核。 逻辑核( logical core/processor，LCPU): 在同一个物理核内，逻辑层面的核。 逻辑核也一样，物理核通过高速运算，让应用程序以为有两个cpu在运算）。 高速在这两个逻辑核之间切换，让应用程序感知不到这个间隔，误认为自己是独占了一个核。 关系: 一个CPU可以有多个物理核。如果开启了超线程，一个物理核可以分成n个逻辑核，n为超线程的数量。 当然，拥有2个双核处理器仍然比单核处理器更好，但更好的是拥有一个四核处理器。 在操作系统级别，物理四核处理器将显示为4 cpu计算机。但这些将是4个逻辑CPU或非物理LCPU。
19.9K84发布于 2019-07-17 - 来自专栏Windows技术交流
低版本Windows Server无法突破vCPU核数＞128，Server2019要支持128＜vCPU核数＜256的话，需要补丁状态≥2022年11月
2022/2025，这样能更好地利用算力，参考https://cloud.tencent.com/developer/article/2390639 低版本Windows Server无法突破vCPU核数 ＞128，Server2019要支持128＜vCPU核数＜256的话，需要补丁状态≥2022年11月，目前更建议使用Server2022（Server2025有一些显卡驱动兼容性问题）。 低版本Windows Server系统微软不管了，比如2012R2、2016，无法突破vCPU核数＞128，会蓝屏，可能报错0xc0000001 微软2022年11月才对2019系统发了补丁支持128＜ vCPU核数＜256，补丁如果低于KB5019966可能报错0xc0000001、hal memory allocation。 2022系统对128＜vCPU核数＜256正常，是因为微软在2022上对cpu topology进行了重构。 总之，对于64＜vCPU核数＜256的高配机器建议≥2022的系统。
39020编辑于 2025-06-20 - 来自专栏全栈程序员必看
QuartusII添加IP核
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
2.8K30编辑于 2022-11-04 - 来自专栏智能算法
SVM 的“核”武器
核函数表示特征空间的隐式映射：在上文中，我们已经了解到了SVM处理线性可分求解的情况，而对于非线性的情况，SVM 的处理方法是选择一个核函数 κ(⋅,⋅) ，通过将数据映射到高维空间，来解决在原始空间中线性不可分的问题 由于核函数的优良品质，这样的非线性扩展在计算量上并没有比原来复杂多少，这一点是非常难得的。 当然，这要归功于核方法——除了 SVM 之外，任何将计算表示为数据点的内积的方法，都可以使用核方法进行非线性扩展。 ，而不增加可调参数的个数(当然，前提是核函数能够计算对应着两个输入特征向量的内积)。 关于拉格朗日乘子参数在核函数方法中的求解，其实是与之前是一致的，因为核函数能简化映射空间中的内积运算——刚好“碰巧”的是，在我们的 SVM 里需要计算的地方数据向量总是以内积的形式出现的。
1.5K60发布于 2018-04-03 - 来自专栏智能算法
SVM 的“核”武器
核函数表示特征空间的隐式映射：在上文中，我们已经了解到了SVM处理线性可分求解的情况，而对于非线性的情况，SVM 的处理方法是选择一个核函数 κ(⋅,⋅) ，通过将数据映射到高维空间，来解决在原始空间中线性不可分的问题 当然，这要归功于核方法——除了 SVM 之外，任何将计算表示为数据点的内积的方法，都可以使用核方法进行非线性扩展。 ，而不增加可调参数的个数(当然，前提是核函数能够计算对应着两个输入特征向量的内积)。 关于拉格朗日乘子参数在核函数方法中的求解，其实是与之前是一致的，因为核函数能简化映射空间中的内积运算——刚好“碰巧”的是，在我们的 SVM 里需要计算的地方数据向量总是以内积的形式出现的。 分类回归树算法---CART 11. EAG多目标进化算法 12. 蚁群算法（独辟蹊径的进化算法） 13. 逻辑回归（LR）算法 14. 鸟群的启发--粒子群算法 15. 模拟退火优化算法 16.
1.7K100发布于 2018-04-02
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