作者文章归档：course
在数学及相关领域中，“scalar”通常指“标量”，以下是关于标量的详细介绍：
这是动手学深度学习在线课程的相关介绍，课程于2021年3月20日开始，预计7月结束，内容涵盖深度学习基础、卷积神经网络、计算机视觉、循环神经网络、自然语言处理等方面，具有以下特点：
课程背景与特点
背景：深度学习发展迅速但模型复杂，本课程从零开始教授，只需基础Python编程和数学知识。
特点：讲述模型算法同时用PyTorch实现细节，含四次课程竞赛，内容紧靠《动手学深度学习》第二版，被近200所大学采用。
讲师与参与方式
讲师：AWS资深首席科学家、美国卡内基梅隆大学计算机系博士李沐。
参与方式：无需注册或缴费，直播时...
动手学深度学习是一种强调通过实践来深入理解和掌握深度学习知识与技能的学习方式，其核心在于将理论学习与实际操作紧密结合，使学习者能够在实践中真正理解深度学习模型的原理、算法以及应用场景。
机器学习（Machine Learning）：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在数据挖掘、自然语言处理、图像识别等众多领域有广泛应用。
在多类别分类问题（如将图像分为多个不同的物体类别、文本分类到多个主题类别等）中，需要使用特定的评估指标来衡量模型的性能，这些指标被称为多类别指标（Multi - Class Metrics）。与二分类问题不同，多分类问题的评估更为复杂，因为涉及到多个类别之间的混淆情况。
常见的多类别指标
数据增强（Data Augmentation）是一种在数据层面进行操作的技术，主要用于扩充数据集。在机器学习和深度学习的模型训练过程中，数据的数量和质量对模型的性能有着至关重要的影响。数据增强通过对原始数据进行一系列变换，生成新的、与原始数据相似的数据样本，从而增加数据的多样性和规模。
在计算机视觉中的应用
对于一个二分类问题，混淆矩阵是一个(2\times2)的矩阵，包含真正例（True Positive，TP）、假正例（False Positive，FP）、真反例（True Negative，TN）和假反例（False Negative，FN）这四个元素。例如，在判断一封邮件是否为垃圾邮件的任务中，如果模型正确地将垃圾邮件预测为垃圾邮件，这就是一个真正例；如果将正常邮件错误地预测为垃圾邮件，就是假正例。...
其计算公式为(F1 = 2\times\frac{Precision\times Recall}{Precision + Recall})。例如，在信息检索任务中，精确率关注的是检索出的结果中有多少是真正相关的，召回率关注的是所有相关的内容中有多少被检索出来了。F1 - sc...
这个函数的定义域是((-\infty,+\infty))，值域是((0,1))。例如，当(x = 0)时，(y=\frac{1}{1 + e^{0}}=\frac{1}{2})；当(x\to+\infty)时，(y\to1)；当(x\to-\infty)时，(y\to0)。
函数性质
例如，在数学中，所有的多项式函数构成一个函数集。一个(n)次多项式函数的一般形式为(y = a_0 + a_1x + a_2x^2+\cdots+a_nx^n)，其中(a_0,a_1,\cdots,a_n)是系数，所有这样的多项式函数（无论(n)取何值，系数如何取值）组成了多项式函数集。
分类