@稀疏矩陣 / 博客 RSS 訂閱

Nov 18 2025

西門吹雪 - 正則化損失函數代碼 pytorch

前言 L1、L2在機器學習方向有兩種含義：一是L1範數、L2範數的損失函數，二是L1、L2正則化 L1範數、L2範數損失函數 L1範數損失函數： L2範數損失函數： L1、L2分別對應損失函數中的絕對值損失函數和平方損失函數 區別： 分析： robust: 與L2相比，L1受異常點影響比較小，

稀疏矩陣 , pytorch , 損失函數 , 人工智能 , 正則化損失函數代碼 pytorch , 權值

收藏 評論

Nov 24 2025

柳隨風 - cmake入門學習筆記_cmake -wl

介紹了稀疏矩陣求解庫 SuiteSparse 的構建方法，基於已構建的 OpenBLAS、gmp 和 mpfr 依賴，使用自動化工具 BuildCppDependency 在 Windows 和 Linux 平台完成編譯，並詳細説明了關鍵 CMake 構建參數的作用。 1 介紹 在上一篇文章《CMake構建學習筆記26-OpenBLAS庫的構建》中介紹的Ope

稀疏矩陣 , fortran , cmake , 後端開發 , Python

收藏 評論

Nov 21 2025

mob64ca140f67e3 - matlab解超靜定方程,超定方程和最小二乘法 | 學步園

對於稀疏的超定線性方程組 Ax = b（其中 A ∈ ℝᵐˣⁿ，m n，即方程個數多於未知數個數），由於通常不存在精確解，我們尋求最小二乘意義下的最優解： min ‖Ax - b‖₂² 當矩陣 A 是大型稀疏矩陣時，直接法（如QR分解、SVD）計算開銷大，因此常用迭代法或基於稀疏結構的優化算法。以下是幾種常用解法： 1. 正規方程法

最小二乘 , 稀疏矩陣 , 大數據 , 算法 , hadoop , 超定方程組 , 線性方程求解

收藏 評論