开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

向量的值不会更新

是指在某个特定的上下文中，向量的数值不会发生变化。向量是一种数学概念，它可以表示一组有序的数值或者其他对象。在计算机科学和数据分析中，向量常常用于表示数据集合或者特征集合。

在某些情况下，我们可能希望保持向量的值不变，这可以通过以下几种方式实现：

声明为常量：可以将向量声明为常量，这意味着它的值在声明后不能被修改。在许多编程语言中，可以使用关键字const来声明常量。
只读属性：有些编程语言提供了只读属性的机制，可以将向量的属性设置为只读，这样在外部无法修改向量的值。
不可变数据结构：某些编程语言提供了不可变数据结构的支持，这些数据结构在创建后不能被修改。可以使用这些数据结构来表示向量，从而确保其值不会更新。

向量的值不会更新在某些场景下非常有用，例如在机器学习中，当我们需要保持某些特征的权重不变时，可以将这些特征表示为向量，并将其设置为不可变。

腾讯云相关产品和产品介绍链接地址：

腾讯云产品：云服务器（https://cloud.tencent.com/product/cvm）
腾讯云产品：云数据库 MySQL 版（https://cloud.tencent.com/product/cdb_mysql）
腾讯云产品：人工智能（https://cloud.tencent.com/product/ai）
腾讯云产品：物联网（https://cloud.tencent.com/product/iotexplorer）
腾讯云产品：移动开发（https://cloud.tencent.com/product/mobdev）
腾讯云产品：对象存储（https://cloud.tencent.com/product/cos）
腾讯云产品：区块链（https://cloud.tencent.com/product/baas）
腾讯云产品：腾讯云游戏引擎（https://cloud.tencent.com/product/gse）
腾讯云产品：腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云产品：腾讯云直播（https://cloud.tencent.com/product/live）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

强化学习的线性代数

线性代数的基本原理如何支持深度强化学习？答案是解决了马尔可夫决策过程时的迭代更新。

02

CapsNet

在讲胶囊网络之前，首先我们回顾一下我们熟悉的CNN。 CNN做了什么事情呢? 假设这里有一个卷积核（左图），除了曲线轨迹上的值很大，其他的值都是零，所以这个卷积核对旁边这种曲线（右图）就有很高的输出，

02

【技术分享】修改word2vec源码实现词向量增量更新

用户搜索的关键词是对其兴趣的一个很重要的反映。然而我们发现，当用户搜索“阿丽塔”、“猫爪杯”等新词后，之后的推荐中却始终没有相关的文章出现。

04

理解梯度下降法

最优化问题在机器学习中有非常重要的地位，很多机器学习算法最后都归结为求解最优化问题。在各种最优化算法中，梯度下降法是最简单、最常见的一种，在深度学习的训练中被广为使用。在本文中，SIGAI将为大家系统的讲述梯度下降法的原理和实现细节问题。

01

Elasticsearch 中的向量搜索：设计背后的基本原理

您有兴趣了解 Elasticsearch 向量搜索的特性以及设计是什么样子吗？一如既往，设计决策有利有弊。本博客旨在详细介绍我们在 Elasticsearch 中构建向量搜索时候如何做各种选择。

04

Rust常见集合

Rust 标准库中包含一系列被称为「集合」（collections）的非常有用的数据结构。不同于内建的数组和元组类型，这些集合指向的数据是储存在堆上的，这意味着数据的数量不必在编译时就已知，并且还可以随着程序的运行增长或缩小。

01

LSTMs

由于使用权重矩阵的方式，会对典型RNN可以学习的模式类型存在一些显着的限制。因此，对于称为长短期存储器网络（Long Short-Term Memory networks）的RNN的变型充满了兴趣。正如我将在下面描述的，LSTMs比典型的RNN具有更多的控制，这使得LSTMs允许学习更复杂的模式。

01

学习分类 2-3 感知机

要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。

01

Rolling and Unrolling RNNs

当输入序列被馈送到这样的网络中时，向后的箭头在稍后的步骤将关于早先输入值的信息反馈回系统。我没有在上篇文章中描述的一件事是如何训练这样的网络。所以在这篇文章中，我想介绍一种训练RNN的方法，称为展开（unrolling）。

02

【推荐系统】离线增量文章画像计算(二)

第一次：所有更新，后面增量每天的数据更新26日：1：002：00，2：003：00，左闭右开,一个小时更新一次

01

【计算机网络】网络层 : RIP 协议 ( 路由选择协议分类 | RIP 协议简介 | 信息交换 | 距离向量算法 | 计算示例 )★

① 内部网管协议 IGP : 在自治系统 ( Autonomous System ) 内部使用的协议 ;

00

【Embedding】Word2Vec：词嵌入的一枚银弹

Word2Vec 是 Google 在 2013 年开源的一个词向量（Word Embedding）计算工具，其用来解决单词的分布编码问题，因其简单高效引起了工业界和学术界极大的关注。

02

cordic第二讲、向量模式与伪旋转处理

本节更新的Coordinate Rorate Digital Computer的向量模式介绍与伪旋转处理，结尾处会总结旋转模式与向量模式的区别，在接下来的系列中会更新乘法器、除法器、sin函数、cos函数的verilog实现与matlab实现原理，并分享verilog与matlab代码。

04

cordic的FPGA实现(二) 向量模式与伪旋转处理

本节更新的Coordinate Rorate Digital Computer的向量模式介绍与伪旋转处理，结尾处会总结旋转模式与向量模式的区别，在接下来的系列中会更新乘法器、除法器、sin函数、cos函数的verilog实现与matlab实现原理，并分享verilog与matlab代码。

01

LSTM和GRU的解析从未如此通俗易懂

▌短时记忆 RNN 会受到短时记忆的影响。如果一条序列足够长，那它们将很难将信息从较早的时间步传送到后面的时间步。因此，如果你正在尝试处理一段文本进行预测，RNN 可能从一开始就会遗漏重要信息。在反向传播期间，RNN 会面临梯度消失的问题。梯度是用于更新神经网络的权重值，消失的梯度问题是当梯度随着时间的推移传播时梯度下降，如果梯度值变得非常小，就不会继续学习。

01

【CapsulesNet的解析】了解一下胶囊网络？

还记得17年那天傍晚，在校园足球场、夕阳的沐浴下，nango拉着我讲解这篇胶囊……

02

bitmap位图索引技术占用的存储空间_bitmap位图

参考 https://www.cnblogs.com/lbser/p/3322630.html https://blog.csdn.net/catoop/article/details/111689777

03

【翻译】An overview of gradient descent optimization algorithms

An overview of gradient descent optimization algorithms

03

机器学习和深度学习中值得弄清楚的一些问题

SIGAI飞跃计划第一期已经进行4周了，在这4周的学习中，同学们提出了不少好问题。在这里，我们将每周直播答疑的问题进行筛选和整理，写成今天的公众号文章，供大家参考。相信会对大家的学习和实践有所帮助！

01

人工智能算法：基于Matlab的INFO向量加权平均优化算法的实现细节及其实现原理

向量加权平均（INFO, WeIghted meaN oF vectOrs）是一种改进的加权平均方法，其实现的核心内容即操作算子主要包括：

03

神经网络如何学习的？

毫无疑问，神经网络是目前使用的最流行的机器学习技术。所以我认为了解神经网络如何学习是一件非常有意义的事。

02

自适应滤波器（二）NLMS自适应滤波器

的结果中，占的权重就太大了，而是带噪信号，这样梯度噪声就被放大了。为了克服这个问题，可使用归一化LMS滤波器。在迭代时，对输入向量欧式范数（就是模值）的平方进行归一化（Normalized LMS)。

02

SOM学习笔记1

SOM网络有两层，分别是InputLayer和OutputLayer。InputLayer与OutputLayer通过权值相连，InputLayer即输入层，其输入一般为高维度向量。OutputLayer的神经元一般放置在二维网格中，输出层近邻的神经元也通过权值连接。如下图所示，红色小圆表示输入向量，通过射线（权值）投射到X-Y的平面网格上。

02

学习笔记 | 吴恩达之神经网络和深度学习

机器学习机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单的说，就是计算机从数据中学习规律和模式，以应用在新数据上做预测的任务。深度学习概念深度学习指的是训练神经网络，有时候规模很大。线性回归回归函数，例如在最简单的房价预测中，我们有几套房屋的面积以及最后的价格，根据这些数据来预测另外的面积的房屋的价格，根据回归预测，在以房屋面积为输入x，输出为价格的坐标轴上，做一条直线最符合这几个点的函数，将它作为根据面积预测价格的根据，这条线就是

04

精华 | 深度学习中的【五大正则化技术】与【七大优化策略】

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第一【Python】：排名第三【算法】：排名第四源 | 数盟深度学习中，卷积神经网络和循环神经网络等深度模型在各种复杂的任务中表现十分优秀。例如卷积神经网络（CNN）这种由生物启发而诞生的网络，它基于数学的卷积运算而能检测大量的图像特征，因此可用于解决多种图像视觉应用、目标分类和语音识别等问题。但是，深层网络架构的学习要求大量数据，对计算能力的要求很高。神经元和参数之间的大量连接需要通过梯度下降及其变体以迭代的方式不断调整。此外

06

单纯形法MATALAB实现

参考单纯形法的步骤，MATALAB中的实现如下（求极小值）：注：对于极大值的求解，只需要对目标函数添加负号，求解出来的XX，再带入原目标函数即可。

02

机器学习入门 7-3 求数据的主成分pca

首先创建一个虚拟的测试样本，样本具有两个特征，并且两个特征之间具有相应的线性关系。这里之所以让两个特征之间具有一定的线性关系是因为对这样的两个特征进行降维效果会比较明显。

05

神经网络和深度学习(吴恩达-Andrew-Ng)：一二周学习笔记

机器学习: 机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单的说，就是计算机从数据中学习规律和模式，以应用在新数据上做预测的任务。

01

一份详细的LSTM和GRU图解

在这篇文章中，我们将从LSTM和GRU背后的直觉开始。然后我（Michael）将解释使LSTM和GRU表现良好的内部机制。如果你想了解这两个网络背后的机制，那么这篇文章就是为你准备的。

02

详解机器学习之感知机理论与实践

阅读大概需要5分钟上期回顾详解机器学习之the Learning Problem 导读本章讲的是让他机器学习说yes/no，目录分为：感知机假设集合感知机学习算法(PLA) 确保数据集线性

Facebook 推荐算法

版权声明：本文为博主-姜兴琪原创文章，未经博主允许不得转载。 https://blog.csdn.net/jxq0816/article/details/81635996

03

【Python机器学习实战】感知机和支持向量机学习笔记（二）

理论上对于线性可分的数据，采用梯度下降对SVM进行求解和学习已能满足基本要求，但考虑到非线性数据，以及问题求解的复杂程度等问题，将SVM原始问题转化为其对偶形式能够更好地解决问题，因此转化为对偶形式是必要的，总结下来，转化为对偶形式有以下好处：

00

向量时钟解决数据一致性

向量时钟，最早是用于分布式系统中进程间的时间同步。由于在分布式系统中没有一个直接的全局逻辑时钟。在一个由n个并发进程构成的系统中，每个事件的逻辑时钟均由一个n维向量（n元组）构成，其中第i维（分量）对应于第i个进程的逻辑时钟Vi

01

论文精读系列：rotated-binary-neural-network（RBNN）

DNN（deep neural networks）在计算机视觉任务中取得了很好的效果，比如图像分类、目标检测、实例分割等。不过，大量的参数和计算的复杂度带来的高存储和高计算性能的限制，使得DNN很难应用在一些低性能的设备上。为了解决这个问题，提出了很多压缩技术：network pruning，low-rank decomposition，efficient architecture design，network quantization。其中，network quantization将全精度（full-precision）网络中的权重和激活值转换成低精度的表达。其中一个极端的情况就是 binary neural network（BNN 二值神经网络），它将权重和激活值的数值限制在两个取值：+1和-1。如此，相比全精度的网络，BNN的大小可以缩小32倍（全精度网络中一个双精度数值用32bit表示，BNN中一个数值用1bit表示），并且使用乘法和加分的卷积运算可以使用更高效的 XNOR 和 bitcount 运算代替。

01

深度学习参数技巧

1：优化器机器学习训练的目的在于更新参数，优化目标函数，常见优化器有SGD，Adagrad，Adadelta，Adam，Adamax，Nadam。其中SGD和Adam优化器是最为常用的两种优化器，SGD根据每个batch的数据计算一次局部的估计，最小化代价函数。学习速率决定了每次步进的大小，因此我们需要选择一个合适的学习速率进行调优。学习速率太大会导致不收敛，速率太小收敛速度慢。因此SGD通常训练时间更长，但是在好的初始化和学习率调度方案的情况下，结果更可靠。Adam优化器结合了Adagrad善于处理

07

神经网络中的梯度优化算法

对于大规模的神经网络训练我们经常采用mini-batch Gradient Descent，但是在MBGD中如何选择合适的学习率是一个非常困难的问题。Learning Rate设置太小会导致神经网络收敛缓慢，Learning Rate设置太大可能导致神经网络在最小值附近波动甚至发散。

02

【深度学习 | LSTM】解开LSTM的秘密:门控机制如何控制信息流

🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

03

NLP硬核入门-Seq2Seq和Attention机制

本文需要的前序知识储备是：循环神经网络RNN，词向量WordEmbedding，门控单元VanillaRNN/GRU/LSTM。

01

一文概览深度学习中的五大正则化方法和七大优化策略

选自arXiv 机器之心编译深度学习中的正则化与优化策略一直是非常重要的部分，它们很大程度上决定了模型的泛化与收敛等性能。本文主要以深度卷积网络为例，探讨了深度学习中的五项正则化与七项优化策略，并重点解释了当前最为流行的 Adam 优化算法。本文主体介绍和简要分析基于南洋理工的概述论文，而 Adam 方法的具体介绍基于 14 年的 Adam 论文。近来在深度学习中，卷积神经网络和循环神经网络等深度模型在各种复杂的任务中表现十分优秀。例如卷积神经网络（CNN）这种由生物启发而诞生的网络，它基于数学的卷积运

09

深度学习参数怎么调优，这12个trick告诉你

1：优化器。机器学习训练的目的在于更新参数，优化目标函数，常见优化器有SGD，Adagrad，Adadelta，Adam，Adamax，Nadam。其中SGD和Adam优化器是最为常用的两种优化器，SGD根据每个batch的数据计算一次局部的估计，最小化代价函数。

02

【深度学习 | LSTM】解开LSTM的秘密:门控机制如何控制信息流

摘要：本系列旨在普及那些深度学习路上必经的核心概念，文章内容都是博主用心学习收集所写，欢迎大家三联支持！本系列会一直更新，核心概念系列会一直更新！欢迎大家订阅

02

负采样_欠采样

训练一个神经网络意味着要输入训练样本并且不断调整神经元的权重，从而不断提高对目标的准确预测。每当神经网络经过一个训练样本的训练，它的权重就会进行一次调整。

02

【机器学习实战】第5章 Logistic回归

本文介绍了如何使用机器学习算法对马匹进行疾病预测。首先介绍了数据集构建和预处理，然后详细阐述了基于逻辑回归的疾病预测模型。最后，通过实验证明了该模型在预测马匹疾病方面的可行性。

07

CS224n 笔记1-自然语言处理与深度学习简介1 自然语言处理简介2 词向量（Word Vectors）3 基于奇异值分解（SVD）的方法4 基于迭代的算法-Word2vec

1 自然语言处理简介我们从讨论“什么是NLP”开始本章的内容 1.1 NLP有什么特别之处自然（人工）语言为什么如此特别？自然语言是一个专门用来表达语义的系统，并且它不是由任何形式的物质表现产生。正因为如此，人工语言与视觉或者其他任何机器学习任务非常不同。大多数单词只是一个超语言实体的符号：单词是映射到一个表征（想法或事物）的记号。例如，“火箭”一词是指火箭的概念，并且进一步可以指定火箭的实例。有一些单词例外，当我们使用单词和字母代表信号时，想“Whooompaa”一样。除此之外，语言符号可以用多种方

03

Modern Hopfield Networks

本文来自NVIDIA GTC21的一次技术分享视频，演讲者是Sepp Hochreiter，主要讲述了他们关于Modern Hopfield Networks的相关工作，即论文：《Hopfield Networks is All You Need》。

03

深入浅出SVM（PART II）

支持向量机（Support Vector Machine）是由Vapnik等人于1995年提出来的，之后随着统计理论的发展，支持向量机SVM也逐渐受到了各领域研究者的关注，在很短的时间就得到了很广泛的应用。支持向量机是被公认的比较优秀的分类模型，同时，在支持向量机的发展过程中，其理论方面的研究得到了同步的发展，为支持向量机的研究提供了强有力的理论支撑。

02

机器学习中的最优化算法（全面总结）

对于几乎所有机器学习算法，无论是有监督学习、无监督学习，还是强化学习，最后一般都归结为求解最优化问题。因此，最优化方法在机器学习算法的推导与实现中占据中心地位。在这篇文章中，小编将对机器学习中所使用的优化算法做一个全面的总结，并理清它们直接的脉络关系，帮你从全局的高度来理解这一部分知识。

01

机器学习最优化算法（全面总结）

对于几乎所有机器学习算法，无论是有监督学习、无监督学习，还是强化学习，最后一般都归结为求解最优化问题。因此，最优化方法在机器学习算法的推导与实现中占据中心地位。在这篇文章中，小编将对机器学习中所使用的优化算法做一个全面的总结，并理清它们直接的脉络关系，帮你从全局的高度来理解这一部分知识。

02

感知机原理小结

感知机可以说是最古老的分类方法之一了，在1957年就已经提出。今天看来它的分类模型在大多数时候泛化能力不强，但是它的原理却值得好好研究。因为研究透了感知机模型，学习支持向量机的话会降低不少难度。同时如果研究透了感知机模型，再学习神经网络，深度学习，也是一个很好的起点。这里对感知机的原理做一个小结。

02

分布式深度学习（I）：分布式训练神经网络模型的概述

原文： Distributed Deep Learning, Part 1: An Introduction to Distributed Training of Neural Networks 作者： Alex Black、Vyacheslav Kokorin 翻译： KK4SBB 责编：何永灿，关注人工智能，投稿请联系heyc@csdn.net或微信号289416419 本文是分布式训练神经网络模型三篇系列文章的第一篇。在第一篇文章，我们首先了解一下如何使用GPU分布式计算来显著提高深度学习模型

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭