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

最小化距离:距离公式

最小化距离通常是指在数据挖掘和机器学习领域中，为了减少模型预测结果与真实结果之间的误差，对数据进行预处理和特征选择的一种方法。距离公式则是指计算两个数据点之间距离的公式，通常被用于计算高维空间中数据点之间的距离，以便于进行特征选择或者聚类分析等任务。

在云计算领域中，最小化距离通常指的是在虚拟机或容器之间进行网络通信时，通过减少网络延迟和带宽使用等方式来最小化数据传输的距离。这种技术可以用于优化云资源的分配和管理，提高云服务的性能和可用性。

推荐的相关腾讯云产品：云服务器、云数据库、云存储、内容分发网络、云安全、云监控等。产品介绍链接地址：https://cloud.tencent.com/product/cloudservice

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

知识干货 | GAN的原理和数学推导

是一个非常复杂的分布，那么使用这种方式难以获得一个比较理想的模型。这种强制性的约束会带来各种限制，而我们则是希望

03

机器学习中的损失函数

在机器学习中，同一个数据集可能训练出多个模型即多个函数（如下图所示，同样的数据集训练出三种不同的函数）,那么我们在众多函数中该选择哪个函数呢？首选肯定是那个预测能力较好的模型，那么什么样的函数/模型就是预测好的呢？有没有什么评判标准？

01

通俗|令人拍案叫绝的Wasserstein GAN 及代码（WGAN两篇论文的中文详细介绍）

在GAN的相关研究如火如荼甚至可以说是泛滥的今天，一篇新鲜出炉的arXiv论文Wassertein GAN 却在 Reddit 的 Machine Learning 频道火了，连Goodfellow都在帖子里和大家热烈讨论，这篇论文究竟有什么了不得的地方呢？

05

【机器学习笔记】：解读正则化，LASSO回归，岭回归

在机器学习的学习过程中，我们会经常听到正则化这个词，在开始入门学习的时候还经常与标准化混淆。到底什么是正则化呢？本篇我们将由浅入深详细解读什么是正则化，以及LASSO回归和岭回归的介绍。

05

感知机分析

上图大概就是感知机的构造了。了解神经网络的同学肯定了解到这就是网络中的一个节点，左边是输入，肉便是输出，将左边的向量输入乘以权值向量加上偏差（图中未给出）再通过激活函数便是输出了。我们在看一下感知机的公式：

02

AI面试题之SVM推导

SVM现在主流的有两个方法。一个是传统的推导，计算支持向量求解的方法，一个是近几年兴起的梯度下降的方法。梯度下降方法的核心是使用了hinge loss作为损失函数，所以最近也有人提出的深度SVM其实就是使用hinge loss的神经网络。

03

AAAI 2020 | DIoU和CIoU：IoU在目标检测中的正确打开方式

本文对发表于 AAAI 2020 的论文《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》进行解读。

03

透过现象看本质，图解支持向量机

支持向量机（SVM）旨在解决「分类」问题。数据通常包含一定数量的条目/行/点。现在，我们想对每个数据点进行分类。为简单起见，我们假设两个类别：「正类」和「负类」。这或许可以帮助解答以下问题：

01

透过现象看本质，图解支持向量机

支持向量机（SVM）旨在解决「分类」问题。数据通常包含一定数量的条目/行/点。现在，我们想对每个数据点进行分类。为简单起见，我们假设两个类别：「正类」和「负类」。这或许可以帮助解答以下问题：

02

我以前一直没有真正理解支持向量机，直到我画了一张图！

支持向量机（SVM）旨在解决「分类」问题。数据通常包含一定数量的条目/行/点。现在，我们想对每个数据点进行分类。为简单起见，我们假设两个类别：「正类」和「负类」。这或许可以帮助解答以下问题：

04

YOLOv3 提升 5.91 mAP，IoU在目标检测中的正确打开方式

论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

01

支持向量机与支持向量回归（support vector machine and support vector regression）

支持向量机和支持向量回归是目前机器学习领域用得较多的方法，不管是人脸识别，字符识别，行为识别，姿态识别等，都可以看到它们的影子。在我的工作中，经常用到支持向量机和支持向量回归，然而，作为基本的理论，却没有认真地去梳理和总结，导致有些知识点没有彻底的弄明白。这篇博客主要就是想梳理一遍支持向量机和支持向量回归的基础理论知识，一个是笔记，另一个是交流学习，便于大家共勉。

02

机器学习各种熵：从入门到全面掌握

作者：黄海安编辑：陈人和概述信息熵是信息论和机器学习中非常重要的概念，应用及其广泛，各种熵之间都存在某些直接或间接的联系，本文试图从宏观角度将各种熵穿插起来，方便理解。本文首先讲解机器学习算法中常用的各种熵的概念、公式、推导，并且联系机器学习算法进行说明熵的应用，最后是简单总结。希望通过本文能够全面的梳理熵的各方面知识，由于本人水平有限，如写的不好地方，敬请原谅！机器学习常用熵定义熵是什么？熵存在的意义是啥？为什么叫熵？这是3个非常现实的问题。

站在机器学习视角下来看主成分分析

主成分分析(PCA)是一种降维算法，通常用于高维数据降维减少计算量以及数据的降维可视化。在本文中，我将从机器学习的角度来探讨主成分分析的基本思想。本次只涉及简单的PCA，不包括PCA的变体，如概率PCA和内核PCA。

05

kl散度和交叉熵的区别_散度的概念

通用的说，熵(Entropy)被用于描述一个系统中的不确定性(the uncertainty of a system)。在不同领域熵有不同的解释，比如热力学的定义和信息论也不大相同。

03

【损失函数合集】Yann Lecun的Contrastive Loss 和 Google的Triplet Loss

昨天在介绍Center Loss的时候提到了这两个损失函数，今天就来介绍一下。Contrastive Loss是来自Yann LeCun的论文Dimensionality Reduction by Learning an Invariant Mapping，目的是增大分类器的类间差异。而Triplet Loss是在FaceNet论文中的提出来的，原文名字为：FaceNet: A Unified Embedding for Face Recognition and Clustering，是对Contrastive Loss的改进。接下来就一起来看看这两个损失函数。论文原文均见附录。

01

深入理解SVM

我们可以用a缩放（W，b）得到（aW, ab），最终使所有支持向量X0上，有|WTX0+ b| = 1，那么非支持向量上，|WTX0+ b| >1，从而得证限制条件

02

AAAI 2020 | DIoU和CIoU：IoU在目标检测中的正确打开方式

论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

00

LDA线性判别分析

线性判别分析，全称是Linear Discriminant Analysis, 简称LDA, 是一种属于监督学习的降维算法。与PCA这种无监督的降维算法不同，LDA要求输入数据有对应的标签。

03

机器学习入门 11-2 SVM背后的最优化问题

本系列是《玩转机器学习教程》一个整理的视频笔记。本小节从SVM算法的基本思想推导成最终的最优化数学表达式，将机器学习的思想转换为数学上能够求解的最优化问题。SVM算法是一个有限定条件的最优化问题。

07

SVM三合一 | SVM优化推导 + 拉格朗日算子讲解(KKT条件) + hingeLoss

SVM模型的基本原理，就是寻找一个合适的超平面，把两类的样本正确分开。单个SVM只能处理二分类，多分类需要多个SVM。

02

新算法 | 基于DIou改进的YOLOv3目标检测

因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下图所示：

02

基于DIou改进的YOLOv3目标检测

因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下图所示：

01

简单易学的机器学习算法——Rosenblatt感知机

感知机是一种二类分类的线性模型，输入实例的特征向量，输出为实例的类别，即+1或者-1。感知机模型是神经网络和支持向量机的基础。

02

一文弄懂各种loss function

有模型就要定义损失函数(又叫目标函数)，没有损失函数，模型就失去了优化的方向。大家往往接触的损失函数比较少，比如回归就是MSE，MAE，分类就是log loss，交叉熵。在各个模型中，目标函数往往都是不一样的，如下所示：

03

[机器学习Lesson 2]代价函数之线性回归算法

x(1) 指的是第一个训练集里值为2104的输入值，这个就是第一行里的x x(2) 等于1416。这是第二个x y(1) 等于460，这是第一个训练集样本的y值，这就是(1)所代表的含义。

ICLR 2021｜一种端到端的基于双重优化的分子构象生成框架ConfVAE

本文由加拿大魁北克人工智能研究所唐建、Minkai Xu、Yoshua Bengio 以及 MIT 的 Wujie Wang、北京大学的Shitong Luo 等人合作完成，发表在2021年 ICLR（人工智能领域顶级会议）。

01

详解L1、L2、smooth L1三类损失函数

深度学习里面有很多的损失函数，对于MSE、MAE损失函数可能已经耳熟能详了了，对于L1、L2正则化也很熟悉，那你知道什么是L1_loss和L2_loss吗，以及在目标检测的系列论文比如fast-RCNN、faster-RCNN中经常出现的smooth L1损失又是什么呢？

03

GAN之再进化：分布判别器，大连理工提出一种新式无监督图像合成方法

该论文是关于GAN图像生成类的文章出自于大连理工大学并发表于CVPR2021。GAN生成能力最关键的一环在于模型利用真实数据的信息量的多少，但是GAN及其相应的变体因为利用的信息量比较单薄，所以会导致模型在训练的过程中非常脆弱，容易导致模型崩塌。

01

详解L1、L2、smooth L1三类损失函数

深度学习里面有很多的损失函数，对于MSE、MAE损失函数可能已经耳熟能详了了，对于L1、L2正则化也很熟悉，那你知道什么是L1_loss和L2_loss吗，以及在目标检测的系列论文比如fast-RCNN、faster-RCNN中经常出现的smooth L1损失又是什么呢？

01

目标检测算法之AAAI 2020 DIoU Loss 已开源(YOLOV3涨近3个点)

前面介绍了CVPR 2019的GIoU Loss,同时GIoU Loss里面也引入了IoU Loss，这个首先需要明确一下。然后AAAI 2020来了一个新的Loss，即是本文要介绍的DIoU Loss。论文原文地址见附录。

02

非参数检验方法，核密度估计简介

来源：DeepHub IMBA本文约2000字，建议阅读5分钟核密度估计是一种非参数统计方法，用于估计数据样本背后的概率密度函数。在20世纪，统计学还处于起步阶段计算机还不是那么流行的时候，假设正态分布是生成数据的标准。这主要是因为在那个所有结果都是手工计算的时代，正态分布可以使计算不那么繁琐。但在这个大数据时代，随着计算能力的提高，数据的可用性使得统计学家采用了更现代的技术——非参数统计。这里我们将讨论一种这样的方法来估计概率分布，核密度估计。 n个随机变量服从分布函数F。对数据的假设越多，我们就

01

推荐系列（四）：矩阵分解|Matrix Factorization

在上节讲过，用户和item之间的关系可以用一个关系矩阵表示，而矩阵分解式一个简单的嵌入模型。假设一个用户反馈矩阵：

02

现代人工智能课程复习

中山大学研一上学期现代人工智能技术复习的相关资料，主要内容为神经网络基础知识，可能涉及到线性代数、概率论、线性模型、卷积神经网络和CV进展

02

机器学习十大经典算法之支持向量机

在分类问题中，除了线性的逻辑回归模型和非线性的深度神经网络外，我们还可以应用一种被广泛应用于工业界和学术界的模型——支持向量机（SVM），与逻辑回归和神经网络相比，支持向量机在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。支持向量机相对于神经网络和逻辑回归，特别擅长于特征维数多于样本数的情况，而小样本学习至今仍是深度学习的一大难题。

03

《机器学习》笔记-线性模型（3）

作者：刘才权编辑：李文臣写在前面 1 如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这

04

深度学习之Logistic Regression

线性回归的函数如下：逻辑回归则是通过对线性回归做次转换，来达到目的。其公式如下： 1、转换函数为什么需要转换函数？转换函数的主要作用是提供一种非线性的建模能力。如果没有转换函数，那么Log

06

【数学基础】机器学习中的几个熵

相对熵又叫KL散度，也叫做信息增益，如果我们对于同一个随机变量，有两个单独的概率分布和，我们可以用KL散度来衡量这两个分布的差异。

01

还不了解梯度下降法？看完这篇就懂了！

那么其实可以总结出关于“如何找到函数f(x)”的方法论。可以看作是机器学习的“三板斧”：

04

支持向量机原理篇之手撕线性SVM

Python版本： Python3.x 运行平台： Windows IDE： Sublime text3 一、前言说来惭愧，断更快半个月了，本打算是一周一篇的。感觉SVM瞬间难了不少，推导耗费了很多时间，同时身边的事情也不少，忙了许久。本篇文章参考了诸多大牛的文章写成的，对于什么是SVM做出了生动的阐述，同时也进行了线性SVM的理论推导，以及最后的编程实践，公式较多，还需静下心来一点一点推导。本文出现的所有代码，均可在我的github上下载，欢迎Follow、Star：https://githu

07

模型之母：简单线性回归&最小二乘法

关于作者：Japson。某人工智能公司AI平台研发工程师，专注于AI工程化及场景落地。持续学习中，期望与大家多多交流技术以及职业规划。

02

按部就班的吴恩达机器学习网课用于讨论（14）

如下是一个电影评分系统。某个用户没有看过某电影时，通过得到预测评分来判断是否推荐该电影给该用户。

02

video to video synthesis 论文解析，光流起到了什么作用？

前言这里是我第一次看完论文之后的疑虑。。。可跳过本篇文章中使用到了光流，光流是什么？颜色表示不同的运动方向，深浅就表示运动的快慢

03

【通俗理解】RBF网络

在SVM中引入Gaussian Kernel就能在无限多维的特征转换中得到一条“粗壮”的分界线（或者高维分界平面、分界超平面）。从结果来看，Gaussian SVM其实就是将一些Gaussian函数进行线性组合，而Gaussian函数的中心就位于Support Vectors上，最终得到预测模型gsvm(x)。

02

通俗易懂讲解RBF网络

之前我们介绍过，在SVM中引入Gaussian Kernel就能在无限多维的特征转换中得到一条“粗壮”的分界线（或者高维分界平面、分界超平面）。从结果来看，Gaussian SVM其实就是将一些Gaussian函数进行线性组合，而Gaussian函数的中心就位于Support Vectors上，最终得到预测模型gsvm(x)。

02

按部就班的吴恩达机器学习网课用于讨论（12）

将二维数据降低到一维数据的方法，有直接替换的方法。下图中，将数据条目的二维特征x1,x2，转化为了一维特征z1。其中，x1和x2是直接相关的（因为四舍五入出现了一些偏差），而z1等于x1。

01

《Scikit-Learn与TensorFlow机器学习实用指南》第5章支持向量机

第5章支持向量机来源：ApacheCN《Sklearn 与 TensorFlow 机器学习实用指南》翻译项目译者：@QiaoXie 校对：@飞龙支持向量机（SVM）是个非常强大并且有多种功能的机器学习模型，能够做线性或者非线性的分类，回归，甚至异常值检测。机器学习领域中最为流行的模型之一，是任何学习机器学习的人必备的工具。SVM 特别适合复杂的分类，而中小型的数据集分类中很少用到。本章节将阐述支持向量机的核心概念，怎么使用这个强大的模型，以及它是如何工作的。线性支持向量机分类 SV

08

《Scikit-Learn与TensorFlow机器学习实用指南》第5章支持向量机

支持向量机（SVM）是个非常强大并且有多种功能的机器学习模型，能够做线性或者非线性的分类，回归，甚至异常值检测。机器学习领域中最为流行的模型之一，是任何学习机器学习的人必备的工具。SVM 特别适合应用于复杂但中小规模数据集的分类问题。

02

职场 | 备好数据后，数据科学家还要做什么？

大数据文摘出品编译：元元、张馨月在这个数据科学越来越火的时代，数据科学家的工作到底是怎样的呢？数据科学越来越火，很多人都想转行入坑数据科学家，这当然是好事。可是很多人都以为数据科学、机器学习等等流行词对应的工作，就是把数据塞进Sckit-Learn这个算法库里而已。事实远远没有那么简单，下面我带大家走进真实的数据科学世界。让我们从数据搜集完成后开始讲起。问题阐述 “数据消耗”反映了特定服务类别数据的下载和上传量，比如社交网络，音频等等。我们来看一个具体的例子。假设我们研究的是一个计数器，利用该

07

数据科学中 17 种相似性和相异性度量(上)

本文解释了计算距离的各种方法，并展示了它们在我们日常生活中的实例。限于篇幅，便于阅读，将本文分为上下两篇，希望对你有所帮助。

04

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