Stargazer

Stable diffusion上手试玩 前几天尝试搭了个Stable diffusion webui，可以说整个过程十分简单，很傻瓜化，只碰到了一个pip安装问题，从issue也找到了解决方式。 然后抄了c站上的prompt，尝试画甘雨 其他画的一些感觉还不错的图

K-means 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162import numpy as npimport matplotlib.pyplot as pltdef kmeans(x, k, norm=2): # n samples n = x.shape[0] if n < k: raise "len(x) < k" y = np.ones(n) * -1 centroid_idx = np.linspace(0, n - 1, int(n / (n / k)), dtype=int) centroid = x[centroid_idx, :] updated = -1 distance = np.zeros(k) epoch = 0 while updated != 0 and...

逻辑回归 Sigmoid function Sigmoid函数：σ(z)=(1+e−z)−1\sigma(z) = (1 + e^{-z})^{-1}σ(z)=(1+e−z)−1 线性回归：z=w0x0+w1x1+...+wixi=∑iwixiz = w_0x_0 + w1_x1 + ... + w_ix_i = \sum_{i} w_ix_iz=w0​x0​+w1x​1+...+wi​xi​=∑i​wi​xi​, 矩阵形式: z=WTXz = W^TXz=WTX 逻辑回归：σ(z)=σ(w0x0+w1x1+...+wixi)=(1+e−(w0x0+w1x1+...+wixi))−1=(1+e−WTX)−1\sigma(z) = \sigma(w_0x_0 + w1_x1 + ... + w_ix_i) = (1 + e^{-(w_0x_0 + w1_x1 + ... + w_ix_i)})^{-1} = (1 +...

相关性系数笔记 相关性系数可以用于衡量两个变量的相关性。 协方差 (covariance) 协方差在概率论和统计学中用于衡量两个变量的总体误差。x和y是两个随机变量，以下函数用于计算x和y序列的协方差。 covx,y=1N−1∑i=1N(xi−xˉ)(yi−yˉ)cov_{x,y}=\frac{1}{N - 1}\sum_{i=1}^{N}(x_{i}-\bar{x})(y_{i}-\bar{y})covx,y​=N−11​∑i=1N​(xi​−xˉ)(yi​−yˉ​) covx,ycov_{x,y}covx,y​ = covariance between variable x and y xix_{i}xi​ = data value of x yiy_{i}yi​ = data value of y xˉ\bar{x}xˉ = mean of x yˉ\bar{y}yˉ​ = mean of y NNN = number of data values 协方差输出正值表示正相关，负值表示负相关，0表示不相关。值大小不代表相关程度。 协方差矩阵 (covariance...

梯度下降拟合曲线 原本打算使用python代码实现梯度下降曲线拟合。搜索了一圈没有找到讲得非常详细的文章。自己实践了一下记录在此。 注：公式是后期整理的没有很仔细，也许会有些细节上的问题，仅供参考。 原理 首先确定拟合曲线的函数是怎样的，这里用一元k次方程： y(w0,w1...wk)=w0+w1x+w2x2...+wkxk=∑n=0kwnxny(w_0,w_1...w_k) = w_0 + w_1 x + w_2 x^2 ... + w_k x^k = \sum_{n=0}^{k} {w_n}{x^n}y(w0​,w1​...wk​)=w0​+w1​x+w2​x2...+wk​xk=∑n=0k​wn​xn 然后，确定使用最小二乘损失函数： L=∑i=0j12j(yi^−𝑦i)2L = \sum_{i=0}^{j} \frac{1}{2j} (\hat{y_i} - 𝑦_i) ^ 2L=∑i=0j​2j1​(yi​^​−yi​)2 这里的y^\hat{y}y^​是观测值, yiy_iyi​是理论值(ground...