python grab,python grabcut

　　我试图用计算机编程语言实现阿达格拉德。为了便于学习，我以矩阵分解为例。我会用亲笔签名来计算梯度。在

　　我的主要问题是执行是否良好。在

　　问题描述

　　给定一个矩阵答(mxn)有一些缺失项，分解成W和h，分别有大小(mxk)和(kxn)。目标是使用阿达格拉德学习W和h。对于亲笔签名实现，我将遵循这本指南。在

　　注意：我非常清楚基于进场与着陆模拟器；肌萎缩侧索硬化的实现非常适合。我使用阿达格拉德只是为了学习目的

　　习惯进口将亲笔签名. numpy作为铭牌导入

　　进口熊猫作为螺纹中径

　　创建要分解的矩阵

　　^{pr2}$

　　屏蔽一个条目A[0，0]=np .圆盘烤饼

　　定义成本函数定义成本（宽，高):

　　pred=np.dot(W，H)

　　mask=~np.isnan(A)

　　返回NP。sqrt((pred-A)[mask].flatten() ** 2).平均值（轴=无))

　　分解参数等级=2

　　学习率=0.01

　　n_steps=10000

　　成本梯度与参数W和来自亲笔签名的进口毕业生

　　grad_cost=multigrad(cost，argnums=[0，1])

　　阿达格拉德主程序（需要检查形状=形状

　　# W和H的首字母

　　H=np.abs(np.random.randn(秩，形状[1])

　　w=NP。ABS(NP。随机的。randn(shape[0]，秩))

　　# gt_w和gt_h包含梯度和的累加

　　gt_w=np.zeros_like(W)

　　gt_h=np.zeros_like(H)

　　#稳定系数

　　eps=1e-8

　　打印迭代，成本

　　对于范围内的I(n _ steps):

　　如果i00==0:

　　打印 **20

　　打印我，，，成本（宽，高)

　　#计算机毕业生wrt W和H

　　del_W，del_H=梯度成本(宽，高)

　　#添加渐变正方形

　　gt_w=np.square(del_W)

　　gt_h=np.square(德尔_h)

　　#修改后的学习率

　　mod _ learning _ rate _ W=NP。divide(learning _ rate，np.sqrt(gt_w eps))

　　mod _ learning _ rate _ H=NP。divide(learning _ rate，np.sqrt(gt_h eps))

　　W=W-del_W*mod_learning_rate_W

　　H=H-del_H*mod_learning_rate_H

　　当问题收敛，我得到了一个合理的解决方案，我想知道实现是否正确。具体来说，对梯度和的理解，然后计算自适应学习率是否正确？在

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。