@核函數 / 博客 RSS 訂閱

Dec 17 2025

明日cto - 機器學習——支持向量機

支持向量機（Support Vector Machine，簡稱 SVM）是一種強大的監督學習算法，主要用於分類和迴歸任務，在分類中尤為常見。SVM 的核心思想是找到一個最優的超平面，將不同類別的數據儘可能分開 一、基本概念 1.支持向量機（SVM）定義 SVM 是一種基於最大間隔的分類方法，通過尋找使不同類別數據之間間隔最大的超平面來實現分類。

機器學習 , 核函數 , 支持向量機 , yyds乾貨盤點 , 人工智能

收藏 評論

Nov 22 2025

墨舞青雲 - 中文領域最詳細的Python版CUDA入門教程_python中使用cuda

你是否在為大型語言模型的量化推理速度發愁？GPTQ項目通過高效的CUDA核函數實現，將Transformer模型的量化推理速度提升數倍。本文將帶你深入瞭解GPTQ的CUDA內核開發全流程，從底層核函數實現到Python接口綁定，讓你掌握高性能量化推理的關鍵技術。讀完本文，你將能夠：理解GPTQ量化核函數的工作原理、掌握CUDA代碼到Python綁定的完整構建流程、學會如何

核函數 , 後端開發 , CUDA , Python

收藏 評論

Dec 16 2025

全棧技術開發者 - 支持向量機(SVM)是否適合大規模數據？這個大量數據是如何衡量的？分佈式SVM如何保持模型一致性？SVM在大規模數據下優化策略？

在過去二十餘年中，支持向量機（Support Vector Machine, SVM）一直是統計學習與模式識別領域的重要工具。其理論基礎源自結構風險最小化原則，結合幾何間隔最大化的優化目標，使得SVM在有限樣本條件下表現出優異的泛化能力。在文本分類、圖像識別、生物信息學等多種任務中，SVM憑藉穩健的訓練性質和嚴格的數學可解釋性，曾成為學術研究和工業應用的首選方法。 然而，隨

機器學習 , 核函數 , yyds乾貨盤點 , 數據 , 泛化 , 人工智能

收藏 評論

Nov 27 2025

信息流星 - sigmoid核函數 支持向量機 支持向量機的核函數

2.2、核函數Kernel 2.2.1、特徵空間的隱式映射：核函數 咱們首先給出核函數的來頭：在上文中，我們已經瞭解到了SVM處理線性可分的情況，而對於非線性的情況，SVM 的處理方法是選擇一個核函數 κ(⋅,⋅) ，通過將數據映射到高維空間，來解決在原始空間中線性不可分的問題。 此外，因為訓練樣例一般是不會獨立出現的，

機器學習 , 核函數 , 數據 , sigmoid核函數 支持向量機 , 特徵空間 , 人工智能

收藏 評論