nn束 多层感知器和三个优化器的实现：具有NAG的随机梯度下降，具有标准标准近邻束方法和 安装 首先，您需要克隆此存储库： $ git clone https://github.com/vdecaro/nn-bundle $ cd nn-bundle 使用此存储库需要安装conda 。 需要使用python3.7的新环境： $ conda create -n yourenvname python=3.7 $ conda activate yourenvname 下一步是包括将Gurobi安装到您的环境中的渠道： $ conda config --add channels http://conda.anaconda.org/gurobi 现在，您只需启动以下命令即可将所需的软件包安装到您的环境中： $ conda install --file requirements.txt

自己做的，供分享，采用人工算出的梯度及步长来计算，因为矩阵确实不会弄哈

编译原理实验（课程设计）递归下降分析，包含错误恢复（恐慌模式），c语言实现附源码，文法如下 G: S -> SaA | bB A -> aB | c B -> Bb | d

采用Armijo线搜索的最速下降法求解非线性方程的matlab代码

算术表达式的文法是G[E]： E→E+T| E-T| T T→T*F| T/F| F F→(E)| i 用递归下降分析法按文法G[E]对算术表达式（包括+、-、*、/、（）的算术表达式）进行语法分析，判断该表达式是否正确。

根据文法编制递归下降分析程序，以便对输入的符号串进行语法分析。输入一个字符串，输出该字符串是否为正确的句子。可以输出错误信息。

本专栏是书《深度学习入门》的阅读笔记一共八章： 第一章深度学习中的Python基础。主要讲解了深度学习将要用到的python的基础知识以及简单介绍了numpy库和matpoltlib库，本书编写深度学习神经网络代码仅使用Python和numpy库，不使用目前流行的各种深度学习框架，适合入门新手学习理论知识。 第二章感知机。主要介绍了神经网络和深度学习的基本单元感知机。感知机接收多个输入，产生一个输出，单层感知器可以实现与门，或门以及与非门，但是不能实现异或门，异或门的实现需要借助多层感知机，这也就是说，单层感知机只能表示线性空间，而非线性空间的表示需要借助多层感知机。 第三章神经网络——基于n

优化方法中最速下降法+SUMT外点法MATLAB实现，代码均为本人实现，如有需要请自行下载，下载后请根据自身需求调整方程，欢迎讨论。

基于稀疏表示的字典学习通常被认为是一种重新排列原始数据结构以使能量在非正交和不完整字典上紧凑的方法，广泛用于信号处理，模式识别，机器学习，统计学和神经科学。 当前的稀疏表示框架将优化问题分解为两个子问题，即使用不同的优化器的交替稀疏编码和字典学习，分别处理字典和代码中的元素。 在本文中，我们对字典和代码中的元素进行同质处理。 最初的优化直接解耦为几个按块替换的子问题，而不是上述两个问题。 因此，稀疏编码和字典学习优化被统一在一起。 更准确地说，将优化问题中涉及的变量划分为几个合适的块，并保留凸性，从而可以执行精确的逐块坐标下降。 对于每个可分离的子问题，基于抛物线函数的凸性和单调性，获得封闭形式的解。 该算法因此简单，有效和有效。 实验结果表明，我们的算法大大加快了学习过程。 图像分类的应用进一步证明了我们提出的优化策略的效率。

是利用FLEX生成的词法分析器，调用YYLEX()来实现token的获取。