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

二维高斯的曲线图均值和等高线

二维高斯的曲线图表示了一个二维正态分布的概率密度函数。它由一组椭圆形等高线组成，每个等高线代表了函数取特定值的点集。曲线图的中心表示了均值，而等高线的形状则表示了分布的标准差和相关性。

二维高斯曲线图的均值是分布的中心点，代表了分布的中心位置。在曲线图中，均值通常被表示为一个十字或圆点，位于等高线的交叉点。

等高线是曲线图中的连续线，连接了具有相同概率密度的点。这些线的形状揭示了分布的标准差和相关性。在二维高斯分布中，等高线通常是椭圆形的，且会随着标准差的增大而拉长或收缩。当相关性较高时，椭圆形会呈现出倾斜的形状。

二维高斯的曲线图广泛应用于统计分析、模式识别、图像处理等领域。通过分析曲线图的形状和均值，可以推断出数据的分布特征，识别异常值，进行数据预测和分类等。

腾讯云提供的相关产品和服务包括：

腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）：提供了丰富的人工智能算法和工具，可用于分析和处理二维高斯分布数据。
腾讯云云服务器（https://cloud.tencent.com/product/cvm）：提供强大的计算能力和灵活的部署选项，适用于处理大规模数据和运行复杂算法。
腾讯云对象存储（https://cloud.tencent.com/product/cos）：提供安全可靠的存储服务，用于保存和管理二维高斯分布数据。
腾讯云数据分析平台（https://cloud.tencent.com/product/tcaplusdb）：提供高效的数据处理和分析工具，可用于对二维高斯分布数据进行深入挖掘和分析。

以上是腾讯云提供的一些相关产品和服务，可帮助您在云计算环境下处理和分析二维高斯分布数据。

相关搜索:基于高斯均值的混合高斯模型集预测输出生成给定均值和标准差的高斯核旋转给定参数a，b和c的二维高斯二维点数据的等高线绘制带有python的高斯和拟合必须使用python中提供的均值的高斯函数关于Python上的均值和二维数组的问题 4个独立曲线图上每个等级的曲线图组平均值 Panda数据框子集的曲线图平均值用数值网格绘制二维等高线的最好方法 python中使用一维X、Y和Z变量的二维等高线绘制 Python Getdist库:直线、等高线和填充等高线之间的偏移问题高斯拟合R的拟合和误差条计算二维数组CUDA的平均值如何获得二维数组的平均值滚动平均值的曲线图x轴显示不正确获取二维数组内的平方平均值等高线的对数色标和色标 Python上的等高线绘制。TypeError:输入z必须是二维数组 Julia -使用mvNormal生成具有给定均值和协方差矩阵的多变量高斯样本

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

第五章多变量线性回归

n ：特征量的数目 x^(i) ：第 i 个训练样本的输入特性值 x^(i)_j ：第 i 个训练样本中第 j 个特征量的值

02

工具 | R语言数据可视化之数据分布图(直方图、密度曲线、箱线图、等高线、2D密度图)

数据分布图简介绘制基本直方图基于分组的直方图绘制密度曲线绘制基本箱线图往箱线图添加槽口和均值绘制2D等高线绘制2D密度图数据分布图简介中医上讲看病四诊法为：望闻问切。而数据分析师分析数据的过程也有点相似，我们需要望：看看数据长什么样;闻：仔细分析数据是否合理;问：针对前两步工作搜集到的问题与业务方交流;切：结合业务方反馈的结果和项目需求进行数据分析。 “望”的方法可以认为就是制作数据可视化图表的过程，而数据分布图无疑是非常能反映数据特征(用户症状)的。R语言提供了多种图表对数据分布进行描述

【R语言】5种探索数据分布的可视化技术

中医上讲看病四诊法为：望闻问切。而数据分析师分析数据的过程也有点相似，我们需要望：看看数据长什么样;闻：仔细分析数据是否合理;问：针对前两步工作搜集到的问题与业务方交流;切：结合业务方反馈的结果和项目需求进行数据分析。

02

描述数据分布特征的五种可视化图形

中医上讲看病四诊法为：望闻问切。而数据分析师分析数据的过程也有点相似，我们需要望：看看数据长什么样；闻：仔细分析数据是否合理；问：针对前两步工作搜集到的问题与业务方交流；切：结合业务方反馈的结果和项目需求进行数据分析。

04

R语言数据可视化之五种数据分布图制作

网址：http://www.cnblogs.com/muchen/p/5430536.html

01

Python进阶之Matplotlib入门(七)

Matplotlib是Python的画图领域使用最广泛的绘图库，它能让使用者很轻松地将数据图形化以及利用它可以画出许多高质量的图像，是用Python画图的必备技能。对于这个教程，大家最好亲自码一遍代码，这样可以更有收获。

04

Matlab系列之三维图形

在Matlab中，三维图形有：三维曲线、三维网格以及三维曲面，分别对应函数：plot3、mesh和surf，本篇将介绍些常规使用以及一些三维图形的处理。

02

MATLAB绘制图形

如果有一个包含10名学生的教室，这些学生获得的分数的百分比是75，58，90，87，50，85，92，75，60和95，使用这个数据，我们将绘制条形图。

03

matlab—进阶绘图

这里我们要讲的是画一些与对数（log）有关的图像，这里的log，既可以是图像是log，又可以是坐标轴是log，我们接下来用一个例子来说明

03

对抗样本原理分析

人工智能技术具有改变人类命运的巨大潜能，但同样存在巨大的安全风险。攻击者通过构造对抗样本，可以使人工智能系统输出攻击者想要的任意错误结果。从数学原理上来说，对抗攻击利用了人工智能算法模型的固有缺陷。本文以全连接神经网络为例来介绍对抗样本对人工智能模型作用的本质。

01

MATLAB绘制三维地图「建议收藏」

1、meshgrid：生成格点矩阵，类似于给定坐标空间 [x,y]=meshgrid(1:10); 2、interp插值法插值法又称“内插法”，是利用函数f (x)在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数f (x)的近似值，这种方法称为插值法。

01

面经：L1和L2正则

1、过拟合的解决方式有哪些，l1和l2正则化都有哪些不同，各自有什么优缺点(爱奇艺) 2、L1和L2正则化来避免过拟合是大家都知道的事情，而且我们都知道L1正则化可以得到稀疏解，L2正则化可以得到平滑解，这是为什么呢？ 3、L1和L2有什么区别，从数学角度解释L2为什么能提升模型的泛化能力。（美团） 4、L1和L2的区别，以及各自的使用场景（头条）

02

【数据分析 R语言实战】学习笔记第五章数据的描述性分析（下）

函数var()应用在多组数据上，得到的计算结果是一个协方差阵，其每个元素是各个向量之间的协方差。使用指令cor(group)也得到相同结果。

02

Matlab画三维图_读书笔记图画

plot3 基本的三维曲线图绘制 plot3(x,y,z)，x,y,z均为相同长度的向量,会得到三个向量相同下标构成的的三维坐标(xi,yi,zi)(i=1~n)连的曲线

02

R语言绘图之ggplot2

1. ggplot2的安装：install.packages("ggplot2")。

01

matlab的三维绘图和四维绘图「建议收藏」

光照是利用方向官员照亮物体的技术，这项技术能使表面微妙的差异更容易看到，光照也能用来对三维的图像增加现实感。

03

Python可视化——3D绘图解决方案pyecharts、matplotlib、openpyxl

这篇博客将介绍python中可视化比较棒的3D绘图包，pyecharts、matplotlib、openpyxl。基本的条形图、散点图、饼图、地图都有比较成熟的支持。

00

带答案面经分享-L1正则&L2正则

1、过拟合的解决方式有哪些，l1和l2正则化都有哪些不同，各自有什么优缺点(爱奇艺)

02

数据科学 IPython 笔记本 8.7 密度和等高线图

有时，使用等高线或颜色编码的区域，在二维中显示三维数据是有用的。有三个 Matplotlib 函数可以帮助完成这个任务：`plt.contour用于等高线图，plt.contourf用于填充的等高线图，plt.imshow``用于显示图像。本节介绍使用这些的几个示例。我们首先为绘图配置笔记本，并导入我们将使用的函数：

02

【MATLAB】三维图形绘制 ( 三维平面图 | 二维网格 | meshgrid 函数 | 绘制网格 | mesh 函授 | 绘制平面 | surf 函数 | 绘制等高线 | contour 函数 )

之前使用 plot 和 plot3 绘制的都是线图 , 给定若干个点的向量 , 绘制这些点 , 然后将这些点使用直线连接起来 , 组成了线图 ;

02

一起来学matlab-matlab学习笔记8 基本绘图命令_6 三维绘图

本文为matlab自学笔记的一部分，之所以学习matlab是因为其真的是人工智能无论是神经网络还是智能计算中日常使用的，非常重要的软件。也许最近其带来的一些负面消息对国内各个高校和业界影响很大。但是我们作为技术人员，更是要奋发努力，拼搏上进，学好技术，才能师夷长技以制夷，为中华之崛起而读书！

01

Mathematica-数据和函数的可视化

Mathematica 提供了非常强大的绘图功能, 并且提供了大量数学函数的图形命令，您可以方便地组合成所需要的、复杂的二维和三维函数图形，所有这些都使得 Mathematica 系统在函数和数据可视

03

Matplotlib数据关系型图表（2）

本节继续探讨数值关系型图表的绘制，主要探讨了气泡图、三维散点图、等高线图和曲面图的绘制方法。

03

Matlab绘图-很详细，很全面

强大的绘图功能是Matlab的特点之一，Matlab提供了一系列的绘图函数，用户不需要过多的考虑绘图的细节，只需要给出一些基本参数就能得到所需图形，这类函数称为高层绘图函数。此外，Matlab还提供了直接对图形句柄进行操作的低层绘图操作。这类操作将图形的每个图形元素（如坐标轴、曲线、文字等）看做一个独立的对象，系统给每个对象分配一个句柄，可以通过句柄对该图形元素进行操作，而不影响其他部分。

01

Matlab绘图(一二三维)

强大的绘图功能是Matlab的特点之一，Matlab提供了一系列的绘图函数，用户不需要过多的考虑绘图的细节，只需要给出一些基本参数就能得到所需图形，这类函数称为高层绘图函数。此外，Matlab还提供了直接对图形句柄进行操作的低层绘图操作。这类操作将图形的每个图形元素（如坐标轴、曲线、文字等）看做一个独立的对象，系统给每个对象分配一个句柄，可以通过句柄对该图形元素进行操作，而不影响其他部分。

02

Matlab绘图

(1)plot函数的基本用法: plot(x,y)其中，x和y分别用于存储x坐标和y坐标数据。

01

Matlab画图-非常具体，非常全面

强大的画图功能是Matlab的特点之中的一个，Matlab提供了一系列的画图函数，用户不须要过多的考虑画图的细节，仅仅须要给出一些基本參数就能得到所需图形，这类函数称为高层画图函数。此外，Matlab还提供了直接对图形句柄进行操作的低层画图操作。这类操作将图形的每一个图形元素（如坐标轴、曲线、文字等）看做一个独立的对象，系统给每一个对象分配一个句柄，能够通过句柄对该图形元素进行操作，而不影响其它部分。

02

单细胞等高线图

等高线指的是地形图上高程相等的相邻各点所连成的闭合曲线。把地面上海拔高度相同的点连成的闭合曲线，并垂直投影到一个水平面上，并按比例缩绘在图纸上，就得到等高线。等高线也可以看作是不同海拔高度的水平面与实际地面的交线，所以等高线是闭合曲线。在等高线上标注的数字为该等高线的海拔。

02

图像与滤波

像素：一张图片在不停的放大到再也无法放大的时候，呈现在我们眼前的是一个个小的颜色块，这种带有颜色的小方块就可以被称为像素

02

R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据

本文演示了在时间序列分析中应用分布滞后线性和非线性模型（DLMs和DLNMs）。Gasparrini等人[2010]和Gasparrini[2011]阐述了DLMs和DLNMs的发展以及时间序列数据的实现。本文描述的示例涵盖了时间序列数据DLNM方法的大多数标准应用，并探讨了DLNM包用于指定、总结和绘制此类模型。尽管这些例子在空气污染和温度对健康的影响方面有具体的应用，但它们很容易被推广到不同的主题，并为分析这些数据集或其他时间序列数据源奠定了基础。

03

Matlab绘图方法整理(超完整版)

二维图像是我们在学习过程中经常会接触到的图像，比如在做数学题目时随手画出的一个正弦曲线，这个图像往往是我们根据它的函数做出来的，事实确是这样，在我们学习过程中画出来的每一个图像几乎都是函数，反过来说，每一个函数都对应着它自己的图像，我们能画出来的二维图像往往是一个一元函数即二元方程，在Matlab中做二维图像也是这样，我们根据一个函数来画出它的图像，不过要注意的一点是，在Matlab画图的过程中，它并不认识你给出的那个函数，它要做的仅仅是把你给出的函数上的点连成线而已。

03

Matlab绘图-详细全面（图）

强大的绘图功能是Matlab的特点之一，Matlab提供了一系列的绘图函数，用户不需要过多的考虑绘图的细节，只需要给出一些基本参数就能得到所需图形，这类函数称为高层绘图函数。此外，Matlab还提供了直接对图形句柄进行操作的低层绘图操作。这类操作将图形的每个图形元素（如坐标轴、曲线、文字等）看做一个独立的对象，系统给每个对象分配一个句柄，可以通过句柄对该图形元素进行操作，而不影响其他部分。

02

算法工程师养成记（附精选面试题）

通往机器学习算法工程师的进阶之路是崎岖险阻的。《线性代数》《统计学习方法》《机器学习》《模式识别》《深度学习》，以及《颈椎病康复指南》，这些书籍将长久地伴随着你的工作生涯。

03

Python学习笔记之Matplotlib模块入门(直线图、折线图、曲线图、散点图、柱状图、饼状图、直方图、等高线图和三维图的绘制)

Matplotlib 是一个Python的 2D绘图库。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。通过学习Matplotlib，可让数据可视化，更直观的真实给用户。使数据更加客观、更具有说服力。 Matplotlib是Python的库，又是开发中常用的库。

02

2021华为杯E题思路+demo代码

2021 年中国研究生数学建模竞赛 E 题参考思路交流群：912166339，非伸手党群信号干扰下的超宽带（UWB）精确定位问题一、背景 UWB（Ultra-Wideband）技术也被称之为“超宽带”，又称之为脉冲无线电技术。这是一种无需任何载波，通过发送纳秒级脉冲而完成数据传输的短距离范围内无线通信技术，并且信号传输过程中的功耗仅仅有几十µW。UWB 因其独有的特点，使其在军事、物联网等各个领域都有着广阔的应用。其中，基于 UWB 的定位技术具备实时的室内外精确跟踪能力，定位精度高，可达到厘米级甚至毫米级定位。UWB 在室内精确的定位将会对卫星导航起到一个极好的补充作用，可在军事及民用领域有广泛应用，比如：电力、医疗、化工行业、隧道施工、危险区域管控等。UWB 更多应用场景请参见[4—6]。 UWB 的定位技术有多种方法，本文仅考虑基于飞行时间（Time of Flight, TOF）的测距原理，它是 UWB 定位法中最常见的定位方法之一。TOF 测距技术属于双向测距技术，其通过计算信号在两个模块的飞行时间，再乘以光速求出两个模块之间的距离，这个距离肯定有不同程度的误差，但其精度已经比较高。在室内定位的应用中，UWB技术可以实现厘米级的定位精度（一般指2维平面定位）,并具有良好的抗多径干扰和衰弱的性能以及具有较强的穿透能力。但由于室内环境复杂多变 UWB 通信信号极易受到遮挡，虽然UWB技术具有穿透能力，但仍然会产生误差，在较强干扰时，数据会发生异常波动（通常是时间延时），基本无法完成室内定位，甚至会造成严重事故。因此，信号干扰下的超宽带（UWB）精确定位问题成为亟待解决的问题。二、问题描述为解决信号干扰下的超宽带（UWB）精确定位问题，我们通过实际场景实测，采集到一定数量的数据，即利用 UWB 的定位技术（TOF），采集到锚点（ anchor）与靶点（Tag）之间的距离，希望通过数学建模（或算法）方法，无论信号是否干扰，都可以给出目标物（靶点）的精确定位（ 3 维坐标）。三、实验场景和数据采集如图所示，在 5000mm5000mm3000mm 的测试环境中，分别在 4 个角落 A0，A1，A2， A3 放置 UWB 锚点（ anchor），锚点向所有方向发送信号。Tag 是 UWB 标签（靶点），即需要定位的目标（只在测试环境范围内）。Tag 接收到 4 个 UWB 锚点（ anchor）的信号（无论信号是否干扰，Tag 一般都可以接收到信号），利用 TOF 技术，分别解算出对应的 4 个距离数据。实验在实验场景 1 中采集了 Tag 在 324 个不同位置，在信号无干扰和信号干扰下的 UWB 数据，即每个位置各测试（采集）2 次，一次信号无干扰，另一次信号有干扰（锚点与靶点间有遮挡），注意：每次采集数据时，由于 Tag 在同一位置会停留一会儿时间，而锚点与 Tag 之间每 0.2—0.3 秒之间就会发送、接收信号一次，所以在同一位置点，UWB 会采集到多组数据（多组数据都代表同一位置的信息），组数的多少视 Tag 在同一位置的时间而定，停留的时间越长，组数就越多。数据见文件夹“附件 1：UWB 数据集”。图 1 实测环境示意图实验场景 1：靶点（Tag）范围：5000mm5000mm3000mm 锚点（ anchor）位置（单位：mm）： A0（ 0，0，1300）、 A1（ 5000，0，1700）、 A2（ 0，5000，1700）、A3（ 5000，5000，1300）四、数据文件说明（ 1）UWB 数据集 “附件 1：UWB 数据集”有 2 个文件夹和 1 个文件，1 个文件（Tag 坐标信息.txt）存放 324 个不同位置的编号及 3 维坐标信息，2 个文件夹中 1 个存放信号无干扰下（正常）采集的数据（各文件名为 x.正常.txt，x 表示对应的位置编号），另 1 个存放信号有干扰下（异常）采集的数据（各文件名为 x.异常.txt，x 表示对应的位置编号）。（ 2）数据文件 Tag 在每个位置都采集了 2 个数据文件（1 个正常，另 1 个异常），共有 648 个数据文件，无论正常、异常数据，数据格式都一样，每个数据文件开头第 1 行为采集开始行，无实际意义，接下来，每 4 行为一组，表示 UWB 采集的一组完整数据（一组数据表示一个样品），如： T:144235622:RR:0:0:950:950:118:1910 T:144235622:RR:0:1:2630:2630:118:1910 T:144235622:RR:0:2:5120:5120:118:1910 T:144235

03

小孩都看得懂的 GMM

聚类 (clustering) 是无监督学习中的一种任务类型，将没有标准的数据“聚”在一起，“赋予”它们标签，其过程如下面两图所示。

01

R可视乎|等高线图

等高线图（contour map）是可视化二维空间标量场的基本方法[1]，可以将三维数据使用二维的方法可视化，同时用颜色视觉特征表示第三维数据，如地图上的等高线、天气预报中的等压线和等温线等。假设

02

直观理解梯度，以及偏导数、方向导数和法向量等

梯度是微积分中的基本概念，也是机器学习解优化问题经常使用的数学工具（梯度下降算法），虽然常说常听常见，但其细节、物理意义以及几何解释还是值得深挖一下，这些不清楚，梯度就成了“熟悉的陌生人”，仅仅“记住就完了”在用时难免会感觉不踏实，为了“用得放心”，本文将尝试直观地回答以下几个问题，

02

matlab语法 axis on,matlab axis

axisoff;%去掉坐标轴axistight;%紧坐标轴axisequal;%等比坐标轴axis([-0.1, 8.1, -1.1, 1.1]);%坐标轴的显示范围% gca: gca, h=figure(…);

02

机器学习中为什么需要对数据进行归一化？

如下图所示，蓝色的圈圈图代表的是两个特征的等高线。其中左图两个特征X1和X2的区间相差非常大，X1区间是[0,2000]，X2区间是[1,5]，其所形成的等高线非常尖。当使用梯度下降法寻求最优解时，很有可能走“之字型”路线（垂直等高线走），从而导致需要迭代很多次才能收敛；

02

Matlab中的画图函数

之前在进行Matlab编程时，画图总是非常重要的一部分，在这里整理一下常用的绘图函数，以作备用。

02

MATLAB R2023a中文版下载安装，专业数学计算软件MATLAB使用介绍

MATLAB是一款被广泛应用于科学计算、数据分析和工程设计等领域的软件。它具有强大的数学计算能力，支持矩阵运算、曲线拟合、图像处理、信号处理等功能。在本文中，我们将通过举例的方式介绍MATLAB的特色功能和使用方法。

02

Matplotlib+Numpy绘图之多种绘图

这里主要是用到了fill_between函数。这个函数很好理解，就是传入x轴的数组和需要填充的两个y轴数组；然后传入填充的范围，用where=来确定填充的区域；最后可以加上填充颜色啦，透明度之类修饰的参数。

03

机器学习：说说L1和L2正则化

0 回顾在最近的推送中，先后总结了最小二乘法的原理，两个求解方法：直接法和梯度下降，最后利用这两种思路进行了python实战；之后阐述了OLS算法使用的前提是必须满足数据集无多重共线性，因为它是无偏估计，这也带来了它非常惧怕多重共线性问题，在面对这些数据时，它往往得到的权重参数方差大，是一个不稳定的回归算法。工程应用中，你拿到的数据集可能有上百个特征维度，实际上是很难保证数据集中的所有维度都满足无共线性，所以OLS实际上没有太多的实际应用价值，它必须要想到一种办法解决多重共线性，进而过滤掉那些权重参数等

09

分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响|附代码数据

最近我们被客户要求撰写关于DLNM的研究报告，包括一些图形和统计输出。分布滞后非线性模型（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。该方法论基于交叉基的定义，交叉基是由两组基础函数的组合表示的二维函数空间，它们分别指定了预测变量和滞后变量的关系。

02

分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响

分布滞后非线性模型（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。该方法论基于交叉基的定义，交叉基是由两组基础函数的组合表示的二维函数空间，它们分别指定了预测变量和滞后变量的关系。本文在R软件实现DLNM，然后帮助解释结果，并着重于图形表示。本文提供指定和解释DLNM的概念和实践步骤，并举例说明了对实际数据的应用。

03

分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响|附代码数据

最近我们被客户要求撰写关于分布滞后线性和非线性模型的研究报告，包括一些图形和统计输出。

00

分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响|附代码数据

分布滞后非线性模型（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。该方法论基于交叉基的定义，交叉基是由两组基础函数的组合表示的二维函数空间，它们分别指定了预测变量和滞后变量的关系。本文在R软件实现DLNM，然后帮助解释结果，并着重于图形表示。本文提供指定和解释DLNM的概念和实践步骤，并举例说明了对实际数据的应用

02

matlab画三维图形_matlab的三维函数

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至举报，一经查实，本站将立刻删除。

03

学界 | 带引导的进化策略：摆脱随机搜索中维数爆炸的魔咒

机器学习模型的优化常常涉及最小化代价函数，其中代价关于模型参数的梯度是已知的。当梯度信息可用时，梯度下降和变量等一阶方法因其易于实现、存储效率高（通常需要与参数维度相匹配的存储空间）和收敛有保障 [1] 而广受欢迎。然而，当梯度信息不可用时，我们转向零阶优化方法，包括随机搜索方法，例如最近重新流行起来的进化策略 [2，3，4]。

01

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