$$minimize_{x}\frac{1}{2} \sum_{i=1}^n \frac{w_i(a_i^T x -b_i)^2}{\sum_{k=1}^n w_k} + \frac{1}{2}\frac{\lambda}{\delta}\sum_{j=1}^m(\sigma_{j} x_{j})^2$$
ECAPA-TDNN由比利时哥特大学Desplanques等人于2020年提出，通过引入SE (squeeze-excitation)模块以及通道注意机制，该方案在国际声纹识别比赛（VoxSRC2020）中取得了第一名的成绩。百度旗下PaddleSpeech发布的开源声纹识别系统中就利用了ECAPA-TDNN提取声纹特征，识别等错误率（EER）低至0.95%。
最近看了几篇文章，都是关于注意力机制在声纹识别中的应用。然后我主要是把其中两篇文章整合了一下，这两篇文章发表在interspeech 2018/19上。两个团队分别是港科和约翰霍普金斯大学(Daniel povey)；以及东京工业大学
今天为大家介绍的是来自Connor W. Coley团队的一篇论文。药物发现领域通常会定性或定量地分析结构-属性关系和活性景观，以指导化学空间的探索。这些分子属性景观的粗糙度（或平滑度）是最常研究的几何特性之一，因为它可以表征活性悬崖的存在，一般认为景观越粗糙，优化难度就越大。文章中介绍了一种描述分子属性景观粗糙度的通用量化指标——粗糙度指数（ROGI）。这个指数受到分形维数概念的启发，并且与机器学习模型在众多回归任务中的样本外误差有很强的相关性。
上一篇14 交叉熵损失函数——克服学习缓慢从最优化算法层面入手，将二次的均方误差（MSE）更换为交叉熵作为损失函数，避免了当出现“严重错误”时导致的学习缓慢。 本篇引入1/sqrt(nin)权重初始化方法，从另一个层面——参数初始化（神经网络调教的5个层面归纳在13 AI驯兽师：神经网络调教综述）入手改善网络的学习速度。 相比之前采用的标准正态分布初始化，1/sqrt(nin)权重初始化不仅明显的加快了学习速度，而且单纯性（其他任何参数不变）的提升了测试集识别精度1~2个百分点。 理解了1/sqrt(ni
上一篇14 交叉熵损失函数——克服学习缓慢从最优化算法层面入手，将二次的均方误差（MSE）更换为交叉熵作为损失函数，避免了当出现“严重错误”时导致的学习缓慢。 本篇引入1/sqrt(nin)权重初始化方法，从另一个层面——参数初始化（神经网络调教的5个层面归纳在13 AI驯兽师：神经网络调教综述）入手改善网络的学习速度。 相比之前采用的标准正态分布初始化，1/sqrt(nin)权重初始化不仅明显的加快了学习速度，而且单纯性（其他任何参数不变）的提升了测试集识别精度1~2个百分点。 理解了1/sqrt(nin
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
np.max() / np.min() / np.ptp()：返回一个数组中最大值/最小值/极差（最大值减最小值）
NumPy是Python中用于科学计算的一个强大的库，其中包含了丰富的数学和统计函数。这些统计函数允许用户对数组进行各种统计计算，例如平均值、标准差、方差、最大值、最小值等。在本文中，我们将详细介绍NumPy中一些常用的统计函数及其用法。
数据的集中趋势描 述是寻找反映事物特征的数据集合的代表值或中心值，这个代表值或中 心值可以很好地反映事物目前所处的位置和发展水平，通过对事物集中 趋势指标的多次测量和比较，还能够说明事物的发展和变化趋势。国家 的人均GDP就是一个集中趋势指标，虽然每个人对国家的GDP贡献度不 一样，但是人均GDP能够代表每个人对国家GDP的平均贡献度，从而反 映一个国家的经济发展水平。
写在前面 在工作中，经常利用多个数据指标对整体进行综合评价，需要把多个数据压缩成一个综合指标，这就是多指标综合评价方法。 耐心学完本期内容，足够装X一整年。 专业内容 专业术语的名称能吓死人，不用深究。 实际内容很简单，一个案例你就可以完全掌握。 一个案例 富帅们看着美女数据，在进行激烈的讨论... 那么，李富帅喜欢的“综合起来最好的”类型，到底是哪个？ 小龙女是最好的？虽然她最高，但是体重和胸围都不是最优的 赵敏头发是最长的，但是其他数据也不是最好 要找出“综合最好的”，需要把各项数据进
描述性统计分析（Description Statistics）是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间的关系进行估计和描述的方法。描述性统计分析分为集中趋势分析和离中趋势分析。
对计算机视觉、多媒体应用、通信技术等领域来说，实时的数字图像处理是其中的重点学科之一。传统的前端数字信号处理（Digital SignalProcessing，DSP）算法，例如 FFT、FIR、IIR 滤波器，大多都是利用 ASIC 或者 PDSP 来构建的，在硬件的实现中很难满足实时性的要求。现场可编程逻辑门阵列（Field ProgrammableGate Arrays， FPGA）技术在数字信号处理中的应用，将逐渐成为前端信号处理的主流。而滤波器算法在信号处理、信号检测、通信领域有着重要的作用，在实时信息处理系统中，对滤波器的性能和处理速度有着严格的要求，特别是在满足系统性能的条件下，处理速度至关重要。
证券和股票市场的投资决策本质上就是一种在回报收益和投资风险之间权衡的决策。投资者需要早不同的投资产品间做出选择，同时也要考虑在选择出的投资产品上投放的资金比例，选择结果组成了一个投资组合。传统的投资组合收益与风险分析集中在两个关键统计量上：均值和方差。均值是指投资组合的期望收益率，是组合中所有投资产品的收益率加权平均；方差指的是投资组合收益率的方差，用以刻画收益率的变化和风险程度。根据投资组合理论，一个理性的投资组会在给定方差水平下调整投资组合资金投放比例使得期望收益最大化，或收益方差最小化。
高斯低通滤波器（Gaussian Low Pass Filter）是一类传递函数为高斯函数的线性平滑滤波器。又由于高斯函数是正态分布的密度函数。因此高斯低通滤波器对于去除服从正态分布（Normal distribution）的噪声非常有效。一维高斯函数和二维高斯函数 (高斯低通滤波器的传递函数) 的表达形式分别如下：
在这篇文章中，我们将比较蒙特卡洛分析（Monte Carlo analysis）和自举法（Bootstrapping）中的一些概念，这些概念与模拟收益序列以及生成与投资组合潜在风险和回报相关的置信区间有关。
作者：Vamei 出处：http://www.cnblogs.com/vamei 欢迎转载，也请保留这段声明。谢谢！
高斯噪声是指幅值的概率密度函数服从高斯分布的噪声，如果其功率谱密度服从均匀分布，则为高斯白噪声。
目前，金融市场总是变幻莫测，充满了不确定因素，是一个有许多投资风险的市场。这与其本身的市场规律和偶然性有关，金融危机、国家政策以及自然灾难等都会影响到金融市场，均会影响投资的收益情况。所以投资者总是希望能够找到应对的方法来减少投资的风险而增加收益。随着老百姓对合理的财富分配理论有着迫切的需求，学会优化投资理财，做到理性投资，是当前投资者最关心的问题。
计算布林带 # coding: utf-8 # 作者：Wizard <github.com/wizardforcel> import numpy as np from matplotlib import pyplot as plt import sys # 获取数据 # 因为没找到数据源，所以直接随机生成了 series = np.random.rand(100) * 10 + 10 ser_len = len(series) # 获取窗口大小，默认为 5 win_sz = 5 if len(s
概要 用统计指标对定量数据进行统计描述，常从【集中趋势】和【离中趋势】两个方面进行分析。 平均水平的指标是对个体【集中趋势】的度量，使用最广泛的是均值和中位数； 反映变异程度的指标则是对个体【离开平均水平的度量】，使用较为广泛的指标是标准差（方差）、四分位间距。 1、集中趋势的度量 （1）均值：均值为所以数据的平均值。若计算n个观察数据的平均数，计算公式为：
前天arXiv新上论文《Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection》，来自卡内基梅隆大学与旷视科技的研究人员在文中提出了一种新的非极大抑制算法Softer-NMS，显著改进了目标检测的定位精度，代码已经开源，目前Github上的Star已超100，可谓短短两天已经引起了不小的关注。
大家在不管是在理财或者是在干其他事情的过程中，应该都经常听到的一句话就是高收益意味着高风险，低风险意味着低收益。但有的时候高风险不一定是高收益的，低收益也不一定是低风险的(这就是坑)。在理想情况下收益与风险可能会有如下四种情况，红色部分(高风险低收益)是我们所要避免的，绿色部分(低风险高收益)是我们所追求的，灰色部分是正常事物所遵循的规律。
首先，要做一件事情首先要搞清楚的是：为什么要这么做？随着年纪越来越大，越来越觉得时间珍贵，所以每一分钟都要用好。而参加这个兴趣小组的原因很简单，想进一步提升自己的能力！
地理加权回归分析完成之后，与OLS不同的是会默认生成一张可视化图，像下面这张一样的：
风险价值（VaR）用于尝试量化指定时间范围内公司或投资组合中的财务风险水平。VaR提供了一段时间内投资组合的最大损失的估计，您可以在各种置信度水平上进行计算。
图像分割（三） 之基于FPGA的局部自适应分割 在前面讲的自适应分割的原理如下: 由公式可以看出，窗口的分割值是对图像进行开窗，并计算窗口内的像素均值和标准差，分割值为像素均值和标准差的加权和。 在软
视频业务快速发展，已经从强调用户规模走向注重提升服务品质的阶段。消费者对观看体验的要求不断提高，提升视频用户体验质量已经成为视频服务的主要竞争因素。
SignalFactorAnalyse单因子测试框架哪些因子可以为组合提供超额收益？这是构建多因子模型的第一步，也是最关键一步。 特征选择非常关键，只有把握关键特征才能对数据达到重要性认识，选择好的因子，才能获取超额收益率。 对于传统交易经验、金融理论、微观市场、机器学习、深度学习等不断挖掘出来的巨量待验因子，一个快速且有效的因子测试框架，将是Multi-factor策略系统中最为关键的一环。 因子模型测试思路 因子有效性的判断与筛选: •备选因子确定： 数学意义、经济意义、统计意义 •预处理： 数据空缺与
这是由一个归一化卷积框完成的。 他只是用卷积框覆盖区域所有像素的平 均值来代替中心元素
在图像领域，各个位置的像素值使用“周边邻居像素点加权平均”重新赋值。对于每个像素点，由于计算时均以当前像素点为中心，所以均值μ=0。使用时有2个超参数需要设置：高斯核大小和高斯函数标准差σ。高斯核大小表示“影响当前点的邻域范围”，而标准差表示“邻域中的其他像素点对当前点的影响力”。
超级好用的移动窗口函数 最近经常使用移动窗口函数，觉得很方便，功能强大，代码简单，故将pandas中的移动窗口函数都做介绍。它都是以rolling打头的函数，后接具体的函数，来显示该移动窗口函数的功能。 rolling_count 计算各个窗口中非NA观测值的数量 函数 pandas.rolling_count(arg, window, freq=None, center=False, how=None) arg : DataFrame 或 numpy的ndarray 数组格式 window
最近经常使用移动窗口函数，觉得很方便，功能强大，代码简单，故将pandas中的移动窗口函数都做介绍。它都是以rolling打头的函数，后接具体的函数，来显示该移动窗口函数的功能。
📷 量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/140815.html原文链接：https://javaforall.cn
由于它代表了一个重要的平衡水平或公平价格，它是衡量我们是否买得太高或卖得太低的一个好办法。
中心极限定理是统计学中比较重要的一个定理。 本文将通过实际模拟数据的形式，形象地展示中心极限定理是什么，是如何发挥作用的。
创建数组 import numpy as np a=np.array([1,2,3]) b=np.array([[1,2,3],[4,5,6],[7,8,9]]) b[1,1]=10 print(a.shape) print(b.shape) print(a.dtype) print(b) 结构数组 import numpy as np persontype=np.dtype({ "names":["name","age","chinese","math","english"], "fo
Batch Normalization是将各层的输入进行归一化，使训练过程更快、更稳定的一种技术。在实践中，它是一个额外的层，我们通常添加在计算层之后，在非线性之前。它包括两个步骤：
在这个课程中，我们已经研究了几个不同的统计量，包括总编译距离，最大值，中位数和平均值。在关于随机性的明确假设下，我们绘制了所有这些统计量的经验分布。有些统计量，比如最大和总变异距离，分布明显偏向一个方向。但是，无论研究对象如何，样本均值的经验分布几乎总是接近钟形。
在开篇中曾推荐过大家学习《商务与经济统计 精要版 原书第7版》，不知道大家有没有这种感觉，学完了不一定理解了，理解了不一定能正确应用。笔者并非统计科班出身，对其理解也是一点一滴逐步加深的。
从现在开始，我们将重复使用实用工具脚本 "utilities.R "中的函数。在这种情况下，我们将使用。
我们需要2SLS回归的一些基本结果来开发诊断方法，因此我们在此简单回顾一下该方法。2SLS回归是由Basmann(1957)和Theil(引自Theil 1971)在20世纪50年代独立发明的，他们采取了略微不同但又相当的方法，都在下面描述，以得出2SLS估计器。
数据分析师，无疑是数据时代最耀眼的职业之一，统计学，又是数据分析师必备的基础知识。
在图像处理和计算机视觉领域，滤波是一项常见的图像处理操作，用于平滑图像、去除噪声等。 OpenCV 提供了多种滤波方法，其中包括均值滤波和高斯滤波。本文将以均值滤波和高斯滤波为中心，为你介绍使用 OpenCV 进行滤波操作的基本步骤和实例。
首先，说明一下我们的数据，为了一步一步的明确pyfolio的功能和一些结果，我们首先选取我们的策略是0.3的中证500指数、0.3的中证1000指数和0.4的上证50指数，也就是我们的组合的收益就是这三个指数的加权收益。换句话说，我们是把这三个指数当成了三个资产。benchmark是沪深300，后续有需要的时候，回依次加入其它的东西。
方差较大的数据包含的信息量较小，但 OLS 却对所有数据等量齐观进行处理，故异方差的存在使得 OLS 的效率降低。
- 每一天的方向与之前的变化不同，对该策略来说都是亏损的一天，所以这样的日子不应该有大的价格波动。
数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。以下是两种常用的归一化方法：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
云直播
