softmax回归(Matlab)

时间:2017-05-29 02:32:20
【文件属性】:

文件名称:softmax回归(Matlab)

文件大小:10.24MB

文件格式:RAR

更新时间:2017-05-29 02:32:20

softmax

softmax回归是逻辑回归的延伸,用来处理多分类问题,此代码是用matlab实现


【文件预览】:
softmax_exercise
----loadMNISTImages.m(811B)
----minFunc()
--------mcholC.mexw64(12KB)
--------autoGrad.m(807B)
--------minFunc_processInputOptions.m(4KB)
--------conjGrad.m(2KB)
--------autoHv.m(317B)
--------precondDiag.m(42B)
--------example_minFunc.m(2KB)
--------WolfeLineSearch.m(11KB)
--------precondTriuDiag.m(60B)
--------mcholinc.m(564B)
--------callOutput.m(385B)
--------lbfgsC.mexa64(8KB)
--------lbfgsC.mexmaci64(9KB)
--------lbfgsC.c(2KB)
--------isLegal.m(107B)
--------autoTensor.m(870B)
--------lbfgsC.mexw32(7KB)
--------mcholC.mexw32(8KB)
--------ArmijoBacktrack.m(3KB)
--------lbfgsUpdate.m(614B)
--------lbfgsC.mexglx(8KB)
--------mcholC.c(4KB)
--------precondTriu.m(51B)
--------rosenbrock.m(1KB)
--------mcholC.mexmaci64(13KB)
--------minFunc.m(43KB)
--------logistic()
--------lbfgsC.mexmac(9KB)
--------taylorModel.m(677B)
--------dampedUpdate.m(995B)
--------mchol.m(1KB)
--------polyinterp.m(4KB)
--------lbfgsC.mexw64(10KB)
--------lbfgs.m(924B)
--------autoHess.m(901B)
--------example_minFunc_LR.m(2KB)
--------lbfgsC.mexmaci(12KB)
----computeNumericalGradient.m(1KB)
----train-labels.idx1-ubyte(59KB)
----softmaxCost.m(1KB)
----train-images.idx3-ubyte(44.86MB)
----t10k-images.idx3-ubyte(7.48MB)
----loadMNISTLabels.m(516B)
----softmaxExercise.m(5KB)
----softmaxPredict.m(767B)
----softmaxTrain.m(2KB)
----t10k-labels.idx1-ubyte(10KB)

网友评论

  • 学习下。。。。
  • 学习下学习下
  • 真的赞,刚好需要用到
  • 很好的资源,谢谢分享!
  • 很不错,蛮好用的,不过不能直接运行,要修改其中几步的代码
  • 相当不错 用起来挺方便
  • 真的很好用。谢谢分享。
  • 挺好,有用
  • 可以用,不错,正在学习
  • 相当不错的资源,效果不错。
  • 东西不错,么么哒
  • 正在学习softmax,有用
  • 很棒的资源,可以运行,谢谢分享
  • 还行咯,再改改
  • 很不错呢,自己稍微改一下就行了,好用
  • 很不错 用起来很好
  • 真很不错,有利于多类别分分类,不错,支持
  • 非常不错,正是我需要的
  • 资源不错,话说这是不是Stanford deep learning那个课后练习?
  • 非常好的资料,运行效果也不错,是入门的好资料。
  • 运行的时候报错。。。
  • 正在学习softmax,看了代码懂了不少。加油继续努力!
  • 需要自己补充代码,麻烦啊。
  • 不错,比较详细
  • 代码略复杂。。。一时间看不懂啊,需要慢慢啃
  • 很完善
  • 非常不错,补充完整了需要自己填的代码,学习了