告诉我为什么函数使用 (1 + confidence) / 2. ? 你能提供一个公式吗？对于单尾假设和双尾假设，这个函数有何不同？
import numpy as np
import scipy.stats
def mean_confidence_interval(data, confidence=0.95):
a = 1.0 * np.array(data)
n = len(a)
m, se = np.mean(a), scipy.stats.sem(a)
h = se * scipy.stats.t.ppf((1 + confidence) / 2., n-1)
return m, m-h, m+h
我是否正确理解 MMP 与梯度下降方法相反（并且相似）并且它们可以相互替换？但是我们想要“最大化利润”而不是“损失最小化”？或者，打个比方，我们不想寻找底部，而是想要攀登最高的山峰？
如何修改我的代码，以便在预定义区域 ax_1、ax_2、ax_3、ax_4 中构建图表？
import matplotlib.pyplot as plt
fig = plt.figure()
ax_1 = fig.add_subplot(2, 2, 1)
ax_2 = fig.add_subplot(2, 2, 2)
ax_3 = fig.add_subplot(2, 2, 3)
ax_4 = fig.add_subplot(2, 2, 4)
ax_1.set(title = 'ax_1', xticks=[], yticks=[])
ax_2.set(title = 'ax_2', xticks=[], yticks=[])
ax_3.set(title = 'ax_3', xticks=[], yticks=[])
ax_4.set(title = 'ax_4', xticks=[], yticks=[])
x=[[1,2,3,4],[1,2,3,4],[1,2,3,4],[1,2,3,4]]
y=[[1,2,3,4],[1,2,3,4],[1,2,3,4],[1,2,3,4]]
for i in range(len(x)):
plt.figure()
plt.plot(x[i],y[i])
plt.show()
我想在其他两个卷积层之间添加一个卷积层。我应该如何计算它可能的超参数，以免违反传输张量的预期大小？
self.conv1 = torch.nn.Conv2d(
in_channels=1, out_channels=6, kernel_size=5, padding=2)
self.act1 = torch.nn.Tanh()
self.pool1 = torch.nn.AvgPool2d(kernel_size=2, stride=2)
self.conv2 = torch.nn.Conv2d(
in_channels=6, out_channels=16, kernel_size=5, padding=0)
self.act2 = torch.nn.Tanh()
self.pool2 = torch.nn.AvgPool2d(kernel_size=2, stride=2)
第1部分
在：
A = torch.tensor([1,2])
B = torch.tensor([[1,2],[2,4]])
print(A+B)
出去：
tensor([[2, 4],
[3, 6]])
问题：
为什么 Torch 不发誓，即使矩阵大小不同？
第2部分
在：
A = torch.tensor([[2,2],[1,2],[2,4]])
B = torch.tensor([[-7,5],[2,-1]])
print(A*B)
出去：
运行时错误
问题：
为什么我不能将矩阵 A(3x2) 和 B(2x2) 相乘？