会唱歌的鸢尾花 鸢尾花象征啥? 还有其他各种意象，都象征啥？

Posted 2023-04-23

诗人熟练地运用比喻、通感等修辞，造成一幅婉转流动的画面。第二节颇具童话色彩。“我”的梦境中出现了“雪地”、“森林”、“斜塔”、“圣诞树”、“溜冰鞋”、“神笛”、“童话”、“焰火”、“喷泉”等诸多意象，这些意象如此密集地出现，烘托出充满异国情调的童话般的世界。第三节转入现实生活的回顾。第四节用了四小段排比，韵脚和谐，表达了对爱人的依恋，对相互信任的渴望，以及对纯情和激情的向往。第五、六节是对两人世界的进一步描绘，诗人以细致的敏感捕捉到了爱情给人的两种不同感受，并通过两组意象呈现在读者面前。第六节的最后一行是全诗的情感转折。沉浸在温柔甜蜜的爱情中的“我”从第七节开始，被时代唤醒，而不得不看到自己的历史承担，并勇敢地肩负责任走向未来。从第九节开始，这首诗的格调渐趋激昂。“三角梅”和“野天鹅”都是诗人的自我比喻。接下来的几节，几乎是交替着“我”爱情的留恋和对历史使命的坦然承受。最后两节是诗人假设自己死后的情景。诗歌的叙述语调由激昂重新回归温婉，并且浸润着淡淡的忧伤。“我”希望爱人在没有自己的日子里，不要沉浸在孤独与悲伤之中，而是要为理想重新站起来。“橄榄树”和“鸽子”都是和平的象征，是“我”用生命换回的和平。追问

这是在网上查的吧。。

参考技术A make love 的意思喔、

18-感知机模型在经典数据集鸢尾花上的应用

今天去新宿舍打扫了一天，一切都是新的。立秋了，天气也凉爽起来，让人可以静下心来，不再那么浮躁。如果用心生活，时间是会慢下来的。你会享受多出N倍的人生。浮光掠影，追求效率，牺牲的是本该属于自己的趣味盎然的过程。自从脱离大公司的束缚，不再有周末和下班的概念。然而工作成了一种打怪升级的冒险历程，有点类似游戏。周一不再如上坟，工作和休息也不再泾渭分明。不到两年时间，比在大公司工作十年的经历更值得回忆。有时后悔在大公司呆太久了，单调的生活真的是杀时间的利器，会让你觉得逝去年华如流水，然而并没有什么值得追忆。

 

上周我们学习了感知机模型，它的损失函数定义为误分类点到分离超平面的距离之和。之前的线性回归模型中，我们用的损失函数是实际值y和理论值的误差平方和。可能有的同学觉得奇怪，为啥损失函数用的不一样呢？因为我们要求w和b，使得损失函数最小，对于可导函数，我们的套路是用梯度下降法，不断更新w和b，向极值点方向靠拢。在线性回归模型中，实际值y和理论值的误差平方和是可导函数，所以是可行的。而在感知机模型中，实际值y和理论值的取值只可能是+1或-1，它们的误差平方和与w,b并没有明显的函数关系，也就不能通过梯度下降法来求使得损失函数极小化的w和b了。这个时候，我们发现误分类点到分离超平面的距离（注释1），和w，b都能扯上关系，而且很幸运也是连续可导的，所以就用这个作为损失函数，这样我们可以继续使用梯度下降法来更新w和b，使得损失函数向极值点方向靠拢。

【注释1：误分类点到超平面的距离==】

 

用这个损失函数有个缺点，即它只计算了误分类点到分离超平面的距离，正确分类点的损失函数应该是0，那么针对每个点，我们首先要判断它是否是误分类点，如果是才需要计算梯度，更新w，b。

 

损失函数L(w,b)的梯度通过偏导计算：

 

 

随机选取一个误分类点，根据上面的规则，计算新的w, b然后进行更新：

 

如果有一个通用的公式，对于所有点，无论是正确分类还是错误分类都适用，只是在正确分类点的情况下不更新w，b，能实现吗？数学家说SO EASY，于是有了下面改良版的权重更新规则：

 

 

这意味着，仅当针对给定训练实例 (x,y) 产生的输出值 f(x)与预期的输出值 y不同时，权重向量才会发生改变。并且输出值 f(x)与预期的输出值 y不同时，意味着y-f(x)=y-(-y)=2*y【记住 f(x)和y的取值只可能是+1或-1】，即对于误分类点，w(j):=w(j)+2*α*y*x(j)，这样和上周推导的权重更新公式是不是很像了？只是之前的学习率η=2*α。下面我们用算法实现这个改良版的权重更新规则：

（代码及数据集地址：http://pan.baidu.com/s/1nu6P6sx）

 

 

 

用感知机模型来训练大名鼎鼎的鸢尾花数据集：

这里只考虑两种花 Setosa 和 Versicolor，以及两种特征 sepal length 和 petal length。但是 Perceptron Model 其实可以解决多类别分类问题, 参考 one-vs-all。

• 读入数据

  

 

• 画散点图

 

 

• 训练感知机模型

 

结果 error 的确最后为 0, 证明是 convergent 的, 且分类效果应该说是非常准确了。

 

• 画决策边界（可以打印看下np.meshgrid和xx1.ravel的值）

 

虽然 Perceptron Model 在上面 Iris 例子里表现得很好，但在其他问题上却不一定表现得好。Frank Rosenblatt 从数学上证明了，在线性可分的数据里，Perceptron 的学习规则会收敛，但在线性不可分的情况下，却无法收敛。这个时候只能通过定义最大迭代次数来控制了。