#习之

深度学习之自编码器AutoEncoder

原文地址:https://blog.csdn.net/marsjhao/article/details/73480859一、什么是自编码器(Autoencoder)自动编码器是一种数据的压缩算法,其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合,压缩和解压缩的函数是通过神...

linux学习之硬盘的存储原理和内部架构

原文地址:https://blog.csdn.net/tanggao1314/article/details/52074735首先,让我们看一下硬盘的发展史:1956年9月13日,IBM的IBM350RAMAC(RandomAccessMethodofAccountingandControl)是现代硬盘的雏形,整个硬盘...

MVC学习之HtmlHelper

1.为什么要使用HtmlHelper?1.首先HtmlHelper是一个类型,MVC中的ViewPage<TModel>中的一个属性Html属性,这个属性的类型就是HtmlHelper<TModel>类型的,这样封装后最后产生的代码和我们手写的html代码是完全一样的,没有任何冗余,同时可以使得...
代码星球 代码星球·2020-09-22

MVC学习之简单的CRUD

1.一点知识的总结(1)MVC将展示页面和后台处理逻辑分离,不像ASPX中展示页面继承自后台的cs页面,MVC展示页面继承自ViewPage<dynamic>,最终继承自Page(使用ASPX模板引擎可以看到这种继承关系)(2)因为没有了继承关系,前后台的信息传递不能使用protected的成员变量进行传递...
代码星球 代码星球·2020-09-22

Flink 从 0 到 1 学习之(3) Data Source 介绍

前言DataSources是什么呢?就字面意思其实就可以知道:数据来源。Flink做为一款流式计算框架,它可用来做批处理,即处理静态的数据集、历史的数据集;也可以用来做流处理,即实时的处理些实时数据流,实时的产生数据流结果,只要数据源源不断的过来,Flink就能够一直计算下去,这个DataSources就是数据的来源地...

Flink 从 0 到 1 学习之(2) Flink 配置文件详解

前面文章我们已经知道Flink是什么东西了,安装好Flink后,我们再来看下安装路径下的配置文件吧。安装目录下主要有flink-conf.yaml配置、日志的配置文件、zk配置、FlinkSQLClient配置。基础配置123456789101112131415161718192021#jobManager的IP地址j...

Flink 从 0 到 1 学习之(1)Apache Flink 介绍

前言Flink是一种流式计算框架,为什么我会接触到Flink呢?因为我目前在负责的是监控平台的告警部分,负责采集到的监控数据会直接往kafka里塞,然后告警这边需要从kafkatopic里面实时读取到监控数据,并将读取到的监控数据做一些聚合/转换/计算等操作,然后将计算后的结果与告警规则的阈值进行比较,然后做出相应的告...
代码星球 代码星球·2020-09-20

人工智能深度学习入门练习之(38)深度学习 – tensorflow实例之keras的siamese(孪生网络)实现案例

一、keras的siamese(孪生网络)实现案例二、代码实现importkerasimportnumpyasnpimportmatplotlib.pyplotaspltimportrandomfromkeras.callbacksimportTensorBoardfromkeras.datasetsimportmni...

人工智能深度学习入门练习之(37)深度学习 – TensorFlow实现CNN神经网络算法

在人工的全连接神经网络中,每相邻两层之间的每个神经元之间都是有边相连的。当输入层的特征维度变得很高时,这时全连接网络需要训练的参数就会增大很多,计算速度就会变得很慢,例如一张黑白的28×2828×28的手写数字图片,输入层的神经元就有784个,如下图所示: 若在中间只使用一层隐藏层,参...

人工智能深度学习入门练习之(36)深度学习 – 使用深度学习实现智能聊天机器人

.聊天机器人的类型本文分为了哪些类型?2.聊天机器人的有几种主流技术?3.如何利用深度学习构建聊天机器人?聊天机器人(也可以称为语音助手、聊天助手、对话机器人等)是目前非常热的一个人工智能研发与产品方向。很多大型互联网公司投入重金研发相关技术,并陆续推出了相关产品,比如苹果Siri、微软Cortana与小冰、Googl...

人工智能深度学习入门练习之(35)深度学习 – 过拟合与dropout机制

过拟合(overfitting):学习能力过强,以至于把训练样本所包含的不太一般的特性都学到了。欠拟合(underfitting):学习能太差,训练样本的一般性质尚未学好。下面是直观解释:下面再举一个具体的例子:如果我们有6个数据,我们选择用怎么样的回归曲线对它拟合呢?看下图可以发现得到的直线 y=ba*xy...

人工智能深度学习入门练习之(34)深度学习 – 多层神经网络

先回顾一下单层网络,即一个神经元(自适应线性单元),如下图所示。可以使用梯度下降法训练模型,确定权重与偏置。深度学习涉及训练多层神经网络,也称为深度神经网络。在20世纪50年代Rosenblatt感知器被开发出来之后,直到1986年hinton博士和他的同事开发了反向传播算法来训练多层神经网络,人们才重新对神经网络产生...

人工智能深度学习入门练习之(33)深度学习 – 自适应线性单元

如前所述,在20世纪50年代,感知器(Rosenblatt,1956,1958)成为第一个能根据每个类别的输入样本来学习权重的模型。约在同一时期,自适应线性单元(adaptivelinearelement,ADALINE)简单地返回函数f(x)本身的值来预测一个实数(WidrowandHoff,1960),并且它还可以学...

人工智能深度学习入门练习之(32)深度学习 – 感知器

关于人工神经元,前面章节稍微提过,本章将详细讨论。人脑有数十亿个神经元。神经元是人脑中相互连接的神经细胞,参与处理和传递化学信号和电信号。树突是从其他神经元接收信息的分枝。细胞核处理从树突接收到的信息。轴突是一种神经细胞用来传递信息的生物电缆。突触是轴突和其他神经元树突之间的连接。1943年,研究人员沃伦·...

人工智能深度学习入门练习之(31)深度学习 – 运行平台

要运行深度学习项目,建议使用gpu,cpu与gpu比较如下:规格英特尔酷睿i7-6900k处理器极限版英伟达GeForceGTXI080Ti时钟频率3.2GHz<1.5GHz核数83584内存带宽64GB/s484GB/s浮点计算409GFLOPS11300GFLOPS对于深度学习任务,gpu(右列)比cpu(中...
首页上一页...910111213...下一页尾页