阿华么
阿华么

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）

深度学习-01

  • 深度学习-01
    • 深度学习概述
      • 引入
        • 人工智能划时代事件
        • 深度学习巨大影响
      • 深度学习
        • 什么是深度学习
        • 深度神经网络
        • 深度学习与机器学习的关系
      • 深度学习的特点
        • 深度学习的优点
        • 深度学习的缺点
        • 为什么要学习深度学习
      • 深度学习的应用
      • 深度学习发展史
        • 深度网络进化过程
      • 小结
    • 感知机与神经网络
      • 感知机
        • 什么是感知机
        • 感知机的功能
          • 实现逻辑和
          • 实现逻辑或
        • 如何实现感知机
          • 实现逻辑和
          • 实现逻辑或
        • 感知机的缺陷
        • 多层感知机
          • 多层感知机解决异或门实现
      • 神经网络
        • 什么是神经网络
        • 神经网络的功能
        • 通用近似定理
        • 深层网络的优点
      • 激活函数
        • 什么是激活函数
        • 为什么使用激活函数
        • 常见的激活函数
          • 阶跃函数
          • sigmoid函数
          • tanh双曲正切函数
          • ReLU(Rectified Linear Units,修正线性单元)
          • Softmax
      • 小结
    • 损失函数与梯度下降
      • 损失函数
        • 什么是损失函数
        • 损失函数的作用
        • 常用的损失函数
          • 均方误差损失函数
          • 交叉熵
      • 梯度下降
        • 什么是梯度下降
        • 梯度下降
        • 导数与偏导数
          • 导数
          • 偏导数
        • 学习率
        • 梯度递减训练法则
        • 梯度下降算法
          • 批量梯度下降
          • 随机梯度下降
          • 小批量梯度下降
          • 几种梯度下降算法收敛比较
        • 小结
    • 反向传播算法
      • 什么是正向传播网络
      • 什么是反向传播
      • 为什么需要反向传播
      • 反向传播算法及简史
      • 图解反向传播
      • 反向传播计算
      • 链式求导法则
      • 案例1：通过反向传播计算偏导数
      • 小结
    • 卷积神经网络
      • 卷积函数
        • 什么是卷积
        • 离散卷积与多维卷积
        • 生活中的卷积
      • 卷积神经网络
        • 全连接神经网络的局限
        • 什么是卷积神经网络
        • 卷积神经网络的用途
        • 卷积运算
          • 单通道、二维卷积运算示例
          • 单通道、二维带偏置的卷积运算示例
          • 带填充（padding）的单通道、二维卷积运算示例
          • 步幅（stride）为2的卷积算示例
          • 卷积运算输出矩阵大小计算公式
          • 多通道卷积
        • 卷积运算的效果
        • 案例2：图像卷积运算
        • 卷积神经网络结构
          • 总体结构
          • 卷积层
          • 激活层
          • 池化层
          • 池化层计算
          • 池化层的特征
          • 全连接层
        • 典型CNN介绍
          • LeNet：主要参数
          • AlexNet：特点
          • AlexNet：主要参数
          • VGG：概要介绍
          • VGG：主要参数
      • 小结
    • 总结

深度学习-01

深度学习概述

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第1张图片

引入

人工智能划时代事件

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第2张图片

深度学习巨大影响

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第3张图片

深度学习

什么是深度学习

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第4张图片

深度神经网络

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第5张图片

深度学习与机器学习的关系

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第6张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第7张图片

深度学习的特点

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第8张图片

深度学习的优点

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第9张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第10张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第11张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第12张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第13张图片

深度学习的缺点

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第14张图片

为什么要学习深度学习

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第15张图片

深度学习的应用

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第16张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第17张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第18张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第19张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第20张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第21张图片

深度学习发展史

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第22张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第23张图片
在这里插入图片描述
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第24张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第25张图片

深度网络进化过程

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第26张图片

小结

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第27张图片

感知机与神经网络

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第28张图片

感知机

什么是感知机

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第29张图片

感知机的功能

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第30张图片

实现逻辑和

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第31张图片

实现逻辑或

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第32张图片

如何实现感知机

实现逻辑和

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第33张图片

实现逻辑或

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第34张图片

感知机的缺陷

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第35张图片

多层感知机

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第36张图片

多层感知机解决异或门实现

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第37张图片

神经网络

什么是神经网络

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第38张图片

神经网络的功能

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第39张图片

通用近似定理

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第40张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第41张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第42张图片

深层网络的优点

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第43张图片

激活函数

什么是激活函数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第44张图片

为什么使用激活函数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第45张图片

常见的激活函数

阶跃函数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第46张图片

sigmoid函数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第47张图片

tanh双曲正切函数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第48张图片

ReLU(Rectified Linear Units,修正线性单元)

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第49张图片

Softmax

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第50张图片

小结

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第51张图片

损失函数与梯度下降

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第52张图片

损失函数

什么是损失函数

在这里插入图片描述

损失函数的作用

在这里插入图片描述

常用的损失函数

均方误差损失函数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第53张图片

交叉熵

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第54张图片

梯度下降

什么是梯度下降

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第55张图片

梯度下降

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第56张图片

导数与偏导数

导数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第57张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第58张图片

偏导数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第59张图片

学习率

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第60张图片

梯度递减训练法则

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第61张图片

梯度下降算法

批量梯度下降

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第62张图片

随机梯度下降

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第63张图片

小批量梯度下降

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第64张图片

几种梯度下降算法收敛比较

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第65张图片

小结

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第66张图片

反向传播算法

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第67张图片

什么是正向传播网络

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第68张图片

什么是反向传播

在这里插入图片描述

为什么需要反向传播

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第69张图片

反向传播算法及简史

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第70张图片【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第71张图片

图解反向传播

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第72张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第73张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第74张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第75张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第76张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第77张图片

反向传播计算

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第78张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第79张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第80张图片

链式求导法则

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第81张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第82张图片

案例1：通过反向传播计算偏导数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第83张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第84张图片

小结

在这里插入图片描述

卷积神经网络

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第85张图片

卷积函数

什么是卷积

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第86张图片

离散卷积与多维卷积

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第87张图片

生活中的卷积

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第88张图片

卷积神经网络

全连接神经网络的局限

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第89张图片

什么是卷积神经网络

在这里插入图片描述

卷积神经网络的用途

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第90张图片

卷积运算

单通道、二维卷积运算示例

相同位置相乘再相加
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第91张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第92张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第93张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第94张图片

单通道、二维带偏置的卷积运算示例

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第95张图片

带填充（padding）的单通道、二维卷积运算示例

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第96张图片

步幅（stride）为2的卷积算示例

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第97张图片

卷积运算输出矩阵大小计算公式

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第98张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第99张图片

多通道卷积

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第100张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第101张图片

卷积运算的效果

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第102张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第103张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第104张图片

案例2：图像卷积运算

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第105张图片
【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第106张图片

卷积神经网络结构

总体结构

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第107张图片

卷积层

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第108张图片

激活层

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第109张图片

池化层

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第110张图片

池化层计算

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第111张图片

池化层的特征

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第112张图片

全连接层

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第113张图片

典型CNN介绍

LeNet：主要参数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第114张图片

AlexNet：特点

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第115张图片

AlexNet：主要参数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第116张图片

VGG：概要介绍

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第117张图片

VGG：主要参数

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第118张图片

小结

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第119张图片

总结

【深度学习01】概念、特点、应用、发展史、感知机、神经网络、激活函数（转载）_第120张图片

你可能感兴趣的:(深度学习,C++学习,图像处理,c++,图搜索算法,深度学习)

  • python学智能算法（七）|KNN邻近算法 西猫雷婶 人工智能python学习笔记算法
    【1】引言前述学习进程中，已经了解了一些非常经典的智能算法，相关文章包括且不限于：python学智能算法（三）|模拟退火算法：深层分析_模拟退火动画演示-CSDN博客python学智能算法（四）|遗传算法：原理认识和极大值分析_遗传算法和模拟退火时间复杂度-CSDN博客python学智能算法（五）|差分进化算法：原理认识和极小值分析-CSDN博客python学智能算法（六）|神经网络算法：BP神经
  • 【软考-架构】3.1、数据库概述-三级模式-设计-数据模型 小天努力学java 软考-系统架构师数据库架构
    ✨资料&文章更新✨GitHub地址：https://github.com/tyronczt/system_architect文章目录数据库系统三级模式-两级映像数据库设计考试真题第一题第二题数据模型✨E-R图✨关系模型E-R图转关系模型考试真题数据库系统三级模式-两级映像数据库设计掌握步骤、产出物、内容需求分析，产出：数据留图、数据字典、需求说明书；概念结构设计，产出：E-R图。分E-R图合并时，
  • C++设计模式-中介者模式：从基本介绍，内部原理、应用场景、使用方法，常见问题和解决方案进行深度解析 牵牛老人 C++专栏c++设计模式中介者模式
    一、基本介绍：对象世界的"通信指挥官"1.1模式定义与价值中介者模式（MediatorPattern）是一种行为型设计模式，其核心思想是通过中介对象封装一组对象的交互规则，使各对象不再显式相互引用。如同现实中的机场塔台调度飞机起降，该模式将原本复杂的网状通信结构转化为星型结构，很大程度上降低了对象的耦合度。1.2模式演进历程从早期GUI事件处理到现代微服务架构，中介者模式始终扮演着关键角色。在Qt
  • 图像去雾常见数据集 梦姐的编程日志 图像处理深度学习人工智能
    近年来，随着深度学习技术的快速发展，图像去雾任务成为计算机视觉领域的重要研究方向之一。高质量的数据集是算法研究的基础，本文将介绍一些常用的图像去雾数据集，包括其特点、应用场景以及下载地址。1.RESIDE数据集RESIDE（REalisticSingleImageDEhazing）数据集是目前最常用的图像去雾数据集之一。该数据集提供了多种规模的子数据集，主要分为以下几部分：IndoorTraini
  • 点云从入门到精通技术详解100篇-基于激光雷达点云的三维目标检测 格图素书 目标检测人工智能计算机视觉
    目录前言图像目标检测算法研究现状点云目标检测算法研究现状基于投影图的方法基于体素的方法基于点云的多模态融合方法2地面点云滤波及神经网络2.1目标检测数据集及采集设备2.1.1KITTI数据集2.1.2车载激光雷达2.2地面点云滤波算法2.2.1RANSAC算法2.2.2CSF算法本文篇幅较长，分为上下两篇，下篇详见基于激光雷达点云的三维目标检测（续）前言近几年来，在计算机视觉领域，利用深度学习卷积
  • 深度学习中的异构特征介绍 赫连达 深度学习人工智能
    深度学习，特别是现在的大模型，数据永远是最紧要的基础和前提。数据中有大量的各种各样的特征，这些特征类型不同、来源不同，因此称之为”异构特征“。这些特征没有一个明确的结构来描述它们之间的关系，这些特征的多样性和复杂性给数据处理和分析带来了挑战。这些特征包括：高基数ids：每个实体的唯一标识。交叉特征：两个或多个特征之间的组合关系。计数特征：某个特征出现的次数。比例特征：某个特征在整体中的占比。异构特
  • (4-8)基于DeepSeekMoE架构的DeepSeek-V3：测试模型 码农三叔 训练RAG多模态)架构transformerdeekseek人工智能大模型
    4.8测试模型DeepSeek-V3是一款基于PyTorch的深度学习模型，主要用于文本生成任务。在加载模型时，首先需要从指定路径加载模型的配置文件和预训练权重。加载完成后，模型被设置为评估模式，并移动到GPU上以加速推理过程。在生成文本时，用户可以输入提示文本，模型会根据这些提示生成相应的文本输出。生成过程支持交互式输入和批量处理两种模式，用户可以根据需要选择适合的方式进行文本生成。此外，模型的
  • 零基础转行学网络安全怎么样？能找到什么样的工作？ 网络安全苏柒 web安全安全计算机网络网络安全转行黑客工作
    网络安全对于现代社会来说变得越来越重要，但是很多人对于网络安全的知识却知之甚少。那么，零基础小白可以学网络安全吗？答案是肯定的。零基础转行学习网络安全是完全可行的，但需要明确的是，网络安全是一个既广泛又深入的领域，包含了网络协议、系统安全、应用安全、密码学、渗透测试、漏洞挖掘、安全编程、安全运维等多个方面。。网络安全是一个快速发展的领域，对专业人才的需求不断增长。以下是一些关于零基础转行学习网络安
  • 人工智能 - TensorRT与DeepDP终极指南：释放GPU潜能的深度学习推理优化之道 天机️灵韵 具身智能VLA人工智能人工智能算法深度学习pytorch
    TensorRTTensorRT（TensorRuntime）是英伟达（NVIDIA）推出的高性能深度学习推理（Inference）优化器和运行时库，专为在NVIDIAGPU上高效部署深度学习模型而设计。它通过模型压缩、计算图优化、硬件级加速等技术，显著提升推理速度并降低资源消耗，广泛应用于自动驾驶、工业检测、实时视频分析等对延迟敏感的领域。一、TensorRT的核心功能模型优化与加速层融合（La
  • AIGC论文查重和传统论文查重有什么区别？ 真不二价825 论文查重AI论文写作AIGC论文查重
    AIGC论文查重和传统论文查重在多个方面存在显著区别，以下是对两者的详细比较：一、检测目标和技术原理AIGC论文查重检测目标：主要用于检测和分析文本内容是否由AI生成，特别是在要求提供真实人类经验的领域，如新闻发布、文学创作等。技术原理：主要利用自然语言处理和深度学习技术，分析文本的风格、语法结构和语义连贯性，以判断内容是否可能由AI模型产生。传统论文查重检测目标：主要检测论文中是否存在抄袭或剽窃
  • 图像识别技术与应用 超帅的好吧 笔记
    第一节课这节课了解了这门专业的就业职位：工资是怎么样的岗位职责和任职要求看到了人类工业文明的演变了解了人工智能的研究、开发、模拟、延伸、理论、方法和技术看到了生活方式的转变比如智能语音闹钟控制系统、自动驾驶和人脸识别考勤智能购物、医疗日常生活的智能比如指纹、淘宝、抖音还能用软件看到天气的好坏了解了典型训练和机器学习中的关键组件机器学习中的关键组件包含：数据模型目标函数优化算法这节课学习了第一节剩下
  • HTML&CSS绘制三角形 南枝异客 前端csshtml开发语言
    1.代码：01triangle.box{width:0px;height:0px;/*background-color:red;*/border:50pxsolidtransparent;border-left:50pxsolidrgb(255,174,0)}2.效果图
  • 模型训练和推理 一杯水果茶！ 视觉与网络python梯度反向传播训练推理
    训练时需要梯度，推理时不需要怎么理解“梯度”？计算图以及前向后向传播训练时需要梯度，推理时不需要阶段是否计算梯度是否反向传播是否更新参数用例写法训练✅✅✅loss训练默认即可，requires_grad=True推理❌❌❌采样、预测、部署用@torch.inference_mode()或withtorch.no_grad()训练阶段必须开启梯度计算：要计算loss（损失函数）然后通过loss.ba
  • 【YOLOv11[基础]】目标检测OD | 导出ONNX模型 | ONN模型推理以及检测结果可视化 | python Jackilina_Stone 【改进】YOLO系列人工智能python计算机视觉YOLO深度学习目标检测
    本文将导出YOLO11.pt模型对应的ONNX模型，并且使用ONNX模型推理以及结果的可视化。话不多说，先看看效果图吧！！！目录一导出ONNX模型二推理及检测结果可视化1代码2效果图
  • PIMPL模式 我要进步！ c++
    PIMPL模式是什么？PIMPL（PointertoImplementation，指向实现的指针）是一种C++设计模式，也称为“编译防火墙”或“OpaquePointer”模式。它的核心思想是将类的实现细节与接口声明分离，通过将私有成员和实现逻辑移动到一个单独的类中，并在主类中仅保留一个指向该实现类的指针。PIMPL模式的结构1.主类（PublicInterface）-只包含公共接口和指向实现类的
  • PyTorch安装与环境配置终极指南：从零搭建高效深度学习开发环境（一） WHCIS pythonpytorch人工智能深度学习机器学习
    一、环境搭建的核心意义与准备工作1.1深度学习环境的核心挑战深度学习开发环境涉及复杂的软件栈依赖关系：硬件兼容性：GPU型号（NVIDIA系列）与CUDA版本的匹配软件依赖链：Python版本→PyTorch版本→CUDA驱动→cuDNN加速库环境隔离需求：不同项目可能依赖冲突的库版本1.2硬件准备清单硬件类型最低要求推荐配置CPU4核8核以上内存8GB32GB+GPU支持CUDANVIDIART
  • AI概率学预测足球大小球让球数据分析 sanx18 人工智能数据分析数据挖掘
    在足球数据分析中，AI概率学预测主要涉及大小球和让球盘口的分析。以下是关键点：1.大小球分析大小球指机构设定的进球数预期，投注者预测实际进球数是否超过或低于该值。AI应用：历史数据：AI通过分析球队的历史进球、失球等数据，预测未来比赛进球数。机器学习：使用回归模型、神经网络等预测进球数，考虑球队实力、比赛风格、天气等因素。实时数据：结合实时比赛数据动态调整预测。2.让球分析让球是机构为平衡双方实力
  • 【梯度下降算法】 蝉叫醒了夏天 机器学习算法
    梯度下降算法：第一章梯度下降的历史沿革1.1优化方法的演进脉络从17世纪牛顿时代的数值解法，到20世纪最优控制理论的发展，直至现代机器学习对优化算法的特殊需求，梯度下降算法在数学优化史上占据重要地位。1947年FrankRosenblatt在感知机研究中首次系统应用梯度下降思想1.2机器学习时代的复兴21世纪深度学习革命使梯度下降算法获得新生：2006年Hinton团队在深度信念网络中的突破应用2
  • 中级软件设计师2004-2024软考真题合集下载 凡间晨光 资源分享资源分享软考
    中级软件设计师2004-2024软考真题合集下载资源亮点适用人群资源使用指南资源获取方式资源亮点「中级软件设计师历年真题及答案解析（2004-2024）」是全网最全、最新的备考资料合集，包含：21年完整真题（2004-2024年共42套）详细答案解析（含考点标注+解题思路）高频考点汇总（覆盖数据流图、设计模式等核心模块）考试大纲对照（2024版最新大纲匹配）适用人群✅正在备考软考中级的在职人员✅计
  • 适配器模式详解：原理、C++代码实现、结构图、场景及优缺点 五木大大 C++随想录适配器模式c++c语言码蚁软件算法设计模式
    一、原理及代码适配器模式是一种结构型设计模式，用于将一个类的接口转换成客户端所期望的另一个接口。这可以让原本由于接口不兼容而不能在一起工作的类能够协同工作。适配器模式通常包括三个角色：目标接口（Target）、适配器（Adapter）和被适配者（Adaptee）。适配器模式的原理如下：目标接口（Target）定义了客户端使用的特定接口。适配器（Adapter）实现了目标接口，并持有一个被适配者的实
  • 替换word模板内容 Java实现 一头酸奶牛_ 工具类java
    文章目录第一步：准备文件第二步：将word文件另存为.xml格式第三步：放到idea中的一个目录下第四步：修改占位符第五步：代码示例第六步：效果图1第六步：效果图2第一步：准备文件这里以这个文件为例，在要替换的地方用占位符$replaceXX@替换。第二步：将word文件另存为.xml格式第三步：放到idea中的一个目录下这里已src目录为例第四步：修改占位符第五步：代码示例packagecom.
  • 【从零开始学习计算机科学】操作系统（七）文件管理 贫苦游商 学习服务器操作系统文件管理文件读写文件块文件操作
    【从零开始学习计算机科学】操作系统（七）文件管理文件管理文件的逻辑结构文件的读写方式文件的物理结构与组织文件目录空闲块管理文件的共享文件的权限控制与保护文件系统的其他功能文件管理文件管理主要涉及文件的逻辑组织和物理组织，目录的结构和管理。所谓文件管理，就是操作系统中实现文件统一管理的一组软件、被管理的文件以及为实施文件管理所需要的一些数据结构的总称（是操作系统中负责存取和管理文件信息的机构）从系统
  • 网盘代码学习计划 孤独的程序员dis1500 新技术c++
    可以参考这个代码写一个这种软件electron做界面+libmysql.dll加nodeaddon模块
  • C# WPF 基础知识学习（二） 埃菲尔铁塔_CV算法 c#wpf学习计算机视觉人工智能开发语言
    四、数据绑定（一）数据绑定基础绑定源和目标：数据绑定建立了UI元素（绑定目标）属性与数据源（绑定源）之间的联系。例如，将一个TextBox的Text属性绑定到一个对象的某个属性上。绑定源可以是对象的属性、集合、XML数据等，绑定目标通常是UI元素的依赖属性。绑定模式：WPF支持三种绑定模式：OneWay：数据从绑定源流向绑定目标。当绑定源属性值发生变化时，绑定目标属性会自动更新，但绑定目标的变化不
  • Node.js、数据库、模块化、NPM、Axios chenjia525 node.js数据库npm
    一、初识Node.js1.基于chromev8引擎的js运行环境2.v8引擎：chrome的js解析引擎，C++开发,单线程，可独立运行3.运行环境：①类似虚拟机，提供js在服务端运行的环境②js工具库：扩展了js在服务端的功能二、环境安装1.Node.js必须先安装再使用--有很多版本2.安装方式：①下载包安装：添加到环境变量版本更新：重新下载安装②NVM：多版本切换3.查看是否安装成功：nod
  • sparkML入门，通俗解释机器学习的框架和算法 Tometor spark-ml机器学习算法回归数据挖掘人工智能scala
    一、机器学习的整体框架（类比烹饪）假设你要做一道菜，机器学习的过程可以类比为：步骤-->烹饪类比-->机器学习对应1.确定目标|想做什么菜（红烧肉/沙拉）|明确任务(分类/回归/聚类)2.准备食材|买菜、洗菜、切菜|数据收集与预处理3.设计食谱|决定烹饪步骤和调料|选择算法和模型设计4.试做并尝味道|调整火候和调味|模型训练与调参5.最终成品|端上桌的菜|模型部署与应用二、机器学习的核心流程1.数
  • C++ std::reference_wrapper：让引用更强大 Lion 莱恩呀 C/C++技术干货c++开发语言c++17stlc++11算法linux
    std::reference_wrapper的通俗易懂解释一、简介二、std::reference_wrapper的初衷三、常用示例3.1、与`make_pair`和`make_tuple`一起使用3.2、引用容器3.3、通过`std::thread`按引用传递参数给启动函数3.4、引用作为类成员3.5、按引用传递函数对象3.6、与绑定表达式一起使用四、总结五、推荐阅读一、简介std::refer
  • 【C++设计模式】第二十三篇：观察者模式（Observer） JuicyActiveGilbert C++设计模式c++设计模式观察者模式
    注意：复现代码时，确保VS2022使用C++17/20标准以支持现代特性。事件驱动的订阅通知机制1.模式定义与用途核心思想观察者模式：定义一种一对多依赖关系，当一个对象（主题）状态改变时，所有依赖它的对象（观察者）自动收到通知并更新。-关键用途：1.解耦发布者与订阅者：主题无需知道观察者的具体实现。2.实时通知：支持动态添加或移除观察者。3.事件驱动架构：适用于GUI事件处理、数据监控、消息队列等
  • 【CMake指南】第1篇：CMake入门基础 JuicyActiveGilbert CMake指南c++CMake教程
    1.什么是CMake？CMake是一个跨平台的自动化构建工具，用于管理C/C++项目的编译过程。它通过简单的配置文件（CMakeLists.txt）生成不同平台（如Windows的VisualStudio、Linux的Makefile、macOS的Xcode）所需的构建文件，解决手动编写Makefile或维护多平台项目的痛点。为什么选择CMake？跨平台支持：一套配置，多平台编译。简洁高效：语法清
  • 【C++设计模式】第二十一篇：模板方法模式（Template Method） JuicyActiveGilbert C++设计模式c++设计模式模板方法模式
    注意：复现代码时，确保VS2022使用C++17/20标准以支持现代特性。算法骨架的标准化定义1.模式定义与用途核心思想模板方法模式：在父类中定义算法的骨架，将某些步骤延迟到子类实现，使得子类不改变算法结构即可重写特定步骤。关键用途：1.代码复用：提取多个类的共同流程到父类。2.流程标准化：确保算法步骤的执行顺序不变。3.扩展性：子类仅需关注差异化的实现细节。经典场景数据解析框架（固定解析流程，支
  • 多线程编程之存钱与取钱 周凡杨 javathread多线程存钱取钱
      生活费问题是这样的：学生每月都需要生活费，家长一次预存一段时间的生活费，家长和学生使用统一的一个帐号，在学生每次取帐号中一部分钱，直到帐号中没钱时 通知家长存钱，而家长看到帐户还有钱则不存钱，直到帐户没钱时才存钱。   问题分析：首先问题中有三个实体，学生、家长、银行账户，所以设计程序时就要设计三个类。其中银行账户只有一个，学生和家长操作的是同一个银行账户，学生的行为是
  • java中数组与List相互转换的方法 征客丶 JavaScriptjavajsonp
    1.List转换成为数组。（这里的List是实体是ArrayList) 　　调用ArrayList的toArray方法。 　　toArray 　　public T[] toArray(T[] a)返回一个按照正确的顺序包含此列表中所有元素的数组；返回数组的运行时类型就是指定数组的运行时类型。如果列表能放入指定的数组，则返回放入此列表元素的数组。否则，将根据指定数组的运行时类型和此列表的大小分
  • Shell 流程控制 daizj 流程控制if elsewhilecaseshell
    Shell 流程控制 和Java、PHP等语言不一样，sh的流程控制不可为空，如(以下为PHP流程控制写法)： <?php if(isset($_GET["q"])){ search(q);}else{// 不做任何事情} 在sh/bash里可不能这么写，如果else分支没有语句执行，就不要写这个else，就像这样 if else if if 语句语
  • Linux服务器新手操作之二 周凡杨 Linux 简单 操作
    1.利用关键字搜寻Man Pages    man -k keyword  其中-k 是选项，keyword是要搜寻的关键字 如果现在想使用whoami命令，但是只记住了前3个字符who，就可以使用 man -k who来搜寻关键字who的man命令       [haself@HA5-DZ26 ~]$ man -k
  • socket聊天室之服务器搭建 朱辉辉33 socket
    因为我们做的是聊天室，所以会有多个客户端，每个客户端我们用一个线程去实现，通过搭建一个服务器来实现从每个客户端来读取信息和发送信息。    我们先写客户端的线程。 public class ChatSocket extends Thread{ Socket socket; public ChatSocket(Socket socket){ this.sock
  • 利用finereport建设保险公司决策分析系统的思路和方法 老A不折腾 finereport金融保险分析系统报表系统项目开发
    决策分析系统呈现的是数据页面，也就是俗称的报表，报表与报表间、数据与数据间都按照一定的逻辑设定，是业务人员查看、分析数据的平台，更是辅助领导们运营决策的平台。底层数据决定上层分析，所以建设决策分析系统一般包括数据层处理（数据仓库建设）。   项目背景介绍 通常，保险公司信息化程度很高，基本上都有业务处理系统（像集团业务处理系统、老业务处理系统、个人代理人系统等）、数据服务系统（通过
  • 始终要页面在ifream的最顶层 林鹤霄
    index.jsp中有ifream，但是session消失后要让login.jsp始终显示到ifream的最顶层。。。始终没搞定，后来反复琢磨之后，得到了解决办法，在这儿给大家分享下。。 index.jsp--->主要是加了颜色的那一句 <html> <iframe name="top" ></iframe> <ifram
  • MySQL binlog恢复数据 aigo mysql
    1，先确保my.ini已经配置了binlog：   # binlog log_bin = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.log log_bin_index = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.index log_error = D:/mysql-5.6.21-win
  • OCX打成CBA包并实现自动安装与自动升级 alxw4616 ocxcab
    近来手上有个项目,需要使用ocx控件 (ocx是什么? http://baike.baidu.com/view/393671.htm) 在生产过程中我遇到了如下问题. 1. 如何让 ocx 自动安装?     a) 如何签名?     b) 如何打包?     c) 如何安装到指定目录? 2.
  • Hashmap队列和PriorityQueue队列的应用 百合不是茶 Hashmap队列PriorityQueue队列
      HashMap队列已经是学过了的,但是最近在用的时候不是很熟悉,刚刚重新看以一次,   HashMap是K,v键 ,值     put()添加元素      //下面试HashMap去掉重复的 package com.hashMapandPriorityQueue; import java.util.H
  • JDK1.5 returnvalue实例 bijian1013 javathreadjava多线程returnvalue
    Callable接口： 返回结果并且可能抛出异常的任务。实现者定义了一个不带任何参数的叫做 call 的方法。 Callable 接口类似于 Runnable，两者都是为那些其实例可能被另一个线程执行的类设计的。但是 Runnable 不会返回结果，并且无法抛出经过检查的异常。        ExecutorService接口方
  • angularjs指令中动态编译的方法(适用于有异步请求的情况) 内嵌指令无效 bijian1013 JavaScriptAngularJS
            在directive的link中有一个$http请求，当请求完成后根据返回的值动态做element.append('......');这个操作，能显示没问题，可问题是我动态组的HTML里面有ng-click，发现显示出来的内容根本不执行ng-click绑定的方法！     
  • 【Java范型二】Java范型详解之extend限定范型参数的类型 bit1129 extend
    在第一篇中，定义范型类时，使用如下的方式：   public class Generics<M, S, N> { //M,S,N是范型参数 }  这种方式定义的范型类有两个基本的问题：   1. 范型参数定义的实例字段，如private M m = null;由于M的类型在运行时才能确定，那么我们在类的方法中，无法使用m，这跟定义pri
  • 【HBase十三】HBase知识点总结 bit1129 hbase
    1. 数据从MemStore flush到磁盘的触发条件有哪些？    a.显式调用flush，比如flush 'mytable'    b.MemStore中的数据容量超过flush的指定容量，hbase.hregion.memstore.flush.size,默认值是64M 2. Region的构成是怎么样？ 1个Region由若干个Store组成
  • 服务器被DDOS攻击防御的SHELL脚本 ronin47
    mkdir /root/bin vi /root/bin/dropip.sh #!/bin/bash/bin/netstat -na|grep ESTABLISHED|awk ‘{print $5}’|awk -F:‘{print $1}’|sort|uniq -c|sort -rn|head -10|grep -v -E ’192.168|127.0′|awk ‘{if($2!=null&a
  • java程序员生存手册-craps 游戏-一个简单的游戏 bylijinnan java
    import java.util.Random; public class CrapsGame { /** * *一个简单的赌*博游戏，游戏规则如下： *玩家掷两个骰子，点数为1到6，如果第一次点数和为7或11，则玩家胜， *如果点数和为2、3或12，则玩家输， *如果和为其它点数，则记录第一次的点数和，然后继续掷骰，直至点数和等于第一次掷出的点
  • TOMCAT启动提示NB: JAVA_HOME should point to a JDK not a JRE解决 开窍的石头 JAVA_HOME
    当tomcat是解压的时候，用eclipse启动正常，点击startup.bat的时候启动报错; 报错如下：   The JAVA_HOME environment variable is not defined correctly This environment variable is needed to run this program NB: JAVA_HOME shou
  • [操作系统内核]操作系统与互联网 comsci 操作系统
         我首先申明：我这里所说的问题并不是针对哪个厂商的，仅仅是描述我对操作系统技术的一些看法       操作系统是一种与硬件层关系非常密切的系统软件，按理说，这种系统软件应该是由设计CPU和硬件板卡的厂商开发的，和软件公司没有直接的关系，也就是说，操作系统应该由做硬件的厂商来设计和开发
  • 富文本框ckeditor_4.4.7 文本框的简单使用 支持IE11 cuityang 富文本框
    <html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> <title>知识库内容编辑</tit
  • Property null not found darrenzhu datagridFlexAdvancedpropery null
    When you got error message like "Property null not found ***", try to fix it by the following way: 1)if you are using AdvancedDatagrid, make sure you only update the data in the data prov
  • MySQl数据库字符串替换函数使用 dcj3sjt126com mysql函数替换
    需求：需要将数据表中一个字段的值里面的所有的  .   替换成  _   原来的数据是  site.title  site.keywords  .... 替换后要为     site_title  site_keywords   使用的SQL语句如下：   updat
  • mac上终端起动MySQL的方法 dcj3sjt126com mysqlmac
    首先去官网下载: http://www.mysql.com/downloads/ 我下载了5.6.11的dmg然后安装,安装完成之后..如果要用终端去玩SQL.那么一开始要输入很长的:/usr/local/mysql/bin/mysql 这不方便啊,好想像windows下的cmd里面一样输入mysql -uroot -p1这样...上网查了下..可以实现滴. 打开终端,输入: 1
  • Gson使用一（Gson） eksliang jsongson
    转载请出自出处：http://eksliang.iteye.com/blog/2175401 一.概述 从结构上看Json，所有的数据（data）最终都可以分解成三种类型： 第一种类型是标量（scalar），也就是一个单独的字符串（string）或数字（numbers），比如"ickes"这个字符串。 第二种类型是序列（sequence），又叫做数组（array）
  • android点滴4 gundumw100 android
    Android 47个小知识 http://www.open-open.com/lib/view/open1422676091314.html Android实用代码七段（一） http://www.cnblogs.com/over140/archive/2012/09/26/2611999.html http://www.cnblogs.com/over140/arch
  • JavaWeb之JSP基本语法 ihuning javaweb
      目录   JSP模版元素  JSP表达式  JSP脚本片断  EL表达式  JSP注释  特殊字符序列的转义处理  如何查找JSP页面中的错误   JSP模版元素    JSP页面中的静态HTML内容称之为JSP模版元素，在静态的HTML内容之中可以嵌套JSP
  • App Extension编程指南（iOS8/OS X v10.10）中文版 啸笑天 ext
             当iOS 8.0和OS X v10.10发布后，一个全新的概念出现在我们眼前，那就是应用扩展。顾名思义，应用扩展允许开发者扩展应用的自定义功能和内容，能够让用户在使用其他app时使用该项功能。你可以开发一个应用扩展来执行某些特定的任务，用户使用该扩展后就可以在多个上下文环境中执行该任务。比如说，你提供了一个能让用户把内容分
  • SQLServer实现无限级树结构 macroli oraclesqlSQL Server
    表结构如下： 数据库id path titlesort 排序 1 0 首页 0 2 0,1 新闻 1 3 0,2 JAVA 2 4 0,3 JSP 3 5 0,2,3 业界动态 2 6 0,2,3 国内新闻 1 创建一个存储过程来实现，如果要在页面上使用可以设置一个返回变量将至传过去   create procedure test as begin decla
  • Css居中div，Css居中img，Css居中文本，Css垂直居中div qiaolevip 众观千象学习永无止境每天进步一点点css
    /**********Css居中Div**********/ div.center { width: 100px; margin: 0 auto; } /**********Css居中img**********/ img.center { display: block; margin-left: auto; margin-right: auto; }
  • Oracle 常用操作(实用) 吃猫的鱼 oracle
    SQL>select text from all_source where owner=user and name=upper('&plsql_name');  SQL>select * from user_ind_columns where index_name=upper('&index_name');  将表记录恢复到指定时间段以前
  • iOS中使用RSA对数据进行加密解密 witcheryne iosrsaiPhoneobjective c
      RSA算法是一种非对称加密算法,常被用于加密数据传输.如果配合上数字摘要算法, 也可以用于文件签名. 本文将讨论如何在iOS中使用RSA传输加密数据. 本文环境 mac os  openssl-1.0.1j, openssl需要使用1.x版本, 推荐使用[homebrew](http://brew.sh/)安装. Java 8 RSA基本原理 RS
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他