now_try_
now_try_

2022吴恩达机器学习课程——第二课（神经网络）

注：参考B站视频教程

视频链接：【(强推|双字)2022吴恩达机器学习Deeplearning.ai课程】

文章目录

  • 第一周
    • 一、神经元
    • 二、神经网络
    • 三、代码实现 & Tensorflow
    • 四、前向传播
    • 五、强人工智能
    • 六、矩阵乘法 (简单，可以跳过)
  • 第二周
    • 一、用Tensorflow训练神经网络
    • 二、激活函数
    • 三、Softmax
    • 四、Adam & 卷积层
  • 第三周
    • 一、训练集&测试集
    • 二、偏差&方差
    • 三、误差分析&迁移学习
    • 四、精确率&召回率
  • 第四周
    • 一、决策树
    • 二、信息增益&独热码
    • 三、随机森林

第一周

一、神经元

1.2 神经元

2022吴恩达机器学习课程——第二课（神经网络）_第1张图片

神经网络的起源
2022吴恩达机器学习课程——第二课（神经网络）_第2张图片

1.3 需求预测

预测T恤是否畅销
2022吴恩达机器学习课程——第二课（神经网络）_第3张图片

2022吴恩达机器学习课程——第二课（神经网络）_第4张图片

多个隐藏层
2022吴恩达机器学习课程——第二课（神经网络）_第5张图片

1.4 举例——图像感知
人脸识别问题是，你能否训练一个神经网络，以一百万像素亮度值的特征向量作为输入，并输出图片中人物的身份
2022吴恩达机器学习课程——第二课（神经网络）_第6张图片

2022吴恩达机器学习课程——第二课（神经网络）_第7张图片

应用到车辆检测
2022吴恩达机器学习课程——第二课（神经网络）_第8张图片

二、神经网络

2.1 神经网络中的网络层
三个神经元中的每一个都在执行一个小小的逻辑回归单元
上标【1】表示layer1(神经网络第1层)中的参数
2022吴恩达机器学习课程——第二课（神经网络）_第9张图片

layer1-->layer2
2022吴恩达机器学习课程——第二课（神经网络）_第10张图片

2022吴恩达机器学习课程——第二课（神经网络）_第11张图片

2.2 更复杂的神经网络

layer2-->layer3
2022吴恩达机器学习课程——第二课（神经网络）_第12张图片

2022吴恩达机器学习课程——第二课（神经网络）_第13张图片

如何计算任意层的激活值
2022吴恩达机器学习课程——第二课（神经网络）_第14张图片

2.3 神经网络向前传播
神经网络需要从输入X这个8*8矩阵预测出a3的概率
2022吴恩达机器学习课程——第二课（神经网络）_第15张图片

2022吴恩达机器学习课程——第二课（神经网络）_第16张图片

用f(x)来表示线性回归或逻辑回归的输出
2022吴恩达机器学习课程——第二课（神经网络）_第17张图片

三、代码实现 & Tensorflow

3.1 如何用代码实现推理
使用机器学习算法来优化咖啡的烘焙过程
2022吴恩达机器学习课程——第二课（神经网络）_第18张图片

使用Tensorflow做基于神经网络的推理
在这里插入图片描述

手写数字识别
x是一个含有像素强度值的列表
2022吴恩达机器学习课程——第二课（神经网络）_第19张图片

3.2 Tensorflow中的数据形式
Numpy是如何存储向量和矩阵的
2022吴恩达机器学习课程——第二课（神经网络）_第20张图片

2022吴恩达机器学习课程——第二课（神经网络）_第21张图片

两个方括号表示的是“二维矩阵”，一个方括号表示的是“一维向量”
2022吴恩达机器学习课程——第二课（神经网络）_第22张图片

张量tensor是Tensorflow团队创建的一种数据类型，可以有效地存储和执行矩阵运算
2022吴恩达机器学习课程——第二课（神经网络）_第23张图片

2022吴恩达机器学习课程——第二课（神经网络）_第24张图片
将数组传入Tensorflow时，Tensorflow喜欢将其转换为自己的内部格式，然后有效的使用张量；当你把数据读出来的时候，你可以把它作为一个张量或者将其转换为Numpy数组

3.3 搭建一个神经网络
Sequential把网络层串联起来形成一个神经网络框架。
调用model.compile()训练神经网络，调用model.predict()实现向前传播。
2022吴恩达机器学习课程——第二课（神经网络）_第25张图片

2022吴恩达机器学习课程——第二课（神经网络）_第26张图片

2022吴恩达机器学习课程——第二课（神经网络）_第27张图片

四、前向传播

4.1 单个网络层上的向前传播
2022吴恩达机器学习课程——第二课（神经网络）_第28张图片

4.2 前向传播的一般实现
2022吴恩达机器学习课程——第二课（神经网络）_第29张图片

五、强人工智能

5.1 强人工智能
2022吴恩达机器学习课程——第二课（神经网络）_第30张图片

六、矩阵乘法 (简单，可以跳过)

6.1 神经网络为何如此高效

向量化实现 matmul
在这里插入图片描述

6.2 矩阵乘法
2022吴恩达机器学习课程——第二课（神经网络）_第31张图片

2022吴恩达机器学习课程——第二课（神经网络）_第32张图片

6.3 矩阵乘法规则
2022吴恩达机器学习课程——第二课（神经网络）_第33张图片

2022吴恩达机器学习课程——第二课（神经网络）_第34张图片

6.4 矩阵乘法代码
2022吴恩达机器学习课程——第二课（神经网络）_第35张图片

2022吴恩达机器学习课程——第二课（神经网络）_第36张图片

第二周

一、用Tensorflow训练神经网络

1.1 Tensorflow实现
2022吴恩达机器学习课程——第二课（神经网络）_第37张图片

1.2 模型训练细节
2022吴恩达机器学习课程——第二课（神经网络）_第38张图片

2022吴恩达机器学习课程——第二课（神经网络）_第39张图片

2022吴恩达机器学习课程——第二课（神经网络）_第40张图片

2022吴恩达机器学习课程——第二课（神经网络）_第41张图片

二、激活函数

2.1 Sigmoid激活函数的替代方案
2022吴恩达机器学习课程——第二课（神经网络）_第42张图片

2022吴恩达机器学习课程——第二课（神经网络）_第43张图片

2.2 如何选择激活函数
2022吴恩达机器学习课程——第二课（神经网络）_第44张图片

ReLU函数更加常用
2022吴恩达机器学习课程——第二课（神经网络）_第45张图片

2022吴恩达机器学习课程——第二课（神经网络）_第46张图片

2.3 为什么模型需要激活函数
为了引入非线性，提高模型的拟合能力
2022吴恩达机器学习课程——第二课（神经网络）_第47张图片

2022吴恩达机器学习课程——第二课（神经网络）_第48张图片

在隐藏层使用线性激活函数，在输出层使用logistic激活函数，结果这个模型等价于逻辑回归
经验法则：不要在神经网络的隐藏层中使用线性激活函数
2022吴恩达机器学习课程——第二课（神经网络）_第49张图片

三、Softmax

3.1 多分类问题
2022吴恩达机器学习课程——第二课（神经网络）_第50张图片

2022吴恩达机器学习课程——第二课（神经网络）_第51张图片

3.2 Softmax

如何计算Softmax回归模型
2022吴恩达机器学习课程——第二课（神经网络）_第52张图片
Softmax回归模型是逻辑回归的推广

aj的值越大，损失函数L的值越小
2022吴恩达机器学习课程——第二课（神经网络）_第53张图片

3.3 神经网络的Softmax输出
2022吴恩达机器学习课程——第二课（神经网络）_第54张图片

在多分类问题上训练神经网络
2022吴恩达机器学习课程——第二课（神经网络）_第55张图片
并不是最好的版本

3.4 Softmax的改进实现
2022吴恩达机器学习课程——第二课（神经网络）_第56张图片

不同的表达方式下可能会出现“数值舍入误差”
2022吴恩达机器学习课程——第二课（神经网络）_第57张图片

改进，设置from_logits = True
2022吴恩达机器学习课程——第二课（神经网络）_第58张图片

将表达式直接带入，这样就给了Tensorflow可以重新排列项并计算的能力
相比下，逻辑回归的数值舍入误差更大一点，建议用改进方法
2022吴恩达机器学习课程——第二课（神经网络）_第59张图片

神经网络的最后一层不再输出一些概率值了，not a1~a10 , is z1~z10
2022吴恩达机器学习课程——第二课（神经网络）_第60张图片

把逻辑回归和代价函数整合在一起，把输出值映射到Logistic函数中，得到概率

2022吴恩达机器学习课程——第二课（神经网络）_第61张图片

3.5 多个输出的分类

举例：多标签分类问题
2022吴恩达机器学习课程——第二课（神经网络）_第62张图片

多类别分类和多标签分类容易混淆
2022吴恩达机器学习课程——第二课（神经网络）_第63张图片

四、Adam & 卷积层

4.1 高级优化方法

Adam算法可以自动更新学习率，它比梯度下降算法要快得多
2022吴恩达机器学习课程——第二课（神经网络）_第64张图片

模型的每个参数都会用不同的学习率
2022吴恩达机器学习课程——第二课（神经网络）_第65张图片

如果一个参数wj或b在大致相同的方向上移动，就提高参数的学习率；
如果一个参数来回震荡，就减小参数的学习率。
2022吴恩达机器学习课程——第二课（神经网络）_第66张图片

2022吴恩达机器学习课程——第二课（神经网络）_第67张图片
现在大多数从业者会使用Adam算法而不是梯度下降算法

4.2 其他的网络层类型
全连接层
2022吴恩达机器学习课程——第二课（神经网络）_第68张图片

卷积层：每个神经元只关注输入图像的一个区域
2022吴恩达机器学习课程——第二课（神经网络）_第69张图片

2022吴恩达机器学习课程——第二课（神经网络）_第70张图片

第三周

一、训练集&测试集

1.1 决定下一步做什么
2022吴恩达机器学习课程——第二课（神经网络）_第71张图片

机器学习诊断：指的是一种测试，你可以运行它来深入了解算法中哪些是有效的，哪些是无效的，从而明白应该怎样提升性能。其中一些诊断会告诉你，是否值得用几周或者几个月的时间来收集更多的训练数据，如果是的话，你就可以继续投入时间寻找数据，这有望提升性能；如果不是，那么进行诊断可以为你节省几个月的时间
2022吴恩达机器学习课程——第二课（神经网络）_第72张图片

1.2 模型评估
2022吴恩达机器学习课程——第二课（神经网络）_第73张图片
划分训练集与测试集
2022吴恩达机器学习课程——第二课（神经网络）_第74张图片

线性回归
2022吴恩达机器学习课程——第二课（神经网络）_第75张图片

模型在训练集上做的好，但是在测试集上表现得不好

在这里插入图片描述

分类问题
2022吴恩达机器学习课程——第二课（神经网络）_第76张图片
取一个数据集，把它分为训练集和一个单独的测试集，可以系统的评估你的学习成果；通过计算训练误差和测试误差，你可以衡量模型在训练集和测试集上的表现

1.3 模型选择&交叉验证测试集的训练方法

d是多项式的次数
2022吴恩达机器学习课程——第二课（神经网络）_第77张图片
可以尝试不同的模型，并根据计算误差来选择一个合适的模型，不过这种方法过于复杂，不太建议

划分为训练集&验证集&测试集

2022吴恩达机器学习课程——第二课（神经网络）_第78张图片

2022吴恩达机器学习课程——第二课（神经网络）_第79张图片

2022吴恩达机器学习课程——第二课（神经网络）_第80张图片

2022吴恩达机器学习课程——第二课（神经网络）_第81张图片

二、偏差&方差

2.1 通过偏差与方差进行诊断

一个更系统的判断算法是否有高偏差或者高方差的方法是，看你的算法在训练集和交叉验证集上的表现
2022吴恩达机器学习课程——第二课（神经网络）_第82张图片

当你拟合一个越来越高阶的多项式时，训练误差会趋于下降；因为当你有一个非常简单的线性函数时，它并不能很好的拟合训练数据；当你拟合二阶/三阶/四阶多项式时，对训练数据的拟合越来越好；随着多项式次数的增加，J_train通常会下降
2022吴恩达机器学习课程——第二课（神经网络）_第83张图片

高偏差意味着算法在训练集上表现不好，高方差意味着，算法在交叉验证集上的表现比训练集上的差得多

高方差与高偏差同时出现的例子极少存在，是由于模型一半过拟合、一半欠拟合导致的

2022吴恩达机器学习课程——第二课（神经网络）_第84张图片

2.2 正则化、偏差、方差

正则化参数的选择对偏差和方差会产生什么影响
2022吴恩达机器学习课程——第二课（神经网络）_第85张图片

2022吴恩达机器学习课程——第二课（神经网络）_第86张图片

J_train和λ分别作为横轴，两个图就像彼此的镜像

2022吴恩达机器学习课程——第二课（神经网络）_第87张图片

2.3 制定一个用于性能评估的基准

以语音识别应用为例
可能10.8%的误差意味着这是很高的偏差，但当我们按照人类水平进行基准测试时，我们看到这个算法在训练集上表现得很好，但是交叉验证误差远高于训练误差，因此该算法更多的是方差问题，而不是偏差问题
2022吴恩达机器学习课程——第二课（神经网络）_第88张图片

2022吴恩达机器学习课程——第二课（神经网络）_第89张图片

2.4 学习曲线

交叉验证的误差通常要比训练误差高
2022吴恩达机器学习课程——第二课（神经网络）_第90张图片

2022吴恩达机器学习课程——第二课（神经网络）_第91张图片
如果学习算法有很高的偏差，获得更多的训练数据本身不会有多大的帮助

2022吴恩达机器学习课程——第二课（神经网络）_第92张图片
如果学习算法有很高的方差，获得更多的训练数据可能会有所帮助

2.5 决定下一步做什么
2022吴恩达机器学习课程——第二课（神经网络）_第93张图片

2.6 方差与偏差
2022吴恩达机器学习课程——第二课（神经网络）_第94张图片

2022吴恩达机器学习课程——第二课（神经网络）_第95张图片

2022吴恩达机器学习课程——第二课（神经网络）_第96张图片

不同的层可以选择不同的λ值

2022吴恩达机器学习课程——第二课（神经网络）_第97张图片

三、误差分析&迁移学习

3.1 机器学习开发的迭代

2022吴恩达机器学习课程——第二课（神经网络）_第98张图片

垃圾邮件分类实例

2022吴恩达机器学习课程——第二课（神经网络）_第99张图片

2022吴恩达机器学习课程——第二课（神经网络）_第100张图片

2022吴恩达机器学习课程——第二课（神经网络）_第101张图片

3.2 误差分析

这种误差分析的要点是，手动检查一组算法错误分类或标记的样本。通常分析完以后，下一步要做什么的灵感就来了。有时误差分析还可以告诉你，某种误差非常罕见，不值得你花那么多时间来修复
2022吴恩达机器学习课程——第二课（神经网络）_第102张图片

偏差和方差分析可以告诉你收集更多数据是否有帮助；通过误差分析可知：增加邮件特征（外部：路由、标题...）会有所帮助，但也只是一点点；然而，添加检测垃圾或钓鱼邮件的更复杂的特征（邮件内容：包含xx关键字...）可能会有很大帮助；检查拼写错误机会没有多大帮助
2022吴恩达机器学习课程——第二课（神经网络）_第103张图片
误差分析的局限性，它更容易处理人类擅长的问题

3.3 添加更多数据

数据增强
2022吴恩达机器学习课程——第二课（神经网络）_第104张图片

2022吴恩达机器学习课程——第二课（神经网络）_第105张图片

数据增强思想也适用于语音识别
2022吴恩达机器学习课程——第二课（神经网络）_第106张图片

考虑数据扩充的一种方式是如何修改、扭曲或在数据中制造更多噪音。但在某种程度上，你得到的仍然和你在测试集中得到的很相似，这就是学习算法最终会做的很好的地方。
2022吴恩达机器学习课程——第二课（神经网络）_第107张图片

照片OCR是指自动让计算机读取出图像中的文本

这是来自照片OCR任务的真实数据，关键步骤是能够看到像这样的小图像，并识别出中间的字母。
2022吴恩达机器学习课程——第二课（神经网络）_第108张图片
左边的图像是来自世界上拍摄的真实图片，右边图片是用电脑上的字体合成的。通过像这样的合成数据，你可以生成大量的图像或者图片OCR任务的例子

2022吴恩达机器学习课程——第二课（神经网络）_第109张图片

3.4 迁移学习-使用其他任务中的数据
假设你想要识别从0到9的手写数字，但是没有那么多这些手写数字的带标签数据

迁移学习给人的直观感受是，通过识别猫，狗，牛，人等，它已经为处理输入图像的前几个层学习了一些合理的参数，然后通过将这些参数迁移到新的神经网络，新神经网络参数的初始值更合适了，这样我们只需要再让算法学习一点，它就能成为一个很好的模型。

首先在大型数据集上进行训练，然后在较小的数据集上进一步参数调优，这两个步骤被称为“监督预训练”
2022吴恩达机器学习课程——第二课（神经网络）_第110张图片
有人会把训练有素的神经网络发布到互联网上，免费授权给任何人下载和使用。这意味着，与其自己从头开始，不如下载别人可能花了数周时间训练的神经网络，然后用自己的输出层替换原有的输出层，并执行option1或option2来微调别人已经监督预训练的神经网络，只需要做一点微调，你就可以快速得到一个表现良好的神经网络。

为什么迁移学习会起作用？
帮助神经网络学习检测图像的一些基本特征，比如找到边缘、角、曲线、基本形状。
2022吴恩达机器学习课程——第二课（神经网络）_第111张图片
预训练的限制条件：对于预训练和微调这两步，图像类型x是必须相同的

2022吴恩达机器学习课程——第二课（神经网络）_第112张图片

3.5 机器学习项目的完整周期

2022吴恩达机器学习课程——第二课（神经网络）_第113张图片

2022吴恩达机器学习课程——第二课（神经网络）_第114张图片

3.6 公平、偏见与伦理
2022吴恩达机器学习课程——第二课（神经网络）_第115张图片

2022吴恩达机器学习课程——第二课（神经网络）_第116张图片

2022吴恩达机器学习课程——第二课（神经网络）_第117张图片

四、精确率&召回率

4.1 倾斜数据集的误差指标
2022吴恩达机器学习课程——第二课（神经网络）_第118张图片

2022吴恩达机器学习课程——第二课（神经网络）_第119张图片

4.2 精确率与召回率的权衡

Precision:预测为正样本中有多少是真的预测正确了（找的对）
Recall:样本中的正例有多少被预测正确了（找的全）

2022吴恩达机器学习课程——第二课（神经网络）_第120张图片

2022吴恩达机器学习课程——第二课（神经网络）_第121张图片

第四周

一、决策树

1.1 决策树模型
2022吴恩达机器学习课程——第二课（神经网络）_第122张图片

2022吴恩达机器学习课程——第二课（神经网络）_第123张图片

2022吴恩达机器学习课程——第二课（神经网络）_第124张图片

1.2 学习过程
2022吴恩达机器学习课程——第二课（神经网络）_第125张图片

2022吴恩达机器学习课程——第二课（神经网络）_第126张图片

2022吴恩达机器学习课程——第二课（神经网络）_第127张图片

二、信息增益&独热码

2.1 纯度
2022吴恩达机器学习课程——第二课（神经网络）_第128张图片

计算熵的公式
2022吴恩达机器学习课程——第二课（神经网络）_第129张图片

2.2 选择拆分信息增益

熵的减少称为信息增益

决定何时不再继续分裂的停止标准之一是：是否熵减少的足够少
在这里插入图片描述
基于耳朵形状的分裂，导致熵的减少最大，所以我们会选择在根节点上分割耳朵形状特征

计算信息增益的基本公式
2022吴恩达机器学习课程——第二课（神经网络）_第130张图片
p1left = 左子树中带有正标签的例子的比例，正标签表示猫
w1left = 所有根节点到左边子分支的样本的比例

2.3 整合
构建决策树的整个过程
2022吴恩达机器学习课程——第二课（神经网络）_第131张图片

2022吴恩达机器学习课程——第二课（神经网络）_第132张图片

2022吴恩达机器学习课程——第二课（神经网络）_第133张图片

2.4 独热编码One-hot
2022吴恩达机器学习课程——第二课（神经网络）_第134张图片

2022吴恩达机器学习课程——第二课（神经网络）_第135张图片

2022吴恩达机器学习课程——第二课（神经网络）_第136张图片

2.5 连续有价值的功能

如何决定怎样划分体重特征?
2022吴恩达机器学习课程——第二课（神经网络）_第137张图片

为了让决策树在每个节点上能处理连续值特征，使用划分时，只需要考虑不同的值来划分，计算信息增益，并决定对其分割。选择连续值特征能提供尽可能高的信息增益
2022吴恩达机器学习课程——第二课（神经网络）_第138张图片

2.6 回归树
2022吴恩达机器学习课程——第二课（神经网络）_第139张图片

2022吴恩达机器学习课程——第二课（神经网络）_第140张图片

选择方差减少最大的那个
2022吴恩达机器学习课程——第二课（神经网络）_第141张图片

三、随机森林

3.1 使用多个决策树
事实上，仅仅改变一个训练例子就会导致这个算法在根节点产生一个不同的划分，形成了一棵完全不同的树，使得算法不那么健壮
2022吴恩达机器学习课程——第二课（神经网络）_第142张图片

集成树模型的最终预测
2022吴恩达机器学习课程——第二课（神经网络）_第143张图片
使用多个决策树能使整体算法对任何一棵树做的事情不那么敏感

3.2 有放回抽样
2022吴恩达机器学习课程——第二课（神经网络）_第144张图片

3.3 随机森林

袋装决策树
2022吴恩达机器学习课程——第二课（神经网络）_第145张图片

2022吴恩达机器学习课程——第二课（神经网络）_第146张图片

3.4 XGBoost

刻意练习：把更多的注意力放在做得不好的例子上

2022吴恩达机器学习课程——第二课（神经网络）_第147张图片

2022吴恩达机器学习课程——第二课（神经网络）_第148张图片

2022吴恩达机器学习课程——第二课（神经网络）_第149张图片

3.5 何时使用决策树

  • 决策树和集成树通常可以很好的处理结构化数据（如：房价预测）
  • 非结构化数据：图像、视频、音频、文本
  • 决策树和集成树的优势：训练速度快
  • 神经网络适用于所有的数据结构（结构化和非结构化数据），但神经网络训练时长可能比决策树要慢
    2022吴恩达机器学习课程——第二课（神经网络）_第150张图片

你可能感兴趣的:(深度学习入门,神经网络,人工智能)

  • 探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchaineasyui前端python
    #探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
  • 深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库python
    深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
  • 人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
    随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
  • 数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首 张三叨
    你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
  • 人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt人工智能
    一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
  • AI大模型的架构演进与最新发展 季风泯灭的季节 AI大模型应用技术二人工智能架构
    随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
  • 如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
    在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
  • ai绘画工具midjourney怎么下载？附作品管理教程 设计师早上好
    Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
  • 生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
    生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
  • 【大模型应用开发 动手做AI Agent】第一轮行动：工具执行搜索 AI大模型应用之禅 计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    【大模型应用开发动手做AIAgent】第一轮行动：工具执行搜索作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，大模型应用开发已经成为当下热门的研究方向。AIAgent作为人工智能领域的一个重要分支，旨在模拟人类智能行为，实现智能决策和自主行动。在AIAgent的构建过程中，工具执行搜索是至关重要
  • 未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
    目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
  • 吴恩达深度学习笔记(30)-正则化的解释 极客Array
    正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
  • 个人学习笔记7-6：动手学深度学习pytorch版-李沐 浪子L 深度学习深度学习笔记计算机视觉python人工智能神经网络pytorch
    #人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
  • Rust 所有权 简介 东离与糖宝 rust后端rust开发语言
    文章目录发现宝藏1.所有权基本概念2.所有权规则3.变量作用域4.栈与堆4.1栈（Stack）4.2堆（Heap）5.String类型5.1String类型5.2String的内存分配5.3所有权与内存管理5.4String与切片6.变量与数据交互方式6.1移动（Move）6.2.克隆（Clone）7.所有权与函数7.1.传递参数7.2.返回值总结发现宝藏前些天发现了一个巨牛的人工智能学习网站，通
  • 计算机视觉中，Pooling的作用 Wils0nEdwards 计算机视觉人工智能
    在计算机视觉中，Pooling（池化）是一种常见的操作，主要用于卷积神经网络（CNN）中。它通过对特征图进行下采样，减少数据的空间维度，同时保留重要的特征信息。Pooling的作用可以归纳为以下几个方面：1.降低计算复杂度与内存需求Pooling操作通过对特征图进行下采样，减少了特征图的空间分辨率（例如，高度和宽度）。这意味着网络需要处理的数据量会减少，从而降低了计算量和内存需求。这对大型神经网络
  • 神经网络-损失函数 红米煮粥 神经网络人工智能深度学习
    文章目录一、回归问题的损失函数1.均方误差（MeanSquaredError,MSE）2.平均绝对误差（MeanAbsoluteError,MAE）二、分类问题的损失函数1.0-1损失函数（Zero-OneLossFunction）2.交叉熵损失（Cross-EntropyLoss）3.合页损失（HingeLoss）三、总结在神经网络中，损失函数（LossFunction）扮演着至关重要的角色，它
  • 机器学习 流形数据降维：UMAP 降维算法 小嗷犬 Python机器学习#数据分析及可视化机器学习算法人工智能
    ✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录UMAP简介理论基础特点与优势应用场景在Python中使用UMAP安装umap-learn库使用UMAP可视化手写数字数据集UMAP简介UMAP（UniformManifoldApproximatio
  • BP神经网络的传递函数 大胜归来19 MATLAB
    BP网络一般都是用三层的，四层及以上的都比较少用；传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如1,0等，满足某个条件输出1，不满足则0的话，首先想到的是hardlim函数，阈值型的，当然也可以考虑其他的；然后，假如网络是用来表达某种线性关系时，用purelin---线性传输函数；若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用相同的传递函数，可以是三种配合，可
  • 神经网络传递函数sigmoid,神经网络传递函数作用 快乐的小荣荣 神经网络机器学习深度学习人工智能
    神经网络传递函数选取不同会有特别大差别嘛？只是最后一层，但前面层是非线性，那么可能存在区别不大的情况。线性函数f(a*input)=af(input),一般来说，input为向量，最简化情况下，可以假设input的各个维度，a1=a2=a3。。。意味着你线性层只是简单的对输入做了scale~而神经网络能起作用的原因，在于通过足够复杂的非线性函数，来模拟任何的分布。所以，神经网络必须要用非线性函数。
  • 如何做好人生的选择题？百科全书式天才——赫伯特·西蒙给你答案 伽马有话说
    赫伯特·西蒙是谁？想必知道的人非常少。但当看到他的履历后，相信没有人再怀疑他是个“天才”。西蒙出生于1916年6月15日，是个美国人，他的名字全称为赫伯特·亚历山大·西蒙，在2001年2月9日与世长辞，在这84年的岁月中，西蒙以27岁时取得的政治学博士学位为开端，先后步入了政治学、管理学、认知心理学、信息科学、人工智能、科学哲学、应用数学、统计学、运筹学、控制论、数理经济学、公共管理等领域，在这些
  • Python和R均方根误差平均绝对误差算法模型 亚图跨际 Python交叉知识R回归模型误差指标归一化均方根误差生态状态指标神经网络成本误差气体排放气候模型多项式拟合
    要点回归模型误差评估指标归一化均方根误差生态状态指标神经网络成本误差计算气体排放气候算法模型Python误差指标均方根误差和平均绝对误差均方根偏差或均方根误差是两个密切相关且经常使用的度量值之一，用于衡量真实值或预测值与观测值或估计值之间的差异。估计器θ^\hat{\theta}θ^相对于估计参数θ\thetaθ的RMSD定义为均方误差的平方根：RMSD⁡(θ^)=MSE⁡(θ^)=E((θ^−θ
  • 软件测试/测试开发/全日制 |利用Django REST framework构建微服务 霍格沃兹-慕漓 django微服务sqlite
    霍格沃兹测试开发学社推出了《Python全栈开发与自动化测试班》。本课程面向开发人员、测试人员与运维人员，课程内容涵盖Python编程语言、人工智能应用、数据分析、自动化办公、平台开发、UI自动化测试、接口测试、性能测试等方向。为大家提供更全面、更深入、更系统化的学习体验，课程还增加了名企私教服务内容，不仅有名企经理为你1v1辅导，还有行业专家进行技术指导，针对性地解决学习、工作中遇到的难题。让找
  • cmd泛滥_与您的后泛滥同事见面：人工智能机器人 weixin_26644585 人工智能leetcode
    cmd泛滥Readytoswapyouroldcube-mateforadisembodiedAI?IPsoftCEOChetanDube,creatorofAIco-workerAMELIA,giveshistakeonthepost-COVIDofficelandscape.准备将您的旧立方体伙伴换成无形的AI？AIsoft同事AMELIA的创始人IPsoft首席执行官ChetanDube阐述
  • 两种方法判断Python的位数是32位还是64位 sanqima Python编程电脑python开发语言
      Python从1991年发布以来，凭借其简洁、清晰、易读的语法、丰富的标准库和第三方工具，在Web开发、自动化测试、人工智能、图形识别、机器学习等领域发展迅猛。  Python是一种胶水语言，通过Cython库与C/C++语言进行链接，通过Jython库与Java语言进行链接。  Python是跨平台的，可运行在多种操作系统上，包括但不限于Windows、Linux和macOS。这意味着用Py
  • 全自动解密解码神器 — Ciphey K'illCode python_模块pythonvscode
    Ciphey是一个使用自然语言处理和人工智能的全自动解密/解码/破解工具。简单地来讲，你只需要输入加密文本，它就能给你返回解密文本。就是这么牛逼。有了Ciphey，你根本不需要知道你的密文是哪种类型的加密，你只知道它是加密的，那么Ciphey就能在3秒甚至更短的时间内给你解密，返回你想要的大部分密文的答案。下面就给大家介绍Ciphey的实战使用教程。1.准备开始之前，你要确保Python和pip已
  • 埃隆·马斯克表示特斯拉“没有必要”授权 xAI 模型 喜好儿网 人工智能AIGC马斯克
    埃隆·马斯克近日在社交媒体上对《华尔街日报》的一篇报道进行了反驳。该报道指出，马斯克旗下的电动汽车公司特斯拉可能与人工智能初创公司xAI达成了一项收入分享协议，以便特斯拉能够使用xAI的人工智能模型。据称，这些模型将被集成到特斯拉的全自动驾驶（FSD）软件中，并可能用于开发特斯拉汽车的语音助手以及人形机器人擎天柱的软件。喜好儿网然而，马斯克否认了这一说法，他在社交媒体平台上表示，尽管特斯拉确实与x
  • Reflection 70B——HyperWrite推出的大型语言模型 新加坡内哥谈技术 语言模型人工智能自然语言处理
    每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/在AI技术飞速发展的过程中，我们已经见证了可以写作、编程，甚至创造艺术的模型问世。但有一
  • 5条实操干货有效打造你的个人品牌 长安行动派
    这是ZerK的第46篇原创相信大家对个人品牌这个词已经不在陌生。尤其是在知识付费的年代，你的个人品牌，就是你的标签！在《深度工作》中说到，在未来有三种人会越来越贵第一种人:能与机器对话，操纵机器的人。人工智能时代的到来，机器毕竟部分取代人类。第二种人:IP，知识产权或者文学潜在财产就像有些网上课程一周卖出的钱和一个机构卖一年一样多。价值99元的课程，10万人购买，是很常见的。爱产出大概就是10万✖
  • 深入探讨：如何在Python中通过LangChain技术精准追踪大型语言模型（LLM）的Token使用情况 m0_57781768 pythonlangchain语言模型
    深入探讨：如何在Python中通过LangChain技术精准追踪大型语言模型（LLM）的Token使用情况在现代的人工智能开发中，大型语言模型（LLM）已经成为了不可或缺的工具，无论是用于自然语言处理、对话生成，还是其他复杂的文本生成任务。然而，随着这些模型的广泛应用，开发者面临的一个重要挑战是如何有效地追踪和管理Token的使用情况，特别是在生产环境中，Token的使用直接影响着API调用的成本
  • LangChain集成指南:如何利用多样化的AI提供商 aehrutktrjk 人工智能langchainpython
    LangChain集成指南:如何利用多样化的AI提供商引言在人工智能和机器学习领域,LangChain已成为一个强大而灵活的框架,允许开发者轻松集成各种AI服务提供商。本文将深入探讨LangChain的集成能力,介绍如何利用不同的AI提供商来增强你的应用程序,并提供实用的代码示例。LangChain集成概览LangChain支持多种AI提供商的集成,这些集成可以分为两类:独立包集成:这些提供商有独
  • 戴尔笔记本win8系统改装win7系统 sophia天雪 win7戴尔改装系统win8
    戴尔win8 系统改装win7 系统详述 第一步：使用U盘制作虚拟光驱：         1）下载安装UltraISO：注册码可以在网上搜索。         2）启动UltraISO，点击“文件”—》“打开”按钮，打开已经准备好的ISO镜像文
  • BeanUtils.copyProperties使用笔记 bylijinnan java
    BeanUtils.copyProperties VS PropertyUtils.copyProperties 两者最大的区别是： BeanUtils.copyProperties会进行类型转换，而PropertyUtils.copyProperties不会。 既然进行了类型转换，那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
  • MyEclipse中文乱码问题 0624chenhong MyEclipse
    一、设置新建常见文件的默认编码格式，也就是文件保存的格式。 在不对MyEclipse进行设置的时候，默认保存文件的编码，一般跟简体中文操作系统（如windows2000，windowsXP）的编码一致，即GBK。 在简体中文系统下，ANSI 编码代表 GBK编码;在日文操作系统下，ANSI 编码代表 JIS 编码。 Window-->Preferences-->General -
  • 发送邮件 不懂事的小屁孩 send email
    import org.apache.commons.mail.EmailAttachment; import org.apache.commons.mail.EmailException; import org.apache.commons.mail.HtmlEmail; import org.apache.commons.mail.MultiPartEmail;
  • 动画合集 换个号韩国红果果 htmlcss
    动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程 1 transition  制作鼠标滑过图片时的放大效果 css .wrap{ width: 340px;height: 340px; position: absolute; top: 30%; left: 20%; overflow: hidden; bor
  • 网络最常见的攻击方式竟然是SQL注入 蓝儿唯美 sql注入
    NTT研究表明，尽管SQL注入（SQLi）型攻击记录详尽且为人熟知，但目前网络应用程序仍然是SQLi攻击的重灾区。 信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明，目前黑客攻击网络应用程序方式中最流行的，要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析，指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中，SQLi攻击占
  • java笔记2 a-john java
    类的封装： 1，java中，对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节（尤其是私有数据） 2，目的：使对象以外的部分不能随意存取对象的内部数据（如属性），从而使软件错误能够局部化，减少差错和排错的难度。 3，简单来说，“隐藏属性、方法或实现细节的过程”称为——封装。 4，封装的特性：       4.1设置
  • [Andengine]Error：can't creat bitmap form path “gfx/xxx.xxx” aijuans 学习Android遇到的错误
            最开始遇到这个错误是很早以前了，以前也没注意，只当是一个不理解的bug，因为所有的texture，textureregion都没有问题，但是就是提示错误。 昨天和美工要图片，本来是要背景透明的png格式，可是她却给了我一个jpg的。说明了之后她说没法改，因为没有png这个保存选项。 我就看了一下，和她要了psd的文件，还好我有一点
  • 自己写的一个繁体到简体的转换程序 asialee java转换繁体filter简体
              今天调研一个任务，基于java的filter实现繁体到简体的转换，于是写了一个demo，给各位博友奉上，欢迎批评指正。          实现的思路是重载request的调取参数的几个方法，然后做下转换。          
  • android意图和意图监听器技术 百合不是茶 android显示意图隐式意图意图监听器
    Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递   显式意图：调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图，显式意图明确指定了Intent应该传递给哪个组件。   隐式意图;不指明调用的名称,根据设
  • spring3中新增的@value注解 bijian1013 javaspring@Value
            在spring 3.0中，可以通过使用@value，对一些如xxx.properties文件中的文件，进行键值对的注入，例子如下： 1.首先在applicationContext.xml中加入：  <beans xmlns="http://www.springframework.
  • Jboss启用CXF日志 sunjing logjbossCXF
    1. 在standalone.xml配置文件中添加system-properties：     <system-properties>        <property name="org.apache.cxf.logging.enabled" value=&
  • 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码 bit1129 centos
      编译必需的软件 Firebugs3.0.0 Maven3.2.3 Ant JDK1.7.0_67 protobuf-2.5.0 Hadoop 2.5.2源码包       Firebugs3.0.0   http://sourceforge.jp/projects/sfnet_findbug
  • struts2验证框架的使用和扩展 白糖_ 框架xmlbeanstruts正则表达式
    struts2能够对前台提交的表单数据进行输入有效性校验，通常有两种方式： 1、在Action类中通过validatexx方法验证，这种方式很简单，在此不再赘述； 2、通过编写xx-validation.xml文件执行表单验证，当用户提交表单请求后，struts会优先执行xml文件，如果校验不通过是不会让请求访问指定action的。 本文介绍一下struts2通过xml文件进行校验的方法并说
  • 记录-感悟 braveCS 感悟
    再翻翻以前写的感悟，有时会发现自己很幼稚，也会让自己找回初心。   2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了； 2. 要改变自己，不能这样一直在原来区域，要突破安全区舒适区，才能提高自己，往好的方面发展； 3. 多反省多思考；要会用工具，而不是变成工具的奴隶； 4. 一天内集中一个定长时间段看最新资讯和偏流式博
  • 编程之美-数组中最长递增子序列 bylijinnan 编程之美
    import java.util.Arrays; import java.util.Random; public class LongestAccendingSubSequence { /** * 编程之美 数组中最长递增子序列 * 书上的解法容易理解 * 另一方法书上没有提到的是，可以将数组排序（由小到大）得到新的数组， * 然后求排序后的数组与原数
  • 读书笔记5 chengxuyuancsdn 重复提交struts2的token验证
    1、重复提交 2、struts2的token验证 3、用response返回xml时的注意 1、重复提交 (1)应用场景 (1-1)点击提交按钮两次。 (1-2)使用浏览器后退按钮重复之前的操作，导致重复提交表单。 (1-3)刷新页面 (1-4)使用浏览器历史记录重复提交表单。 (1-5)浏览器重复的 HTTP 请求。 (2)解决方法 (2-1)禁掉提交按钮 (2-2)
  • [时空与探索]全球联合进行第二次费城实验的可能性 comsci
         二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验   至今给我们大家留下很多迷团.....      关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了      在这里,我的意思是,现在
  • easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符 daizj oracleORA-12154
    用easy connect连接出现“tns无法解析指定的连接标示符”的错误，如下： C:\Users\Administrator>sqlplus username/[email protected]:1521/orcl SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012 Copyright (c) 198
  • 简单排序:归并排序 dieslrae 归并排序
    public void mergeSort(int[] array){ int temp = array.length/2; if(temp == 0){ return; } int[] a = new int[temp]; int
  • C语言中字符串的\0和空格 dcj3sjt126com c
       \0 为字符串结束符，比如说：                       abcd (空格)cdefg； 存入数组时，空格作为一个字符占有一个字节的空间，我们
  • 解决Composer国内速度慢的办法 dcj3sjt126com Composer
    用法： 有两种方式启用本镜像服务： 1 将以下配置信息添加到 Composer 的配置文件 config.json 中（系统全局配置）。见“例1” 2 将以下配置信息添加到你的项目的 composer.json 文件中（针对单个项目配置）。见“例2” 为了避免安装包的时候都要执行两次查询，切记要添加禁用 packagist 的设置，如下 1 2 3 4 5
  • 高效可伸缩的结果缓存 shuizhaosi888 高效可伸缩的结果缓存
    /** * 要执行的算法，返回结果v */ public interface Computable<A, V> { public V comput(final A arg); }   /** * 用于缓存数据 */ public class Memoizer<A, V> implements Computable<A,
  • 三点定位的算法 haoningabc c算法
    三点定位， 已知a,b,c三个顶点的x,y坐标 和三个点都z坐标的距离，la，lb,lc 求z点的坐标 原理就是围绕a,b,c 三个点画圆，三个圆焦点的部分就是所求 但是，由于三个点的距离可能不准，不一定会有结果， 所以是三个圆环的焦点，环的宽度开始为0，没有取到则加1 运行 gcc -lm test.c test.c代码如下 #include "stdi
  • epoll使用详解 jimmee clinux服务端编程epoll
    epoll - I/O event notification facility在linux的网络编程中，很长的时间都在使用select来做事件触发。在linux新的内核中，有了一种替换它的机制，就是epoll。相比于select，epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中，它是采用轮询来处理的，轮询的fd数目越多，自然耗时越多。并且，在linu
  • Hibernate对Enum的映射的基本使用方法 linzx0212 enumHibernate
      枚举   /** * 性别枚举 */ public enum Gender { MALE(0), FEMALE(1), OTHER(2); private Gender(int i) { this.i = i; } private int i; public int getI
  • 第10章 高级事件（下） onestopweb 事件
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • 孙子兵法 roadrunners 孙子兵法
    始计第一 孙子曰： 兵者，国之大事，死生之地，存亡之道，不可不察也。 故经之以五事，校之以计，而索其情：一曰道，二曰天，三曰地，四曰将，五 曰法。道者，令民于上同意，可与之死，可与之生，而不危也；天者，阴阳、寒暑 、时制也；地者，远近、险易、广狭、死生也；将者，智、信、仁、勇、严也；法 者，曲制、官道、主用也。凡此五者，将莫不闻，知之者胜，不知之者不胜。故校 之以计，而索其情，曰
  • MySQL双向复制 tomcat_oracle mysql
    本文包括: 主机配置 从机配置 建立主-从复制 建立双向复制   背景 按照以下简单的步骤: 参考一下： 在机器A配置主机(192.168.1.30) 在机器B配置从机(192.168.1.29) 我们可以使用下面的步骤来实现这一点   步骤1：机器A设置主机 在主机中打开配置文件 ,
  • zoj 3822 Domination(dp) 阿尔萨斯 Mina
    题目链接：zoj 3822 Domination 题目大意：给定一个N∗M的棋盘，每次任选一个位置放置一枚棋子，直到每行每列上都至少有一枚棋子，问放置棋子个数的期望。 解题思路：大白书上概率那一张有一道类似的题目，但是因为时间比较久了，还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子，并且消耗k步的概率（k≤i∗j）,因为放置在i+1~n上等价与放在i+1行上，同理
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他