是Perryl呀
是Perryl呀

机器学习——神经网络（neural networks）

1.认识神经网络

激活，指的是神经元向其下游的其他神经元发送高输出值或许多电脉冲的程度，影响因素是激活项。

输入四个数字，然后神经网络的这一层使用这四个数字来计算新的数字（3个），这些新的数字也被称为激活值。

机器学习——神经网络（neural networks）_第1张图片
多层的神经网络被称为多层感知器

2.神经网络在计算机视觉中的应用

机器学习——神经网络（neural networks）_第2张图片

【在第一个隐藏层中】

第一个神经元在寻找像第一个像素里这样的垂直线边缘。
第二个神经元在寻找一条像这样的有方向的线或有方向的边。

第三个神经元在这个方向上寻找一条线
神经网络的最初几层，神经元在图像中寻找非常短的线条或非常短的边缘

【在第二个隐藏层中】

这些神经元聚在了一起形成很多短小的线条和短小的边缘段，好寻找脸的一部分

【在第三个隐藏层中】

神经网络将人脸的不同部分聚合在一起，检测图像中是否存在粗粒度更大的面部轮廓，最后检测这张脸与不同面部轮廓的符合程度，创建出一组丰富的特征，然后帮助输出层确定人物图片的身份。
神经网络的一个显著特点是，你可以自己学习这些不同隐藏层的特征检测器

第一个隐藏层的神经元用相对较小的窗口来寻找这些边缘，第二个隐藏层是用大点的窗口(在图像的搜寻范围更大)，第三个隐藏层用的窗口还要更大，这些经过可视化后的小神经元，实际上对应于图像中不同大小的区域。

3.一层神经元

这四个数字分别输入到三个神经元中，这三个神经元中的每个都在执行个小小的逻辑回归单元
第一个神经元的激活值a1，这是三个数构成的向量变成了激活值a的向量，然后传递给该神经网络的最终输出层。

机器学习——神经网络（neural networks）_第3张图片
[1]表示层的索引，输出的是激活向量作为第二层的输入，第2层的输入是第1层的输出

机器学习——神经网络（neural networks）_第4张图片

【神经网络的工作原理】每一层输入一个数字向量，应用一堆逻辑回归单元，然后计算另一个向量，然后一层接着一层。

4.更复杂的神经网络

机器学习——神经网络（neural networks）_第5张图片
使用传统的网络计算层数的方法，不算输入层，共四层
机器学习——神经网络（neural networks）_第6张图片
函数g(w,b)是激活函数，激活函数就是能够输出这些激活值的函数

5.前向传播

计算a1

机器学习——神经网络（neural networks）_第7张图片
25个神经元25个单元，15个神经元15个单元

计算a2
机器学习——神经网络（neural networks）_第8张图片
计算a3 

机器学习——神经网络（neural networks）_第9张图片

因为要传播神经元的激活值，所以从左到右的过程称为前向传播forward propagation

6.基于TensorFlow的推理模型

将x设为含有两个数据的二维数组，输入是200摄氏度和17分钟
第一层得到一个包含三个数字的列表，因为第一层有三个单元

机器学习——神经网络（neural networks）_第10张图片

【手写数字分类问题】 

在本例中，x是一个含有像素强度值的列表，所以x等于包含此像素强度值的一个numpy数组，然后进行初始化，并进行向前传播
机器学习——神经网络（neural networks）_第11张图片

7.TensorFlow数据处理

在TensorFlow中NumPy是如何表示数据的，数据用NumPy和TensorFlow的表示之间存在一 些不致
在numpy中

机器学习——神经网络（neural networks）_第12张图片

线性回归和逻辑回归中，我们用一维向量来表示输入特征x，对于TensorFlow惯例是使用矩阵来表示数据。因为TensorFlow是被设计用来处理非常大的数据集的，这些数据集用矩阵而不是一维数组来表示，它让TensorFlow内部计算更加高效。
机器学习——神经网络（neural networks）_第13张图片输出，dtype=float32表示用十进制表示占用电脑里的32比特内存，这是浮点数32的位置。tensor（张量）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计算，可以把张量理解为是表示矩阵的一种方式

将张量转换为numpy数组，它会获取相同的数据并以NumPy数组的形式返回

【第二层的激活输出】

8.在tensorflow中构建神经网络

机器学习——神经网络（neural networks）_第14张图片

fit 函数拟合，即告诉tensorflow采用这个神经网络通过将layer 1和layer 2顺序连接在一起，然后用数据x,y训练它
建立一个神经网络密集流
机器学习——神经网络（neural networks）_第15张图片

9.从头实现前向传播（只利用python和numpy库实现前向传播）

在单个层中实现前向传播
机器学习——神经网络（neural networks）_第16张图片
【通用的前向传播实现】Python中更通用的forward prop实现方法，简化代码以实现更通用的神经网络，而不是硬编码每个神经元
实现全连接层(fully connected)的代码
这是神经网络的一层，定义一个dense函数，它的输入有:前一层的激活、表示某层的神经元的参数w和b
如果第一层有三个神经元，然后w1,w2,w3是这些
机器学习——神经网络（neural networks）_第17张图片然后我们要做的是把所有这些权向量(weight vector)叠加成一个矩阵同时将b这三个数叠成一个数组，b也就变成了[1,1,2]
dense函数的作用是输入前一层的激活这里的a可以是a0，它等于x或者是后面一层的激活，也可以是排成一列的参数w或参数b。从上层激活输入a,从当前层输出激活
机器学习——神经网络（neural networks）_第18张图片
这里的W是一个2x3矩阵，列数是3，这和这层的单元数(units)相同，所以这里的units=3
将a设为一个由0组成的数组，它的元素数量与单元数量相同，在本例中，我们需要输出三个激活值这将a初始化为[0,0,0]，一个包含3个0的数组
接下来，我们通过for循环来计算a的第一个、第二个和第三个元素

机器学习——神经网络（neural networks）_第19张图片
提取矩阵的第j列
计算z，参数w和激活量的点积，再加上b[j]
计算激活a_out[j]的值，它等于g (sigmoid函数)关于z的函数
dense函数的作用就是，输入前一层的激活，并给定当前层的参数输出下一层的激活。给定了dense函数，几个全连接层会这样按顺序地串在一起，以便在神经网络中实现前向传播。

机器学习——神经网络（neural networks）_第20张图片给定输入量x，可以计算激活量a1，a1= dense (x,w1,b1)
根据线性代数的符号惯例，表示矩阵时要用大写字母，小写表示向量和标量。

10.AGI(Artificial General Intelligence)强人工智能

机器学习——神经网络（neural networks）_第21张图片
11.矩阵乘法

能够扩大神经网络的规模以及考虑大型神经网络的原因之一是因为神经网络可以被向量化，他们可以通过矩阵乘法高效实现。事实证明，并行计算硬件，包括GPU以及CPU的一些功能是非常擅长做非常大的矩阵乘法。
【向量化的神经网络是如何工作的】

神经网络前向传播向量化实现

机器学习——神经网络（neural networks）_第22张图片

matmul是numpy执行矩阵乘法的方法，然后A_out等于激活函数g

向量之间的点乘

机器学习——神经网络（neural networks）_第23张图片每行的乘起来相加

转置写法

机器学习——神经网络（neural networks）_第24张图片

向量矩阵乘法 

转置=放平，列变行 

向量化可以使我们的代码运行的更快 

神经网络的向量化实现

机器学习——神经网络（neural networks）_第25张图片

机器学习——神经网络（neural networks）_第26张图片

在Tensorflow中，我们不用AT，称为a_in，XT称为A
TensorFlow中有个约定，单个样本实际上在矩阵X的行，而不是在矩阵X转置的行中，因此TensorFlow中的代码实现实际上是这样的
机器学习——神经网络（neural networks）_第27张图片

12.TensorFlow代码实现
机器学习——神经网络（neural networks）_第28张图片

第一部分指定函数，告诉TensorFlow如何计算推断

第二部分是让TensorFlow编译模型，关键步骤是指定你想要使用的损失函数，此处的函数叫做稀疏分类交又熵
第三部分是调用拟合函数，即告诉TensorFlow去拟合步骤1中确定的模型，使用步骤二中指定的损失或代价函数在数据集（x，y）中，epochs梯度下降的步数

这就是在TensorFlow中训练神经网络

【逻辑回归Model Training Steps】

机器学习——神经网络（neural networks）_第29张图片

第一步，指定给定输入X和参数如何计算输出

第二步，明确损失和代价

第三步，最小化我们训练的逻辑回归的代价函数

机器学习——神经网络（neural networks）_第30张图片

第一步是确定给定输入x和参数w和b的情况下如何计算输出

第二步是编译这个模型告诉它你想用的损失函数，这里是用来指定损失函数的代码，这个函数是二元交叉熵损失函数（binary cross entropy），在TensorFlow中这个损失函数被称为二元交叉熵，这个函数是要求TensorFlow利用该损失函数编译神经网络   ​​​​​​​

第三步是调用函数去最小化神经网络函数的代价用fit反向传播

13.常用的激活函数

机器学习——神经网络（neural networks）_第31张图片

对于输出层如何选择激活函数取决于y的值，二分类问题用sigmoid，结果有正有负用线性激活函数，结果只能是非负，使用ReLU函数 

对于隐藏层，大多数人使用ReLU函数，因为其速度快而且ReLU函数只在图形的一个部分是平坦的，使用梯度下降如果平坦的地方比较多效率会慢

机器学习——神经网络（neural networks）_第32张图片

14.多分类问题（multiclass classification problems） 

机器学习——神经网络（neural networks）_第33张图片

softmax回归算法是逻辑回归的推广，是一种针对多分类环境的二元分类算法
机器学习——神经网络（neural networks）_第34张图片

损失函数，只有一项，与其他项无关 

机器学习——神经网络（neural networks）_第35张图片

将softmax函数放到输出层 

机器学习——神经网络（neural networks）_第36张图片

有了这个，你的Softmax层现在可以给你估计y是这10个输出标签中任意一 个的概率。

softmax的Tensorflow实现
机器学习——神经网络（neural networks）_第37张图片

稀疏的分类交叉熵损失函数，稀疏表示y只能取这10个值中的一个

但在实际中不这样写，结果不精确

机器学习——神经网络（neural networks）_第38张图片把a展开成下面这个表达式，TensorFlow可以重新排列表达式中的项，想出一个数值上更精确的方法来计算这个损失函数

通过以下方法来表示损失函数为TensorFlow提供了更多的灵活性，如何计算这个以及它是否要显式地计算a，他的作用是设置输出层，只使用线性激活函数，将交叉熵损失函数和损失函数都封装进了这里特殊的损失函数里，logits=z，TensorFlow会把z作为中间值来计算，这可以让TensorFlow的数字舍入误差小一点，因为当涉及到softmax时，数值舍入误差可能会变得更糟
机器学习——神经网络（neural networks）_第39张图片

此时神经网络的最后一层不再输出这些概率值了，而是输出z1--z10
机器学习——神经网络（neural networks）_第40张图片

如果你想要把逻辑回归和代价函数整合在一起，那么对于逻辑回归，需要这样改代码，把输出值映射到Logistic函数中，得到概率

​​​​​​​
机器学习——神经网络（neural networks）_第41张图片
15.多标签分类问题（Classification with multiple outputs）

训练一个单一的神经网络来同时检测三种物：汽车、公交车和行人，因为我们要解决三个二元分类问题:有车吗?有公交吗?有行人吗?可以对输出层的这三个节点使用sigmoid激活函数
机器学习——神经网络（neural networks）_第42张图片

16. Adam优化算法（自适应矩估计(Adaptive Moment Estimation)）

自动调整学习率，比梯度下降快

tf.keras.optimizer.adam优化器，Adam优化算法需要一些默认的初始学习率

17.其他类型网络层

卷积层

为什么不让每个神经元看所有的像素，而只看一部分像素

第一个优点，它能快计算速度（Faster computation）

第二个优点，神经网络使用这种层，称为卷积层(convolutional layer)，需要的训练数据更少，也更不容易过拟合，这种层的每个神经元只关注输入图像的一个区域
机器学习——神经网络（neural networks）_第43张图片​​​​​​​

你可能感兴趣的:(人工智能,神经网络,人工智能)

  • Ai插件脚本合集安装包，免费教程视频网盘分享 全网优惠分享君
    随着人工智能技术的不断发展，越来越多的插件脚本涌现出来，为我们的生活和工作带来了便利。然而，如何快速、方便地获取和使用这些插件脚本呢？今天，我将为大家分享一个非常实用的资源——AI插件脚本合集安装包，以及免费教程视频网盘分享。首先，让我们来了解一下这个AI插件脚本合集安装包。它是一个集合了众多AI插件脚本的资源包，涵盖了各种领域，如数据分析、自动化办公、智能客服等等。通过这个安装包，用户可以轻松地
  • 过去一年，这16本好书不容错过 m0_54050778 perl
    编者按：2023年在动荡与希望中收尾，2023年注定会被载入史册。疫情寒冬结束，ChatGPT横空出世，带动了人工智能技术的飞速发展；淄博烧烤、天津大爷、尔滨之旅等充满感动与幸福。但与此同时，2023年又是动荡与不安的一年，俄乌冲突的延宕，新一轮的巴以冲突，极端天气频发。在这个大环境下，有一些经典的书籍著作诞生。本文将分享2023年最值得一读的16本书籍，文章来自翻译，希望对你有所启示。关于202
  • PaperWeekly sapienst PapersPaperwithCodeGeneralML
    1.Python软件包解决DL在未见过的数据分布下性能差的问题：（1）神经网络和损失分离的模块化设计（2）强大便捷的基准测试能力（3）易于使用但难以修改（4）github:https://github.com/marrlab/domainlabTrainer和Models之间是什么关系Trainer和Models是DomainLab中的两个核心概念。Trainer是一个用于指导数据流向模型并计算S
  • ChatGPT技巧大揭秘：AI写代码新境界 2401_83550420 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达ChatGPT技巧大揭秘：AI写代码新境界随着人工智能技术的不断进步，开发人员现在有了更多有趣的工具来提高他们的工作效率。其中，ChatGPT作为一种基于深度学习的自然语言处理模型，已经成为许多开发者的新宠。在本文中，我们将揭秘使用ChatGPT来帮助编写代码的技巧，探索AI在编程领域的新境界。ChatGPT简介ChatGPT是一种基于大型神经网络的对话生成模型，它
  • ChatGPT：AI合作伙伴助你成为论文写作高手 2401_83550420 chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达摘要：本文将介绍ChatGPT3.5Turbo（以下简称ChatGPT），一款强大的AI合作伙伴，能够助你成为一名论文写作高手。我们将深入探讨ChatGPT的特点、优势，并提供多个示例，展示ChatGPT在论文写作中的应用。无论是开展研究、撰写论文、还是与ChatGPT进行互动交流，都能够帮助你提升写作效率和质量。引言：随着人工智能的发展，聊天型语言模型在各个领域都
  • AI大模型学习：开启智能时代的新篇章 游向大厂的咸鱼 人工智能学习
    随着人工智能技术的不断发展，AI大模型已经成为当今领先的技术之一，引领着智能时代的发展。这些大型神经网络模型，如OpenAI的GPT系列、Google的BERT等，在自然语言处理、图像识别、智能推荐等领域展现出了令人瞩目的能力。然而，这些模型的背后是一系列复杂的学习过程，深度学习技术的不断演进推动了AI大模型学习的发展。首先，AI大模型学习的基础是深度学习技术。深度学习是一种模仿人类大脑结构的机器
  • OpenCV（一个C++人工智能领域重要开源基础库） 简介 愚梦者 OpenCV人工智能人工智能opencvc++图像处理计算机视觉开源
    返回：OpenCV系列文章目录（持续更新中......）上一篇：OpenCV4.9.0配置选项参考下一篇：OpenCV4.9.0开源计算机视觉库安装概述引言：OpenCV（全称OpenSourceComputerVisionLibrary）是一个基于开放源代码发行的跨平台计算机视觉库，可以用来进行图像处理、计算机视觉和机器学习等领域的开发。该库由英特尔公司于1999年开始开发，最初是为了加速处理器
  • 【循环神经网络rnn】一篇文章讲透 CX330的烟花 rnn人工智能深度学习算法python机器学习数据结构
    目录引言二、RNN的基本原理代码事例三、RNN的优化方法1长短期记忆网络（LSTM）2门控循环单元（GRU）四、更多优化方法1选择合适的RNN结构2使用并行化技术3优化超参数4使用梯度裁剪5使用混合精度训练6利用分布式训练7使用预训练模型五、RNN的应用场景1自然语言处理2语音识别3时间序列预测六、RNN的未来发展七、结论引言众所周知，CNN与循环神经网络（RNN）或生成对抗网络（GAN）等算法结
  • ChatGPT：智能论文写作指南，让您成为写作高手 AI臻蚌 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达写作是学术研究中不可或缺的一环，然而，对于许多人来说，写作往往是一项艰巨而费时的任务。但是，现在有了ChatGPT，您将能够以前所未有的速度和准确性编写高质量的论文。本文将向您介绍如何利用ChatGPT的强大功能成为写作高手，并为您提供一些示例，展示其在不同领域的应用。1.简介ChatGPT是一种基于人工智能的语言模型，它可以理解并生成人类语言。通过训练大量的语料库
  • ChatGPT神技：AI成为你的编程良友 2401_83481083 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达ChatGPT神技：AI成为你的编程良友近年来，人工智能技术的发展迅猛，ChatGPT作为其中一项创新技术，正逐渐走进我们的生活。在编程领域，AI不仅可以助力我们提高效率，还能成为我们的良友，帮助解决各种编程难题。一、ChatGPT简介ChatGPT是一种基于自然语言处理技术的人工智能模型，它能够生成类人对话。ChatGPT通过深度学习模型，能够理解输入的文本并生成
  • 数字逻辑不可能涌现出智能 dog250 人工智能
    先看一系列竖式乘法的步骤：相乘的两个数数位越大，步骤越多。如果不纠结数制，二进制运算也是这回事，把单个步骤用一个晶体管表达(其实一个步骤不止一个晶体管)，数位越大，所需的晶体管越多。先说结论，所有基于n进制的逻辑运算都不可扩展。硅基时序电路可如此巧妙完成精确计算，开启了数字化时代，人们试图将AI构建在这二进制世界。但若二进制运算不可扩展，基于数字逻辑的人工智能就不可能。前面提到过，二进制运算本质上
  • 深度学习与（复杂系统）事物的属性 科学禅道 深度学习模型专栏深度学习人工智能
    深度学习与复杂系统中事物属性的关系体现在：特征学习与表示:深度学习通过多层神经网络结构，能够自动从原始输入数据中学习和提取出丰富的特征表示。每一层神经网络都可能对应着事物属性的不同抽象层次，底层可能对应简单直观的属性，而随着网络深度的增加，顶层可以学习到更抽象、复杂的属性及其相互关系。非线性关系建模:深度学习特别擅长处理非线性关系，而在复杂系统中，事物属性间的相互作用往往表现为非线性，例如，某些属
  • 让数据说话：人工智能与六西格玛的完美结合 张驰课堂 人工智能六西格玛
    当人工智能与六西格玛结合，企业可以充分利用人工智能技术的数据处理、预测分析和智能决策支持能力，实现数据驱动的决策、质量控制和流程优化，从而提高企业的效率和竞争力。下面张驰咨询给大家具体的介绍：1、数据驱动决策六西格玛侧重于数据分析和决策制定，而人工智能可以提供更强大的数据处理和分析能力。通过人工智能技术，可以自动收集和整理大量的数据，并进行有效的数据挖掘和模式识别。这些数据分析结果可以为六西格玛项
  • 智合同如何助力建筑行业合同智能化管理 智合同（小智） 合同智能应用AI技术降本增效提质人工智能自然语言处理知识图谱深度学习大数据
    #建筑行业#人工智能#AI#合同智能应用#深度学习#自然语言处理技术#知识图谱智合同-采用深度学习、自然语言处理技术、知识图谱等人工智能技术，为企业提供专业的合同相关的智能服务。其主要服务包含：合同智能审查、合同要素智能提取、合同版本对比、合同智能起草、ICR智能识别、合同履约追踪、文本一致性对比、广告审查、合同范本库等服务。智合同在助力建筑行业合同智能化管理方面具有显著的优势。首先，智合同利用A
  • 神经网络（深度学习，计算机视觉，得分函数，损失函数，前向传播，反向传播，激活函数） MarkHD 深度学习神经网络计算机视觉
    神经网络，特别是深度学习，在计算机视觉等领域有着广泛的应用。以下是关于你提到的几个关键概念的详细解释：神经网络：神经网络是一种模拟人脑神经元结构的计算模型，用于处理复杂的数据和模式识别任务。它由多个神经元（或称为节点）组成，这些神经元通过权重和偏置进行连接，并可以学习调整这些参数以优化性能。深度学习：深度学习是神经网络的一个子领域，主要关注于构建和训练深度神经网络（即具有多个隐藏层的神经网络）。通
  • AI原生安全 亚信安全首个“人工智能安全实用手册”开放阅览 亚信安全官方账号 安全网络web安全人工智能大数据
    不断涌现的AI技术新应用和大模型技术革新，让我们感叹从没有像今天这样，离人工智能的未来如此之近。追逐AI原生？企业组织基于并利用大模型技术探索和开发AI应用的无限可能，迎接生产与业务模式的全面的革新。我们更应关心AI安全原生。实施人工智能是一项复杂又长远的任务，任何希望利用大模型的组织在设计之初，都必须将安全打入地基，安全一定是AI技术发展的核心要素。针对人工智能和大模型面临的威胁与攻击模式，亚信
  • 开发chrome扩展（ 禁止指定域名使用插件） 徐同保 chrome前端
    mainfest.json:{"manifest_version":3,"name":"ChatGPT学习","version":"0.0.2","description":"ChatGPT,GPT-4,Claude3,Midjourney,StableDiffusion,AI,人工智能,AI","icons":{"16":"./images/logo.png","48":"./images/lo
  • ai智能语音机器人的出现未来电销行业会如何发展？ VO_794632978 WX-794632978语音机器人人工智能机器人交互语音识别大数据
    人工智能和移动互联网技术的发展，对于很多行业都产生了颠覆性的影响。而对于电销这一重复度较高的行业来说，也是产生了巨大的推动作用。对于传统电销人来说，电销机器人可以帮助你提高销售效率，提高影响客户的能力和转化率，将你过去繁琐简单无效的需要个人做的工作，都交给机器，让你的时间和精力，放在重要的客户和有创造性的事情上。我们一起来看看都有哪些发展。自动化程度提高：AI机器人能够不间断地工作，自动拨打电话、
  • 生成式AI竞赛：开源还是闭源，谁将主宰未来？ 新加坡内哥谈技术 人工智能
    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/对于一些行业观察家来说，这场战斗似乎还没开始就已结束。当ChatGPT成为有史以来增长最
  • 飞桨科学计算套件PaddleScience skywalk8163 人工智能paddlepaddle人工智能飞桨
    PaddleScience是一个基于深度学习框架PaddlePaddle开发的科学计算套件，利用深度神经网络的学习能力和PaddlePaddle框架的自动(高阶)微分机制，解决物理、化学、气象等领域的问题。支持物理机理驱动、数据驱动、数理融合三种求解方式，并提供了基础API和详尽文档供用户使用与二次开发。安装当然要先安装好飞桨PaddlePaddle，再安装PaddleSciencepipinst
  • 训练时损失出现负数，正常吗？为什么 苏苏大大 机器学习深度学习人工智能
    在训练神经网络时，通常期望损失函数的值是非负的，因为损失函数是用来度量模型预测与真实值之间的差异的。然而，有时候在训练过程中，损失函数可能会出现负数的情况，这可能是正常的，也可能是因为某些原因导致了不寻常的行为。出现损失函数为负数的情况可能有以下几种原因：1.数值不稳定性：如果在计算损失函数时使用了数值不稳定的操作，比如过大或过小的数值，可能会导致损失函数出现负数。这可能是由于数值计算中的舍入误差
  • 从政府工作报告探计算机行业发展 想你依然心痛 个人总结与成长规划行业发展前景
    文章目录每日一句正能量前言以“数”谋新、加“数”向实人工智能方面人工智能成核心驱动引擎软件方面通信方面后记每日一句正能量该来的始终会来，千万别太着急，如果你失去了耐心，就会失去更多。该走过的路总是要走过的，从来不要认为你走错了路，哪怕最后转了一个大弯。这条路上你看到的风景总是特属于你自己的，没有人能夺走它。前言2024年的两会是中国政治日历上一次重要的会议，吸引了全球的目光。在这次两会中，计算机行
  • ego - 人工智能原生 3D 模拟引擎——基于AI的3D引擎，可以做游戏、空间计算、元宇宙等项目 花生糖@ AIGC学习资源人工智能游戏空间计算
    1.产品概述：Ego是一款AI本地化的3D模拟引擎，旨在让非技术创作者通过自然语言生成逼真的角色、3D世界和交互式脚本。该平台提供了创建和分享游戏、虚拟世界和交互体验的功能。2.定位：Ego定位于解决开放世界游戏和模拟的三大难题：难以编写游戏脚本、非玩家角色无法展现人类行为以及创建新的3D资产和世界的难度。通过AI技术，Ego致力于让用户可以用自然语言创建复杂的游戏和交互体验。3.创始人背景：创始
  • Python中的并发编程：多线程与多进程的比较【第124篇—多线程与多进程的比较】 一键难忘 pythonjava服务器并发编程多线程多进程
    发现宝藏前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【点击进入巨牛的人工智能学习网站】。Python中的并发编程：多线程与多进程的比较在Python编程领域中，处理并发任务是提高程序性能的关键之一。本文将探讨Python中两种常见的并发编程方式：多线程和多进程，并比较它们的优劣之处。通过代码实例和详细的解析，我们将深入了解这两种方法的适用场景和潜在问题。多线程
  • 最新ChatGPT支持下的PyTorch机器学习与深度学习 zkzhzy ChatGPT机器学习python机器学习深度学习pytorchchatgpt数据分析人工智能
    近年来，随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生，人工智能迎来了新一轮的发展浪潮。尤其是深度学习技术，在许多行业都取得了颠覆性的成果。另外，近年来，Pytorch深度学习框架受到越来越多科研人员的关注和喜爱。郁磊（副教授）主要从事AI人工智能、大语言模型及软件开发、生理系统建模与仿真、生物医学信号处理，具有丰富的科研经验，主编《MATLAB智能算
  • 神经网络量化 小厂程序猿 人工智能
    神经网络量化（NeuralNetworkQuantization）是一种技术，旨在减少神经网络模型的计算和存储资源需求，同时保持其性能。在深度学习中，神经网络模型通常使用高精度的参数（例如32位浮点数）来表示权重和激活值。然而，这种表示方式可能会占用大量的内存和计算资源，特别是在部署到资源受限的设备（如移动设备或嵌入式系统）时会受到限制。神经网络量化通过将模型参数和激活值从高精度表示（例如32位浮
  • 神奇的微积分 科学的N次方 人工智能人工智能ai
    微积分在人工智能（AI）领域扮演着至关重要的角色，以下是其主要作用：优化算法：•梯度下降法：微积分中的导数被用来计算损失函数相对于模型参数的梯度，这是许多机器学习和深度学习优化算法的核心。梯度指出了函数值增加最快的方向，通过沿着负梯度方向更新权重，可以最小化损失函数并优化模型。•反向传播：在神经网络训练中，微积分的链式法则用于计算整个网络中每个参数对于最终损失函数的影响（偏导数），这一过程就是反向
  • 自然语言处理概念以及发展 黑夜照亮前行的路 自然语言处理
    自然语言概念总结自然语言处理（NaturalLanguageProcessing，简称NLP）是计算机科学领域与人工智能领域的一个重要方向，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理旨在帮助计算机理解和处理自然语言，使计算机能够像人类一样处理和生成语言。从概念上讲，自然语言处理融合了语言学、计算机科学和数学等多学科的知识。它并不仅仅是一般地研究自然语言，而是侧重
  • 群晖NAS使用Docker安装WPS Office并结合内网穿透实现公网远程办公 深鱼~ cpolar容器运维ssh网络
    文章目录推荐1.拉取WPSOffice镜像2.运行WPSOffice镜像容器3.本地访问WPSOffice4.群晖安装Cpolar5.配置WPSOffice远程地址6.远程访问WPSOffice小结7.固定公网地址推荐前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【点击跳转到网站】wps-office是一个在Linux服务器上部署WPSOffice的镜像。它基于
  • 看见光，追逐光，成为光~ 默涵在当下
    高屋建瓴的人，散发着高贵气质，周遭牛人很多，咬紧他们~杜总，从看网知网背景出发，讲到发现流量痛点，讲到站点布局，讲到下一步机会，从而又契合到自动驾驶网络。从如何构建五级驾驶，到如何结合现状落地~研究字节跳动对神经网络的改造，注入人的干预分类，优化再到聚类，让算法匹配人的干预能力~基础操作效能提升达到90%，告警防护率达到90%，两者交叉防护有效率达到多少？99%一切皆可AI~一切皆可AI~优秀自觉
  • java Illegal overloaded getter method with ambiguous type for propert的解决 zwllxs javajdk
    好久不来iteye,今天又来看看，哈哈,今天碰到在编码时，反射中会抛出 Illegal overloaded getter method with ambiguous type for propert这么个东东，从字面意思看，是反射在获取getter时迷惑了，然后回想起java在boolean值在生成getter时，分别有is和getter，也许我们的反射对象中就有is开头的方法迷惑了jdk，
  • IT人应当知道的10个行业小内幕 beijingjava 工作互联网
    10. 虽然IT业的薪酬比其他很多行业要好，但有公司因此视你为其“佣人”。 　　尽管IT人士的薪水没有互联网泡沫之前要好，但和其他行业人士比较，IT人的薪资还算好点。在接下的几十年中，科技在商业和社会发展中所占分量会一直增加，所以我们完全有理由相信，IT专业人才的需求量也不会减少。 　　然而，正因为IT人士的薪水普遍较高，所以有些公司认为给了你这么多钱，就把你看成是公司的“佣人”，拥有你的支配
  • java 实现自定义链表 CrazyMizzz java数据结构
    1.链表结构   链表是链式的结构 2.链表的组成    链表是由头节点，中间节点和尾节点组成    节点是由两个部分组成：       1.数据域       2.引用域 3.链表的实现 &nbs
  • web项目发布到服务器后图片过一会儿消失 麦田的设计者 struts2上传图片永久保存
      作为一名学习了android和j2ee的程序员，我们必须要意识到，客服端和服务器端的交互是很有必要的，比如你用eclipse写了一个web工程，并且发布到了服务器（tomcat）上，这时你在webapps目录下看到了你发布的web工程，你可以打开电脑的浏览器输入http://localhost:8080/工程/路径访问里面的资源。但是，有时你会突然的发现之前用struts2上传的图片
  • CodeIgniter框架Cart类 name 不能设置中文的解决方法 IT独行者 CodeIgniterCart框架　
    今天试用了一下CodeIgniter的Cart类时遇到了个小问题，发现当name的值为中文时，就写入不了session。在这里特别提醒一下。 在CI手册里也有说明，如下： $data = array( 'id' => 'sku_123ABC', 'qty' => 1, '
  • linux回收站 _wy_ linux回收站
    今天一不小心在ubuntu下把一个文件移动到了回收站，我并不想删，手误了。我急忙到Nautilus下的回收站中准备恢复它，但是里面居然什么都没有。     后来我发现这是由于我删文件的地方不在HOME所在的分区，而是在另一个独立的Linux分区下，这是我专门用于开发的分区。而我删除的东东在分区根目录下的.Trash-1000/file目录下，相关的删除信息（删除时间和文件所在
  • jquery回到页面顶端 知了ing htmljquerycss
    html代码： <h1 id="anchor">页面标题</h1> <div id="container">页面内容</div> <p><a href="#anchor" class="topLink">回到顶端</a><
  • B树、B-树、B+树、B*树 矮蛋蛋 B树
    原文地址： http://www.cnblogs.com/oldhorse/archive/2009/11/16/1604009.html B树        即二叉搜索树：        1.所有非叶子结点至多拥有两个儿子（Left和Right）； &nb
  • 数据库连接池 alafqq 数据库连接池
    http://www.cnblogs.com/xdp-gacl/p/4002804.html @Anthor:孤傲苍狼 数据库连接池 用MySQLv5版本的数据库驱动没有问题，使用MySQLv6和Oracle的数据库驱动时候报如下错误： java.lang.ClassCastException: $Proxy0 cannot be cast to java.sql.Connec
  • java泛型 百合不是茶 java泛型
    泛型 在Java SE 1.5之前，没有泛型的情况的下，通过对类型Object的引用来实现参数的“任意化”，任意化的缺点就是要实行强制转换，这种强制转换可能会带来不安全的隐患   泛型的特点：消除强制转换 确保类型安全 向后兼容   简单泛型的定义：      泛型：就是在类中将其模糊化，在创建对象的时候再具体定义 class fan
  • javascript闭包[两个小测试例子] bijian1013 JavaScriptJavaScript
    一.程序一 <script> var name = "The Window"; var Object_a = { 　　name : "My Object", 　　getNameFunc : function(){ var that = this; 　　　　return function(){ 　　　　
  • 探索JUnit4扩展：假设机制（Assumption） bijian1013 javaAssumptionJUnit单元测试
    一.假设机制（Assumption）概述        理想情况下，写测试用例的开发人员可以明确的知道所有导致他们所写的测试用例不通过的地方，但是有的时候，这些导致测试用例不通过的地方并不是很容易的被发现，可能隐藏得很深，从而导致开发人员在写测试用例时很难预测到这些因素，而且往往这些因素并不是开发人员当初设计测试用例时真正目的，
  • 【Gson四】范型POJO的反序列化 bit1129 POJO
    在下面这个例子中，POJO(Data类)是一个范型类，在Tests中，指定范型类为PieceData，POJO初始化完成后，通过 String str = new Gson().toJson(data); 得到范型化的POJO序列化得到的JSON串，然后将这个JSON串反序列化为POJO   import com.google.gson.Gson; import java.
  • 【Spark八十五】Spark Streaming分析结果落地到MySQL bit1129 Stream
    几点总结： 1. DStream.foreachRDD是一个Output Operation，类似于RDD的action，会触发Job的提交。DStream.foreachRDD是数据落地很常用的方法 2. 获取MySQL Connection的操作应该放在foreachRDD的参数（是一个RDD[T]=>Unit的函数类型)，这样，当foreachRDD方法在每个Worker上执行时，
  • NGINX + LUA实现复杂的控制 ronin47 nginx lua
    安装lua_nginx_module 模块 lua_nginx_module 可以一步步的安装，也可以直接用淘宝的OpenResty Centos和debian的安装就简单了。。 这里说下freebsd的安装： fetch http://www.lua.org/ftp/lua-5.1.4.tar.gz tar zxvf lua-5.1.4.tar.gz cd lua-5.1.4 ma
  • java-递归判断数组是否升序 bylijinnan java
    public class IsAccendListRecursive { /*递归判断数组是否升序 * if a Integer array is ascending,return true * use recursion */ public static void main(String[] args){ IsAccendListRecursiv
  • Netty源码学习-DefaultChannelPipeline2 bylijinnan javanetty
    Netty3的API http://docs.jboss.org/netty/3.2/api/org/jboss/netty/channel/ChannelPipeline.html 里面提到ChannelPipeline的一个“pitfall”： 如果ChannelPipeline只有一个handler（假设为handlerA）且希望用另一handler（假设为handlerB） 来
  • Java工具之JPS chinrui java
    JPS使用     熟悉Linux的朋友们都知道，Linux下有一个常用的命令叫做ps（Process Status)，是用来查看Linux环境下进程信息的。同样的，在Java Virtual Machine里面也提供了类似的工具供广大Java开发人员使用，它就是jps（Java Process Status)，它可以用来
  • window.print分页打印 ctrain window
    function init() { var tt = document.getElementById("tt"); var childNodes = tt.childNodes[0].childNodes; var level = 0; for (var i = 0; i < childNodes.length; i++) {
  • 安装hadoop时 执行jps命令Error occurred during initialization of VM daizj jdkhadoopjps
    在安装hadoop时，执行JPS出现下面错误   [slave16][email protected]:/tmp/hsperfdata_hdfs# jps Error occurred during initialization of VM java.lang.Error: Properties init: Could not determine current working
  • PHP开发大型项目的一点经验 dcj3sjt126com PHP重构
    一、变量 最好是把所有的变量存储在一个数组中，这样在程序的开发中可以带来很多的方便，特别是当程序很大的时候。变量的命名就当适合自己的习惯，不管是用拼音还是英语，至少应当有一定的意义，以便适合记忆。变量的命名尽量规范化，不要与PHP中的关键字相冲突。 二、函数 PHP自带了很多函数，这给我们程序的编写带来了很多的方便。当然，在大型程序中我们往往自己要定义许多个函数，几十
  • android笔记之--向网络发送GET/POST请求参数 dcj3sjt126com android
    使用GET方法发送请求 private static boolean sendGETRequest (String path, Map<String, String> params) throws Exception{ //发送地http://192.168.100.91:8080/videoServi
  • linux复习笔记 之bash shell (3) 通配符 eksliang linux 通配符linux通配符
    转载请出自出处： http://eksliang.iteye.com/blog/2104387 在bash的操作环境中有一个非常有用的功能，那就是通配符。 下面列出一些常用的通配符，如下表所示 符号 意义 * 万用字符，代表0个到无穷个任意字符 ? 万用字符，代表一定有一个任意字符 [] 代表一定有一个在中括号内的字符。例如：[abcd]代表一定有一个字符，可能是a、b、c
  • Android关于短信加密 gqdy365 android
    关于Android短信加密功能，我初步了解的如下（只在Android应用层试验）：     1、因为Android有短信收发接口，可以调用接口完成短信收发；         发送过程：APP（基于短信应用修改）接受用户输入号码、内容——>APP对短信内容加密——>调用短信发送方法Sm
  • asp.net在网站根目录下创建文件夹 hvt .netC#hovertreeasp.netWeb Forms
    假设要在asp.net网站的根目录下建立文件夹hovertree,C#代码如下： string m_keleyiFolderName = Server.MapPath("/hovertree"); if (Directory.Exists(m_keleyiFolderName)) { //文件夹已经存在 return; } else { try { D
  • 一个合格的程序员应该读过哪些书 justjavac 程序员书籍
    编者按：2008年8月4日，StackOverflow 网友 Bert F 发帖提问：哪本最具影响力的书，是每个程序员都应该读的？ “如果能时光倒流，回到过去，作为一个开发人员，你可以告诉自己在职业生涯初期应该读一本， 你会选择哪本书呢？我希望这个书单列表内容丰富，可以涵盖很多东西。” 很多程序员响应，他们在推荐时也写下自己的评语。 以前就有国内网友介绍这个程序员书单，不过都是推荐数
  • 单实例实践 跑龙套_az 单例
       1、内部类 public class Singleton { private static class SingletonHolder { public static Singleton singleton = new Singleton(); } public Singleton getRes
  • PO VO BEAN 理解 q137681467 VODTOpo
    PO：      全称是 persistant object持久对象 最形象的理解就是一个PO就是数据库中的一条记录。 好处是可以把一条记录作为一个对象处理，可以方便的转为其它对象。     BO：     全称是 business object:业务对象 主要作用是把业务逻辑封装为一个对象。这个对
  • 战胜惰性，暗自努力 金笛子 努力
    偶然看到一句很贴近生活的话：“别人都在你看不到的地方暗自努力，在你看得到的地方，他们也和你一样显得吊儿郎当，和你一样会抱怨，而只有你自己相信这些都是真的，最后也只有你一人继续不思进取。”很多句子总在不经意中就会戳中一部分人的软肋，我想我们每个人的周围总是有那么些表现得“吊儿郎当”的存在，是否你就真的相信他们如此不思进取，而开始放松了对自己的要求随波逐流呢？ 我有个朋友是搞技术的，平时嘻嘻哈哈，以
  • NDK/JNI二维数组多维数组传递 wenzongliang 二维数组jniNDK
    多维数组和对象数组一样处理，例如二维数组里的每个元素还是一个数组 用jArray表示，直到数组变为一维的，且里面元素为基本类型，去获得一维数组指针。给大家提供个例子。已经测试通过。 Java_cn_wzl_FiveChessView_checkWin( JNIEnv* env,jobject thiz,jobjectArray qizidata) { jint i,j; int s
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他