机器学习入门系列教程

探索ASP.NET Core 8.0的奇妙世界

探索ASP.NETCore8.0的奇妙世界practical-aspnetcore该项目提供了关于ASP.NETCore实际应用开发的一系列教程和示例，涵盖了从基础知识到高级主题，是一个实用的学习资源库
郎凌队Lois·2024-09-14 05:33

《熬夜整理》保姆级系列教程-玩转Wireshark抓包神器教程(6)-Wireshark抓包界面详解

1.简介在此之前，宏哥已经介绍和讲解过Wireshark的启动界面。但是很多初学者还会碰到一个难题，就是感觉wireshark抓包界面上也是同样的问题很多东西不懂怎么看。其实还是挺明了的宏哥今天就单独写一篇对其抓包界面进行详细地介绍和讲解一下。2.Wireshak抓包界面概览通过上一篇我们知道
北京-宏哥·2024-09-13 15:00

pyinstaller系列教程（一）-基础介绍

1.介绍PyInstaller是一个用于将Python应用程序打包为独立可执行文件的工具，它支持跨平台操作，包括Windows、Linux和MacOS等操作系统。特点如下：跨平台支持：PyInstaller可以在多个操作系统上运行，并生成相应平台的可执行文件。自动依赖项处理：它会自动检测Python脚本的依赖项，并将它们打包到生成的可执行文件中。单文件发布：可以将整个Python应用程序及其所有依
风雪夜回·2024-09-11 21:57

滚雪球学MyBatis(11)：项目实战

前言欢迎回到我们的MyBatis系列教程。在前几期中，我们详细探讨了MyBatis的进阶使用，包括多数据源配置、动态SQL生成器、MyBatisGenerator的使用以及实现复杂查询的方法。
bug菌¹·2024-09-11 13:01

提升开发效率的利器：ReSharper/Rider 工作坊

ReSharper/RiderWorkshop是由JetBrains推出的一系列教程，旨在帮助您掌握这两款强大开发工具的众多功能。
纪亚钧·2024-09-11 00:34

Android项目实践之菜鸟养成 （二）初识Android

前篇文章也说了，这个系列教程是要立刻上项目的，所以都是直接干货分享。项目中立刻就需要知道的知识点。1.Layout中相关代码解读：android:text="@string/hello_w
史慧君·2024-09-10 21:43

电脑操作从零到精通：全方位入门资源包

本文还有配套的精品资源，点击获取简介：电脑快速入门资源下载提供了一系列教程，帮助初学者迅速掌握计算机基础知识和操作技能。
马屿人·2024-09-09 03:44

Ollama教程——深入解析：使用LangChain和Ollama构建JavaScript问答系统

ollama入门系列教程简介与目录相关文章:Ollama教程——入门：开启本地大型语言模型开发之旅Ollama教程——模型：如何将模型高效导入到Ollama框架Ollama教程——兼容OpenAIAPI
walkskyer·2024-09-08 15:51

ollama教程——Ollama Tools功能详解实现复杂任务的完整教程

ollama入门系列教程简介与目录相关文章:Ollama教程——入门：开启本地大型语言模型开发之旅Ollama教程——模型：如何将模型高效导入到Ollama框架Ollama教程——兼容OpenAIAPI
walkskyer·2024-09-07 20:07

基于开源CrashRpt与微软开源Detours技术深度改造的异常捕获库分享

3、在有些异常的场景下是没有生成dump文件的4、开源异常捕获库CrashRpt介绍5、对开源库CrashRpt的改进C++软件异常排查从入门到精通系列教程（专栏文章列表，欢迎订阅，持续更新...）https
dvlinker·2024-09-07 10:31

13 Python面向对象编程：装饰器

本篇是Python系列教程第13篇，更多内容敬请访问我的Python合集Python装饰器是一种强大的工具，用于修改或增强函数或方法的行为，而无需更改其源代码。
凡人编程传·2024-09-05 11:45

机器学习入门：机器学习的基本概念

姓名：高亦凡学号：19020100056学院：电子工程学院转载自：原文链接【嵌牛导读】机器学习（MachineLearning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。【嵌牛鼻子】机器学习【嵌牛提问】什么是机器学
Louis0687·2024-08-31 04:34

Qt Phonon多媒体框架详解及简单实例分享

2.4、AudioOutput类2.5、VideoWidgetClass2.6、SeekSlider类2.7、VolumeSlider类3、Phonon完整使用实例4、总结C++软件异常排查从入门到精通系列教程
dvlinker·2024-08-30 17:44

设计模式系列教程—Compound Pattern（复合模式）

14CompoundPattern（复合模式）前言：由模式组成的模式。需求：Vander的业务继续发展壮大，现在他们公司已经开始了设计游戏，由于前期想先设计一些比较简单的游戏来增加自己团队的经验，首先先让自己团队练练手，以下是CEO兼CTO的Vander给出的游戏设计方案：经典的猜数字游戏：简单分析一下，要完成这个游戏，首先需要跟用户交互的视图（View），接收请求的控制器（Controller）
Vander1991·2024-08-30 07:57

6 Python运算符和表达式

本篇是Python系列教程第6篇，更多内容敬请访问我的Python专栏Python运算符和Java类似，但也有个别不同。Python表达式和Java的区别是Python表达式不用跟“;”结尾。
凡人编程传·2024-08-29 15:21

Microsemi Libero系列教程（四）——PLL的使用

文章目录PLL是什么Libero中PLL的使用官方文档交流群系列教程：MicrosemiLibero系列教程PLL是什么PLL(PhaseLockedLoop)：为锁相回路或锁相环，用来统一整合时钟信号
whik1194·2024-08-29 09:15

详解 gRPC 客户端长连接机制实现

pandaychen.github.io/2020/09/01/GRPC-CLIENT-CONN-LASTING/转载Go语言中文网公众号Golang爱好者社区，这里有精选的网站上数千篇优秀文章供你学习，内容涵盖Golang基础系列教程
a...Z·2024-08-28 23:31

ffempge 循环_FFmpeg入门系列教程（一）

基础知识1、码流(码率)码流(DataRate)是指视频文件在单位时间内使用的数据流量，也叫码率或码流率，通俗一点的理解就是取样率,是视频编码中画面质量控制中最重要的部分，一般我们用的单位是kb/s或者Mb/s。一般来说同样分辨率下，视频文件的码流越大，压缩比就越小，画面质量就越高。码流越大，说明单位时间内取样率越大，数据流，精度就越高，处理出来的文件就越接近原始文件，图像质量越好，画质越清晰，要
Laboda Studio·2024-08-25 02:27

如何在C++ QT 程序中集成cef3开源浏览器组件去显示网页？

web页面5.1、了解CefApp与CefClient5.2、初始化与消息循环5.3、如何创建浏览器5.4、重载CefClient类6、在qt客户端集成cef组件7、最后C++软件异常排查从入门到精通系列教程
dvlinker·2024-08-24 11:33

文献01-单细胞多组学

目录【SIMBA系列教程】回顾：KDD2024|HiGPT:当大模型遇上图神经网络Nat.Biotechnol2023|利用MaxFuse整合空间和单细胞数据跨模态弱链接的特征Nat.Commun2024
hlllllllhhhhh·2024-08-21 20:54

【机器学习基础】正则化

往期推荐：【机器学习基础】机器学习入门（1）【机器学习基础】机器学习入门（2）【机器学习基础】机器学习的基本术语【机器学习基础】机器学习的模型评
为梦而生~·2024-02-25 02:40

【深度学习】Pytorch 系列教程（三）：PyTorch数据结构：2、张量的数学运算（1）：向量运算（加减乘除、数乘、内积、外积、范数、广播机制）

文章目录一、前言二、实验环境三、PyTorch数据结构0、分类1、Tensor（张量）1.维度（Dimensions）2.数据类型（DataTypes）3.GPU加速（GPUAcceleration）2、张量的数学运算1.向量运算a.简单运算b.广播操作c.运算函数加法add乘法mul内积（点积）dot外积（叉积）cross范数norm一、前言  本文将介绍PyTorch中张量的数学运算之向量运算
QomolangmaH·2024-02-20 16:47

我的2023，如履薄冰，你说我能保住这份工吗

技术成长今年写的系列教程很少，总结起来就三个：年初完结了gRPC系列。4、5月份的时候完善了之前的MySQL系列。7月份开始连载Spring源码系列。相比于往年，今年的技术更新确实慢了很多，有
·2024-02-20 16:46

《熬夜整理》保姆级系列教程-玩转Wireshark抓包神器教程(2)-Wireshark在Windows系统上安装部署

1.简介上一篇主要讲解一下软件的介绍以及软件的抓包原理。2.安装部署环境2.1操作系统1.宏哥的环境是Windows10版本64位系统（32位的同学自己想办法哦），其实宏哥觉得无论在什么平台，多少位，其实安装都是类似的，非常easy的。如下图所示：2.2软件版本1.Wireshark
北京-宏哥·2024-02-20 13:00

鸿蒙开发系列教程（二十四）--List 列表操作（3）

列表编辑1、新增列表项定义列表项数据结构和初始化列表数据，构建列表整体布局和列表项。提供新增列表项入口，即给新增按钮添加点击事件。响应用户确定新增事件，更新列表数据。2、删除列表项列表的删除功能一般进入编辑模式后才可使用，所以需要提供编辑模式的入口。需要响应用户的选择交互，记录要删除的列表项数据。需要响应用户点击删除按钮事件，删除列表中对应的选项。3、参考代码：ToDo.etsimportutil
huazi99·2024-02-20 05:51

鸿蒙开发系列教程（九）--ArkTS语言：ForEach循环渲染

ForEach：循环渲染官方：ForEach接口基于数组类型数据来进行循环渲染，需要与容器组件配合使用，且接口返回的组件应当是允许包含在ForEach父容器组件中的子组件。语法：ForEach(arr:Array,itemGenerator:(item:any,index?:number)=>void,keyGenerator?:(item:any,index?:number)=>string)参
huazi99·2024-02-20 05:50

鸿蒙开发系列教程（二十一）--轮播处理

轮播处理Swiper本身是一个容器组件，当设置了多个子组件后，可以对这些子组件进行轮播显示在自身尺寸属性未被设置时，会自动根据子组件的大小设置自身的尺寸参数：通过loop属性控制是否循环播放，该属性默认值为true。通过设置autoPlay属性，控制是否自动轮播子组件。该属性默认值为false通过indicatorStyle属性自定义导航点的位置和样式语法：1、创建轮播实例对象–SwiperCon
huazi99·2024-02-20 05:50

鸿蒙开发系列教程（二十二）--List 列表操作（1）

列表是容器，当列表项达到一定数量，内容超过屏幕大小时，可以自动提供滚动功能。用于呈现同类数据类型或数据类型集，例如图片和文本List、ListItemGroup、ListItem关系列表方向1、概念列表的主轴方向是指子组件列的排列方向，也是列表的滚动方向。垂直于主轴的轴称为交叉轴，其方向与主轴方向相互垂直。2、设置主轴方向List组件主轴默认是垂直方向，listDirection默认为Axis.V
huazi99·2024-02-20 05:50

鸿蒙开发系列教程（二十三）--List 列表操作（2）

列表样式1、设置内容间距在列表项之间添加间距，可以使用space参数，主轴方向List({space:10}){…}2、添加分隔线分隔线用来将界面元素隔开，使单个元素更加容易识别。startMargin和endMargin属性分别用于设置分隔线距离列表侧边起始端的距离和距离列表侧边结束端的距离List(){…}.divider({strokeWidth:1,startMargin:60,endMa
huazi99·2024-02-20 05:50

机器学习入门--LSTM原理与实践

LSTM模型长短期记忆网络（LongShort-TermMemory，LSTM）是一种常用的循环神经网络（RNN）变体，特别擅长处理长序列数据和捕捉长期依赖关系。本文将介绍LSTM模型的数学原理、代码实现和实验结果，并使用pytorch和sklearn的数据集进行验证。数学原理遗忘门（ForgetGate）遗忘门的作用是决定前一时间步的细胞状态中哪些信息需要被遗忘。具体计算公式为：ft=σ(Wf⋅
Dr.Cup·2024-02-20 05:14

机器学习入门--双向长短期记忆神经网络（BiLSTM）原理与实践

双向长短记忆网络（BiLSTM）BiLSTM（双向长短时记忆网络）是一种特殊的循环神经网络（RNN），它能够处理序列数据并保持长期记忆。与传统的RNN模型不同的是，BiLSTM同时考虑了过去和未来的信息，使得模型能够更好地捕捉序列数据中的上下文关系。在本文中，我们将详细介绍BiLSTM的数学原理、代码实现以及应用场景。数学原理LSTM（长短期记忆网络）是一种递归神经网络（RNN），通过引入门控机制
Dr.Cup·2024-02-20 05:14

机器学习入门--循环神经网络原理与实践

循环神经网络循环神经网络（RNN）是一种在序列数据上表现出色的人工神经网络。相比于传统前馈神经网络，RNN更加适合处理时间序列数据，如音频信号、自然语言和股票价格等。本文将介绍RNN的基本数学原理、使用PyTorch和Scikit-Learn数据集实现的代码。数学原理RNN是一种带有循环结构的神经网络，其在处理序列数据时将前一次的输出作为当前输入的一部分。这使得RNN能够记住先前的状态和信息，并且
Dr.Cup·2024-02-20 05:44

机器学习入门--门控循环单元(GRU)原理与实践

GRU模型随着深度学习领域的快速发展，循环神经网络（RNN）已成为自然语言处理（NLP）等领域中常用的模型之一。但是，在RNN中，如果时间步数较大，会导致梯度消失或爆炸的问题，这影响了模型的训练效果。为了解决这个问题，研究人员提出了新的模型，其中GRU是其中的一种。本文将介绍GRU的数学原理、代码实现，并通过pytorch和sklearn的数据集进行试验，最后对该模型进行总结。数学原理GRU是一种
Dr.Cup·2024-02-20 05:43

玩客云刷机Armbian-unofficial_24.2.0-trunk_Onecloud_bookworm_current_6.6.11_xfce_desktop，解决卡97%的问题

Armbian系列教程-刷机与初始化设置-视觉书虫-博客园(cnblogs.com)hzyitc/armbian-onecloud:Armbianforonecloud.玩客云用armbian(github.com
linux实践操作记录·2024-02-19 21:01

【SpringCloud-Alibaba系列教程】12.日志链路追踪

引入问题毕竟写代码，肯定有bug的，所以我们必要日志查看还是需要的，但是微服务查看，我们需要一条整个链路追踪，要不然我们根本不知道，哪里出问题了，所以我们需要进行实现链路日志追踪。我们开始吧首先就是引入我们的链路追踪的sleuth的相关依赖。org.springframework.cloudspring-cloud-starter-sleuth然后进行我们访问之前写的api接口，我们看一下控制台会
coderxgc·2024-02-19 19:29

【SpringCloud-Alibaba系列教程】15.RocketMQ消息

1.普通消息普通消息是指消息队列RocketMQ版中无特性的消息，区别于有特性的定时和延时消息、顺序消息和事务消息。同步发送原理同步发送是指消息发送方发出一条消息后，会在收到服务端同步响应之后才发下一条消息的通讯方式。sync应用场景此种方式应用场景非常广泛，例如重要通知邮件、报名短信通知、营销短信系统等。@AutowiredprivateRocketMQTemplaterocketMQTempl
coderxgc·2024-02-19 19:29

【深度学习】Pytorch 系列教程（二）：PyTorch数据结构：1、Tensor（张量）： GPU加速（GPU Acceleration）

文章目录一、前言二、实验环境三、PyTorch数据结构0、分类1、Tensor（张量）1.维度（Dimensions）2.数据类型（DataTypes）3.GPU加速（GPUAcceleration）查看可用gpu张量移动经典语句device一、前言ChatGPT：  PyTorch是一个开源的机器学习框架，广泛应用于深度学习领域。它提供了丰富的工具和库，用于构建和训练各种类型的神经网络模型。下面
QomolangmaH·2024-02-19 16:28

Transformer实战-系列教程19：DETR 源码解读6（编码器：TransformerEncoder类/TransformerEncoderLayer类）

Transformer实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Pycharm中进行本篇文章配套的代码资源已经上传点我下载源码DETR算法解读DETR源码解读1（项目配置/CocoDetection
机器学习杨卓越·2024-02-19 13:45

Transformer实战-系列教程20：DETR 源码解读7（解码器：TransformerDecoder类/TransformerDecoderLayer类）

Transformer实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Pycharm中进行本篇文章配套的代码资源已经上传点我下载源码DETR算法解读DETR源码解读1（项目配置/CocoDetection
机器学习杨卓越·2024-02-19 13:45

Transformer实战-系列教程18：DETR 源码解读5（Transformer类）

Transformer实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Pycharm中进行本篇文章配套的代码资源已经上传点我下载源码DETR算法解读DETR源码解读1（项目配置/CocoDetection
机器学习杨卓越·2024-02-19 13:44

Transformer实战-系列教程21：DETR 源码解读8 损失计算:（SetCriterion类）

Transformer实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Pycharm中进行本篇文章配套的代码资源已经上传点我下载源码DETR算法解读DETR源码解读1（项目配置/CocoDetection
机器学习杨卓越·2024-02-19 13:03

Python爬虫——解析库安装（1）

社区名称：Spider学习交流注：该系列教程已经默认用户安装了Pycharm和Anaconda，未安装的可以参考我之前的博客有将如何安装。同时默认用户掌握了Python基础语法。
ymchuangke·2024-02-15 00:56

以太坊构建DApps系列教程(三):编译部署测试TNS代币

在本系列关于使用以太坊构建DApps教程的第2部分，我们编写了TNS代币的代码。但我们尚未编译，部署，测试或验证它。让我们在这一部分做这些工作，以便我们为下一步做好准备。编译此时我们有一个包含一些Solidity代码的文件。但为了使以太坊虚拟机能够理解它，我们需要将其转化为机器代码。另外，为了从Web应用程序与它进行通信，我们需要一个ABI（应用程序二进制接口），它是对某个智能合约中存在的函数的通
编程狂魔·2024-02-14 13:48

鸿蒙开发系列教程（十七）--路由Router

页面路由指在应用程序中实现不同页面之间的跳转和数据传递1、页面跳转跳转模式router.pushUrl()：目标页不会替换当前页，而是压入页面栈。这样可以保留当前页的状态，并且可以通过返回键或者调用[router.back()]方法返回到当前页。router.replaceUrl()：目标页会替换当前页，并销毁当前页。这样可以释放当前页的资源，并且无法返回到当前页。说明:页面栈的最大容量为32个页
huazi99·2024-02-14 13:00

【GameFramework框架内置模块】1、全局配置（Config）

一、前言【GameFramework框架】系列教程目录：https://blog.csdn.net/q764424567/article/details/135831551这是GameFramework
恬静的小魔龙·2024-02-14 09:44

单细胞测序最好的教程（三）：特征基因选择

关于omicverse的使用文档与安装教程可以参考我们的readthedocs.就是，本系列教程是我带本科生所用到的，所以概念会尽可能地通俗，详细，但对于急于求成的人，可能不是一个很好的教程。
Starlitnightly·2024-02-14 06:18

Entity Framework Core系列教程-8-Entity Framework Core中的约定

EntityFrameworkCore中的约定约定是，使用EntityFramework根据您的领域模型（实体）类构建模型时的默认规则。在“第一个EF核心应用程序”一章中，EF核心API基于领域模型和上下文类创建数据库架构，而无需任何其他配置，因为领域模型类遵循约定。以下示例为应用程序的领域模型(实体)和数据库上下文类，它遵循默认约定，无需配置。publicclassStudent{publici
星空你好·2024-02-13 16:17

机器学习入门--多层感知机原理与实践

神经网络与多层感知机神经网络是一种模仿生物神经系统结构和功能的计算模型。它由许多个节点（或称为神经元）组成，这些节点通过连接权重相互连接。神经网络的输入经过一系列的加权求和和激活函数变换后，得到输出结果。神经网络的训练过程主要包括前向传播和反向传播两个阶段。前向传播是指数据从输入层逐层传递到输出层的过程，每一层的节点都会根据输入值和连接权重计算输出值。反向传播是指通过计算损失函数对网络参数进行梯度
Dr.Cup·2024-02-13 13:37

机器学习入门--BP神经网络原理与实践

BP神经网络引言BP神经网络，即反向传播神经网络，是一种监督学习算法，用于多层前馈神经网络的训练。自从1986年由Rumelhart,Hinton和Williams提出以来，它已成为最流行的神经网络训练算法之一。BP算法的核心思想是通过计算损失函数相对于网络参数的梯度，然后利用这些梯度信息来更新网络的权重和偏置，从而最小化误差。数学原理BP算法的数学原理基于链式法则计算梯度。考虑一个简单的两层神经
Dr.Cup·2024-02-13 13:37

机器学习入门--朴素贝叶斯原理与实践

朴素贝叶斯算法朴素贝叶斯是一种常用的分类算法，其基本思想是根据已有数据的特征和标签，学习出一个概率模型，并利用该模型对新样本进行分类。其优点在于简单快速、易于实现和解释，缺点在于对输入数据的分布做了严格的假设。具体来说，朴素贝叶斯分类器首先根据训练数据计算出每个类别的先验概率P©，即样本中每个类别占比。然后，对于给定的待分类样本，计算出它属于每个类别的条件概率P(X|C)，其中X表示样本的特征向量
Dr.Cup·2024-02-13 13:07
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他