基本原则 机器 原则p4
机器学习——批量规范化
训练深层神经网络是十分困难的，特别是在较短的时间内使他们收敛更加棘手。 本节将介绍批量规范化（batch normalization） (Ioffe and Szegedy, 2015)，这是一种流行且有效的技术，可持续加速深层网络的收敛速度。 再结合在 7.6节中将介绍的残差块，批量规范化使得研究 ......
数据库（Oracle）序列（Sequence）的基本使用
1. Sequence 定义 在Oracle中可以用SEQUENCE生成自增字段。Sequence序列是Oracle中用于生成数字序列的对象，可以创建一个唯一的数字作为主键。 2. 为什么要用 Sequence 你可能有疑问为什么要使用序列？ 不能使用一个存储主键的表并每次递增吗？或者将列设置为AU ......
NLP机器翻译全景：从基本原理到技术实战全解析
机器翻译是使计算机能够将一种语言转化为另一种语言的技术领域。本文从简介、基于规则、统计和神经网络的方法入手，深入解析了各种机器翻译策略。同时，详细探讨了评估机器翻译性能的多种标准和工具，包括BLEU、METEOR等，以确保翻译的准确性和质量。 关注TechLead，分享AI全维度知识。作者拥有10+ ......
机器学习——含并行连结的网络GoogLeNet
Inception块 在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。具体结构如下图： 这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调 ......
机器学习——深度卷积神经网络AlexNet
AlexNet相对于LeNet的主要优势包括: 1. 更深的网络结构 AlexNet有8层结构,而LeNet只有5层。网络更加深入有利于学习更抽象的高级特征。 2. 使用ReLU激活函数 AlexNet使用ReLU激活函数,避免梯度消失问题,使得深层网络的训练更加容易。 3. 引入Dropout操作 ......
机器学习——使用块的网络VGG
VGG块 虽然AlexNet证明深层神经网络卓有成效，但它没有提供一个通用的模板（例如VGG块）来指导后续的研究人员设计新的网络。 在下面的几个章节中，我们将介绍一些常用于设计深层神经网络的启发式概念。 经典卷积神经网络的基本组成部分是下面的这个序列： 带填充以保持分辨率的卷积层； 非线性激活函数， ......
机器学习——网络中的网络NiN
NiN块 回想一下，卷积层的输入和输出由四维张量组成，张量的每个轴分别对应样本、通道、高度和宽度。 另外，全连接层的输入和输出通常是分别对应于样本和特征的二维张量。 NiN的想法是在每个像素位置（针对每个高度和宽度）应用一个全连接层。 如果我们将权重连接到每个空间位置，我们可以将其视为1*1卷积层， ......
如何制作微信机器人程序编程，需要掌握那些技巧
创建微信机器人通常涉及以下步骤和技能： 技能要求： 编程语言知识： 掌握至少一种编程语言，如Python、JavaScript等。 了解微信API： 熟悉微信公众平台开发，了解微信公众号API，特别是消息管理、用户管理等接口。 网络编程基础： 理解HTTP协议，能够处理网络请求和响应。 服务器配置能 ......
怎么写一个微信自动回复机器人，如何实现呢
编写一个微信自动回复机器人的关键步骤通常包括设置微信公众号、创建服务器后端以处理请求、编写自动回复逻辑以及部署和测试你的机器人。以下是一个基于Python使用Flask框架创建简单的自动回复机器人的大致步骤： 1. 注册微信公众号 你需要有一个微信公众号才能创建机器人。可以在微信公众平台注册，并申请 ......
Docker安装及基本操作
说明 本文介绍在 Docker 平台上部署 Java 版 EC 项目。Linux 有众多发行版，使用 Docker 部署可以使开发人员不受服务器环境的干扰，从而避免＂本地可以，服务器上不行＂的尴尬局面。运维人员使用 Docker 部署可以快速部署、迁移、缩扩容。本文仅以 CentOS 为例介绍 Do ......
Git_基本操作以及思考
git 重新理解 工作区域--执行状态 工作区、暂存区（也可称为索引区）和版本区 工作目录 / The working directory 暂存索引 / Staging Index 查看命令：git ls-files git status 的结果就是作区和暂存区两者的差别即内容不一致的地方。 状态： ......
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
全文下载链接：http://tecdat.cn/?p=26219 最近我们被客户要求撰写关于银行机器学习的研究报告，包括一些图形和统计输出。 该数据与银行机构的直接营销活动相关，营销活动基于电话。通常，需要与同一客户的多个联系人联系，以便访问产品（银行定期存款）是否会（“是”）或不会（“否”）订阅 ......
11月7日css介绍、基本格式、样式、选择器
目录1.css介绍2.css基本格式3.css的几种引入方式1.行内样式2.内部样式3.外部样式css选择器基本选择器1.元素（标签）选择器2.id选择器3.类选择器通用选择器组合选择器1.后代选择器2.子元素选择器3.相邻兄弟选择器通用兄弟选择器属性选择器分组选择器伪类选择器第一个实例给未访问的链 ......
js的数据类型分为：基本数据类型和引用数据类型
基本数据类型：Number、String、Boolean、Undefined、Null、Symbol、BigInt 引用数据类型：Object、Array、Function、RegExp、Error、Date、Math ... 1.基本数据类型：Number String Boolean Undef ......
P4 动词时态
英语的时态，或者更准确说是英语动词的时态，是动词的时间和动词的状态在一起合称“时态。 动词有 4 种时间，也有 4 种状态，自由排列组合，便是理论上的 16 种时态。 请特别注意，咱这里说的是国内传统英语教学的语法体系，而语法体系其实国内外都有不少，也有很多不同的争论，比如很多主张动词的时间和动词的 ......
人机交互基本概念
人机交互（Human-Computer Interaction，HCI）主要是研究人和计算机之间的信息交换，它主要包括人到计算机和计算机到人的信息交换两部分。是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。人与计算机之间的信息交换主要依靠交互设备进行，主要包括：（1）人到计 ......
/etc/passwd 存储用户基本信息
用户名:：口令：用户标识号：组标识号：用户名：用户主目录：命令解释程序(1)注册名(login_name)：用于区分不同的用户。在同一系统中注册名是惟一的。在很多系统上，该字段被限制在8个字符(字母或数字)的长度之内；并且要注意，通常在Linux系统中对字母大小写是敏感的。这与MSDOS/Windo ......
Linux Anaconda 安装与基本使用
安装 在官网anaconda.com/download#downloads中找到安装包链接 比如https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh 然后下载，安装： #下载 wget https://repo.a ......
java项目实战-mybatis-基本配置01-day22
目录0. mysql navicate链接分享1. mvn坐标引入2. mysql的核心配置文件3. 返回值类型 别名4. 将数据的配置提取配置文件4. log4j修改日志输出 0. mysql navicate链接分享 链接：https://pan.baidu.com/s/1U9yWY5ENZXh ......
[机器学习复习笔记] 岭回归、LASSO回归
岭回归、LASSO回归 1. 岭回归 1.1 岭回归 L2正则化 在之前的 中，使用 最小二乘法求解线性回归问题 时，讨论到了 \(X^TX\) 是否可逆。 最小二乘法得到的解析解为： \[\theta = (X^TX)^{-1}X^Ty \]此时只有 \(X\) 列满秩 才有解，即 \(\text ......
[机器学习复习笔记] BGD, SGD, MBGD
BGD, SGD, MBGD 1. BGD 批量梯度下降法（Batch Gradient Descent） 1.1 批量梯度下降法介绍 在 梯度下降法 每次迭代中，将 所有样本 用来进行参数 \(\theta\) （梯度）的更新，这其实就是 批量梯度下降法。 批量梯度下降法 的 损失函数表达式： \ ......
[机器学习复习笔记] Grandient Descent 梯度下降法
Grandient Descent 1. 梯度下降法 1.1 梯度与梯度下降 对于 一元函数 来说，梯度就是函数的导数；对于 多元函数 来说，梯度是一个由函数所有 偏微分 组成的向量。 梯度下降 是通过一步步迭代，使得所有 偏微分 的值达到最低。 可以以简单的 一元二次函数 \(y = (x - 1 ......
Python 机器学习入门：数据集、数据类型和统计学
机器学习是通过研究数据和统计信息使计算机学习的过程。机器学习是迈向人工智能（AI）的一步。机器学习是一个分析数据并学会预测结果的程序。 数据集 在计算机的思维中，数据集是任何数据的集合。它可以是从数组到完整数据库的任何东西。 数组的示例： [99,86,87,88,111,86,103,87,94, ......
MySQL系列：索引（B+Tree树、构建过程、回表、基本操作、执行计划、应用）
介绍 https://dev.mysql.com/doc/refman/5.7/en/optimization-indexes.html 作用 优化查询 算法 索引的算法包括 BTree Hash RTree FullText GIS B+Tree结构 BTree查找算法图 B+Tree查找算法图（ ......
机器学习之使用seaborn绘制各类图形
使用seaborn绘制单双变量，类别散点图，箱型图，小提琴图去更直观的观察数据的分布情况 在单变量图中使用displot,参数如下 双变量关系图使用joinplot，参数如下图 类别散点图使用stripplot(),参数如下 小提琴图和箱型图类似，一个使用violinplot(),另一个使用boxp ......
搜索文档树、bs4其他用法、css选择器、selenium基本使用、selenium其他用法
搜索文档树 # 1 find_all ：找所有 列表 # 2 find 找一个 Tag类的对象 find和find_all from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</ti ......
机器学习——汇聚层
最大汇聚层和平均汇聚层 填充和步幅 多个通道 汇聚层的目的 1. 降低卷积层对位置的敏感性 卷积层的输出特征图对目标的位置是很敏感的。池化可以减少这种位置敏感性。比如我们做2x2最大池化,输出特征图的值就仅依赖于输入特征图2x2的区域,不再过于依赖位置信息。 2. 降低对空间采样表示的敏感性 卷积层 ......
机器学习——多输入多输出通道
多输入通道 多输出通道 1*1卷积核 当以每像素为基础应用时，1*1卷积层相当于全连接层。 1*1卷积层通常用于调整网络层的通道数量和控制模型复杂性。 ......
Scrapy框架基本使用（从安装到运行）
Scrapy基本使用 以抓取段子星中的标题和内容为例：https://duanzixing.com/ 1. Windows下安装： pip install twisted pip install pywin32 pip install scrapy 2. 创建工程 # scrapy startpro ......