深度 逻辑12306
深度优先搜索的最短路径问题
这个简单的图，要求使用深度优先算法求出（1,1）到终点的最短路径。 1、分析 就目前看来，(1,1)->(1,2)->(2,2)->(2,3)->(2,4)->(3,4)->(4,4)->(4,3)和(1,1)->(2,1)->(3,1)->(4,1)->(5,1)->(5,2)->(5,3)->( ......
Web3.0热门领域NFT项目实战-深度掌握Solidity合约开发，助力Web3.0工程师
Web3.0热门领域NFT项目实战-深度掌握Solidity合约开发，助力Web3.0工程师 免费自动批量生成NFT图片和批量部署NFT 一、环境准备 1.注意：需合理上网 2.准备素材：准备一套多个属性元素的不一样的图层素材，比如10张背景图、10张face图、10张眼睛图层、10张头发图层等，每 ......
深度优先算法
一、例子 提问：输入一个数字n，输出1~n的全排列。 首先，将全排列比作小盒子和扑克牌 将数字比作扑克牌，我们有1号，2号，3号扑克牌和1号2号3号3个盒子。每个盒子只能放置一个扑克牌，实现全排列。那我们如何往小盒子中放入扑克牌。每个小盒子都可能放1号、2号或者3号扑克牌，这都需要一一尝试，这里一个 ......
逻辑运算
1. 作业本上计算附件中的值，提交过程截图 2. 用devtoys 或其他工具验证你的计算是否正确，提交相关截图 devtoys没找到在哪里，自行搜索了网上的计算工具 3. 用chatgpt或其他AI工具 验证你的计算是否正确，提交相关截图 ......
深度学习设置随机数种子
seed = 2023 torch.manual_seed(seed) # torch的CPU随机性，为CPU设置随机种子 torch.cuda.manual_seed(seed) # torch的GPU随机性，为当前GPU设置随机种子 torch.cuda.manual_seed_all(seed ......
逻辑与以及逻辑或
&&和&都是表示与，区别是&&只要第一个条件不满足，后面条件就不再判断。而&要对所有的条件都进行判断。 public void test1() { if((1!=1) && (1/0==0)){ System.out.println("进不来，会报错"); } else { System.out.p ......
深度学习环境搭建(Windows11)
偶然重装了系统，再此记录下环境的恢复
基本深度学习环境的搭建，包括Anaconda+CUDA+cuDNN+Pytorch+TensorRT的安装与配置。 ......
动手学深度学习--第三方库的学习
from pixiv Pandas Creating, Reading and Writing pandas中有两类实体类： the DataFrame and the Series. DataFrame A DataFrame is a table. Series A Series, by con ......
windows的深度学习环境软件版本（cuda/cudnn/pytorch）
恢复内容开始 为了方便多个深度学习框架的环境配置，推荐使用anoconda进行搭建。 CUDA Toolkit Archive | NVIDIA Developer 恢复内容结束 ......
web基础漏洞-逻辑漏洞
1、介绍 逻辑漏洞是由于业务代码的逻辑缺失或者错误，导致的漏洞。 2、场景 2.1 可爆破可猜解 弱账号密码 验证码 登录凭证cookie或token，以及访问口令 优惠券id，图片id，博客id等 找回密码的问答 2.2 步骤可跳过 (1)某功能分为多个页面/接口，可以直接请求后面的页面/接口 ( ......
Java基础 try...catch捕获异常、代码的执行逻辑
语法格式： try { 可能出现异常的代码 ; } catch (异常类名 变量名) { 异常的处理代码 ; } 目的：当代码出现异常时，可以让程序继续往下执行 代码的执行逻辑： int[] arr = {1, 2, 3};try { System.out.println(arr[10]);} ca ......
逻辑卷实战案例-逻辑卷应用
案例需求： 创建一个2.5G大小的逻辑卷 案例思路： 物理的设备 将物理设备做成物理卷 创建卷组并将物理卷加入其中 创建逻辑卷 格式化逻辑卷 挂载使用 案例实现 步骤： 1. 物理设备 [root@zutuanxue ~]# lsblk /dev/sdb NAME MAJ:MIN RM SIZE R ......
逻辑卷常用命令
一、物理卷管理 1.1、物理卷的创建:pvcreate命令 pvcreate [命令选项] [参数] 将物理分区转换为物理卷 命令选项 -f：强制创建物理卷，不需要用户确认； -u：指定设备的UUID； -y：所有的问题都回答“yes”； -Z：是否利用前4个扇区。 1.2、物理卷的移除:pvrem ......
celery包结构、celery延迟任务和定时任务、django中使用celery、接口缓存、双写一致性、异步秒杀逻辑、课程列表页前端、课程相关表、课程表数据录入、课程列表页接口
celery包结构 project ├── celery_task # celery包 │ ├── __init__.py # 包文件 │ ├── celery.py # celery连接和配置相关文件，且名字必须叫celery.py │ └── tasks.py # 所有任务函数 ├── add_ ......
Pytorch深度学习环境配置 | NVIDIA-driver + Pytorch + miniconda
为了验证我的环境配置方法没有问题，我特意租了两小时云服务器来从0配置环境。 云服务器厂家：Ucloud ubuntu22.04 3090 * 2 1. 装 NVIDIA-driver 参考：https://zhuanlan.zhihu.com/p/366882419 1.1. 下载驱动 nvidia ......
第九节：单点登录方案深度剖析
一. 二. 三. ! 作 者 : Yaopengfei(姚鹏飞) 博客地址 : http://www.cnblogs.com/yaopengfei/ 声 明1 : 如有错误，欢迎讨论，请勿谩骂^_^。 声 明2 : 原创博客请在转载时保留原文链接或在文章开头加上本人博客地址，否则保留追究法律责任的权 ......
《动手学深度学习 Pytorch版》 9.8 束搜索
本节将介绍几大： 贪心搜索（greedy search）策略 穷举搜索（exhaustive search） 束搜索（beam search） 9.8.1 贪心搜索 贪心搜索已用于上一节的序列预测。对于输出序列的每一时间步 \(t'\)，都从 \(\boldsymbol{Y}\) 中找到具有最高条件 ......
《动手学深度学习 Pytorch版》 9.6 编码器-解码器架构
为了处理这种长度可变的输入和输出， 可以设计一个包含两个主要组件的编码器-解码器（encoder-decoder）架构： 编码器（encoder）：它接受一个长度可变的序列作为输入，并将其转换为具有固定形状的编码状态。 解码器（decoder）：它将固定形状的编码状态映射到长度可变的序列。 9.6. ......
《动手学深度学习 Pytorch版》 9.7 序列到序列学习（seq2seq）
循环神经网络编码器使用长度可变的序列作为输入，将其编码到循环神经网络编码器固定形状的隐状态中。 为了连续生成输出序列的词元，独立的循环神经网络解码器是基于输入序列的编码信息和输出序列已经看见的或者生成的词元来预测下一个词元。 要点： “<eos>”表示序列结束词元，一旦输出序列生成此词元，模型就会停 ......
神经网络基础篇：逻辑回归
逻辑回归(Logistic Regression) 对于二元分类问题来讲，给定一个输入特征向量\(X\)，它可能对应一张图片，想识别这张图片识别看它是否是一只猫或者不是一只猫的图片，想要一个算法能够输出预测，只能称之为\(\hat{y}\)，也就是对实际值 \(y\) 的估计。更正式地来说，想让 \ ......
深度学习（pytorch载入onnx测试）
测试模型用之前文章训练的Alexnet模型。 首先将pth文件转为onnx文件: import torch import torch.nn as nn # 自定义AlexNet模型 class AlexNet(nn.Module): def __init__(self): super(AlexNet ......
《动手学深度学习 Pytorch版》 9.5 机器翻译与数据集
机器翻译（machine translation）指的是将序列从一种语言自动翻译成另一种语言，基于神经网络的方法通常被称为神经机器翻译（neural machine translation）。 import os import torch from d2l import torch as d2l 9 ......
哪款最适合你？7大免费需求管理工具深度比较
分享7款不错的免费需求管理工具：1.PingCode；2.Worktile；3. Trello；4. Asana；5. JIRA；6. ClickUp；7. Monday.com。选择免费还是付费的需求跟踪工具是一个大多数人都会面临的问题。免费工具的最大优点显而易见——它们不收费。但这也意味着这些工 ......
celery包结构、celery延迟任务和定时任务、django中使用celery、接口缓存、双写一致性、异步秒杀逻辑、课程列表页前端、课程相关表、课程表数据录入、课程列表页接口
celery包结构 project ├── celery_task # celery包 这个包可以放在任意位置 │ ├── __init__.py # 包文件 │ ├── celery.py # celery连接和配置相关文件，且名字必须叫celery.py │ └── tasks.py # 所有任 ......
课程二第一周：深度学习的实用层面
深度学习的实用层面 Train/Dev/Test sets 深度学习是一个典型的高度迭代的过程，需要不断地进行循环测试，来找到最适合当前网络的超参。一方面可以提升迭代的效率，另一方面可以避免过度拟合等问题。 在实践中，（合理的）高质量训练集、验证集和测试集，有助于提升迭代的效率。 Train/Dev ......
《动手学深度学习 Pytorch版》 9.4 双向循环神经网络
之前的序列学习中假设的目标是在给定观测的情况下对下一个输出进行建模，然而也存在需要后文预测前文的情况。 9.4.1 隐马尔可夫模型中的动态规划 数学推导太复杂了，略。 9.4.2 双向模型 双向循环神经网络（bidirectional RNNs）添加了反向传递信息的隐藏层，以便更灵活地处理此类信息。 ......
《动手学深度学习 Pytorch版》 9.3 深度循环神经网络
将多层循环神经网络堆叠在一起，通过对几个简单层的组合，产生一个灵活的机制。其中的数据可能与不同层的堆叠有关。 9.3.1 函数依赖关系 将深度架构中的函数依赖关系形式化，第 \(l\) 个隐藏层的隐状态表达式为： \[\boldsymbol{H}^{(l)}_t=\phi_l(\boldsymbol ......
《动手学深度学习 Pytorch版》 9.2 长短期记忆网络（LSTM）
解决隐变量模型长期信息保存和短期输入缺失问题的最早方法之一是长短期存储器（long short-term memory，LSTM）。它与门控循环单元有许多一样的属性。长短期记忆网络的设计比门控循环单元稍微复杂一些，却比门控循环单元早诞生了近 20 年。 9.2.1 门控记忆元 为了记录附加的信息，长 ......
R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化分析|附代码数据
全文链接：http://tecdat.cn/?p=22596 最近我们被客户要求撰写关于预测心脏病的研究报告，包括一些图形和统计输出。 本报告是对心脏研究的机器学习/数据科学调查分析。更具体地说，我们的目标是在心脏研究的数据集上建立一些预测模型，并建立探索性和建模方法。但什么是心脏研究？ 研究大纲 ......