<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[coder_jyz的博客]]></title><description><![CDATA[共同学习分享知识。]]></description><link>https://blog.youkuaiyun.com/coder_jyz</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; coder_jyz]]></copyright><item><title><![CDATA[zookeeper笔记]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/150232457</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/150232457</guid><author>coder_jyz</author><pubDate>Mon, 11 Aug 2025 23:10:39 +0800</pubDate><description><![CDATA[TIP]本篇文章是自己的学习笔记，方便以后查阅，内容不一定正确。]]></description><category></category></item><item><title><![CDATA[ElasticSearch 相关命令]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/149790738</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/149790738</guid><author>coder_jyz</author><pubDate>Thu, 31 Jul 2025 00:42:50 +0800</pubDate><description><![CDATA[学习笔记，方便以后查阅]]></description><category></category></item><item><title><![CDATA[十、卷积神经网络]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119922537</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119922537</guid><author>coder_jyz</author><pubDate>Thu, 26 Aug 2021 00:53:01 +0800</pubDate><description><![CDATA[十、卷积神经网络

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习。

1.全连接网络的问题
问题就是全连接网络的参数量太过庞大，超过了当时计算机的内存容量，无法存储全部的参数。
局部相关性：基于距离的重要性分布假设特性，它只关注和自己距离较近的部分节点，而忽略距离较远的节点。
从局部相关性引出了权值共享的概念，即对于每个输出节点 ]]></description><category></category></item><item><title><![CDATA[九、过拟合]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119879169</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119879169</guid><author>coder_jyz</author><pubDate>Mon, 23 Aug 2021 22:29:38 +0800</pubDate><description><![CDATA[九、过拟合

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习

1.模型的容量
通俗地讲，模型的容量或表达能力，是指模型拟合复杂函数的能力。
2.过拟合与欠拟合
过拟合(Overfitting)：当模型的容量过大时，网络模型除了学习到训练集数据的模态之外，还把额外的观测
误差也学习进来，导致学习的模型在训练集上面表现较好，但是在未见]]></description><category></category></item><item><title><![CDATA[八、Keras 高层接口]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119871203</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119871203</guid><author>coder_jyz</author><pubDate>Mon, 23 Aug 2021 15:56:03 +0800</pubDate><description><![CDATA[八、Keras 高层接口

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习

Keras 是一个主要由 Python 语言开发的开源神经网络计算库，最初由 François Chollet编写，它被设计为高度模块化和易扩展的高层神经网络接口，使得用户可以不需要过多的专业知识就可以简洁、快速地完成模型的搭建与训练。
1.常见功能模块
]]></description><category></category></item><item><title><![CDATA[七、反向传播算法]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119859088</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119859088</guid><author>coder_jyz</author><pubDate>Sun, 22 Aug 2021 22:33:53 +0800</pubDate><description><![CDATA[七、反向传播算法

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习。

1.激活函数导数
1.1Sigmoid 函数导数


import numpy as np # 导入 numpy 库
def sigmoid(x): # 实现 sigmoid 函数
	return 1 / (1 + np.exp(-x))
def derivat]]></description><category></category></item><item><title><![CDATA[六、神经网络]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119846495</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119846495</guid><author>coder_jyz</author><pubDate>Sat, 21 Aug 2021 23:05:11 +0800</pubDate><description><![CDATA[六、神经网络

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习

1.感知机全连接层
张量方式实现
# 创建 W,b 张量
x = tf.random.normal([2,784])
w1 = tf.Variable(tf.random.truncated_normal([784, 256], stddev=0.1))
b1 = t]]></description><category></category></item><item><title><![CDATA[五、TensorFlow 进阶]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119829426</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119829426</guid><author>coder_jyz</author><pubDate>Fri, 20 Aug 2021 18:21:53 +0800</pubDate><description><![CDATA[五、TensorFlow 进阶

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习

1.合并与分割
张量的合并可以使用拼接(Concatenate)和堆叠(Stack)操作实现，拼接操作并不会产生新的维度，仅在现有的维度上合并，而堆叠会创建新维度。选择使用拼接还是堆叠操作来合并张量，取决于具体的场景是否需要创建新维度。
拼接tf.c]]></description><category></category></item><item><title><![CDATA[四、TensorFlow基础]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119814068</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119814068</guid><author>coder_jyz</author><pubDate>Fri, 20 Aug 2021 00:19:44 +0800</pubDate><description><![CDATA[四、TensorFlow基础

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习

1.数据类型
数值类型的张量是 TensorFlow 的主要数据载体，根据维度数来区分，可分为：标量(Scalar)，向量(Vector)，矩阵(Matrix)，张量(Tensor)
# tensor和Numpy相互转换
import tensorfl]]></description><category></category></item><item><title><![CDATA[三、分类问题]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119792099</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119792099</guid><author>coder_jyz</author><pubDate>Thu, 19 Aug 2021 00:18:46 +0800</pubDate><description><![CDATA[三、分类问题

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习。

1.加载minist数据集
import os
import tensorflow as tf # 导入 TF 库
from tensorflow import keras # 导入 TF 子库 keras
from tensorflow.keras import ]]></description><category></category></item><item><title><![CDATA[二、回归问题]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119767253</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119767253</guid><author>coder_jyz</author><pubDate>Tue, 17 Aug 2021 22:06:34 +0800</pubDate><description><![CDATA[二、回归问题

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习。

1. 数据生成
import numpy as np
import pandas as pd

# y = wx + b
data = []
X = []
Y = []
for i in range(100):
    x = np.random.uniform(3]]></description><category></category></item><item><title><![CDATA[一、人工智能基础]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119749953</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119749953</guid><author>coder_jyz</author><pubDate>Tue, 17 Aug 2021 10:12:49 +0800</pubDate><description><![CDATA[一、人工智能基础

内容参考来自https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book开源书籍《TensorFlow2深度学习》，这只是我做的简单的学习笔记，方便以后复习。

1.人工智能的三起三落
第一次兴盛期：1958 年，美国心理学家 Frank Rosenblatt 提出了第一个可以自动学习权重的神经元模型，一般认为 1943 年~1969 年为人工智能发展的第一次兴盛期。
第一次寒冬：1969 年，美国科学家 Marvin ]]></description><category></category></item><item><title><![CDATA[循环神经网络PyTorch版]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119523089</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119523089</guid><author>coder_jyz</author><pubDate>Sun, 08 Aug 2021 23:17:33 +0800</pubDate><description><![CDATA[循环神经网络(RNN)
申明：本书的理论和代码来自于开源书籍，TensorFlow深度学习
地址：https://github.com/jiajunhua/dragen1860-Deep-Learning-with-TensorFlow-book
1. Pytorch的RNN简单实现
2.1. 单层RNNCell

[s,b,n], s为句子长度，b为句子数量，n为词向量长度，h为状态长度

import  torch
from    torch import nn
from    torch import]]></description><category></category></item><item><title><![CDATA[循环神经网络_Tensorflow2实现]]></title><link>https://blog.youkuaiyun.com/coder_jyz/article/details/119486907</link><guid>https://blog.youkuaiyun.com/coder_jyz/article/details/119486907</guid><author>coder_jyz</author><pubDate>Sat, 07 Aug 2021 15:18:48 +0800</pubDate><description><![CDATA[循环神经网络(RNN)
申明：本书的理论和代码来自于开源书籍，TensorFlow深度学习
地址：https://github.com/jiajunhua/dragen1860-Deep-Learning-with-TensorFlow-book
1. TensorFlow2的RNN简单实现

在 TensorFlow 中，RNN 表示通用意义上的循环神经网络，对于我们目前介绍的基础循环神经网络，它一般叫做 SimpleRNN。SimpleRNN 与 SimpleRNNCell 的区别在于，带 Cell 的]]></description><category></category></item></channel></rss>