<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gldbys的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gldbys</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gldbys]]></copyright><item><title><![CDATA[三维卷积神经网络预测MNIST数字详解]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/109612170</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/109612170</guid><author>gldbys</author><pubDate>Wed, 11 Nov 2020 09:29:51 +0800</pubDate><description><![CDATA[from __future__ import division,print_function
import tensorflow as tf
import  matplotlib.pyplot as plt
import numpy as np
#导入mnist数据集
from tensorflow.examples.tutorials.mnist import  input_data
mnist = input_data.read_data_sets('MNIST_data/',one_hot=True)]]></description><category></category></item><item><title><![CDATA[Tensorflow实现多层感知函数逼近]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/109443266</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/109443266</guid><author>gldbys</author><pubDate>Mon, 02 Nov 2020 10:01:51 +0800</pubDate><description><![CDATA[#1:导入需要用到的模块
import tensorflow as tf
import tensorflow.contrib.layers as layers
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import  MinMaxScaler
import  pandas]]></description><category></category></item><item><title><![CDATA[TensorFlow多层感知机实现MINIST分类]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/109383976</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/109383976</guid><author>gldbys</author><pubDate>Fri, 30 Oct 2020 14:01:38 +0800</pubDate><description><![CDATA[import tensorflow as tf
import tensorflow.contrib.layers as layers
from tensorflow.python import  debug as tf_debug

#1:网络参数
n_hidden = 30  #隐藏层的神经元数
n_classes = 10 #mnist类别（0-9）
n_input = 784  #mnist尺寸（28*28）
#2:超参数
batch_size = 200 #每批训练批量大小
eta = 0.001 ]]></description><category></category></item><item><title><![CDATA[Tensorflow逻辑回归处理MNIST数据集]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/109356396</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/109356396</guid><author>gldbys</author><pubDate>Thu, 29 Oct 2020 12:08:51 +0800</pubDate><description><![CDATA[#1:导入所需的软件
import tensorflow as tf
'''
获取mnist数据放在当前文件夹下，利用input_data函数解析该数据集
train_img和train——label构成训练集，包含60000个手写体数字图片和对应的标签
test_img和test_label表示测试集，包含10000个样本和10000个标签
'''
from tensorflow.examples.tutorials.mnist import  input_data
mnist = input_data.]]></description><category></category></item><item><title><![CDATA[Tensorflow实现多元线性回归]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/109240729</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/109240729</guid><author>gldbys</author><pubDate>Fri, 23 Oct 2020 13:45:10 +0800</pubDate><description><![CDATA[上一篇使用tensorflow实现了简单的线性回归，这次在简单的线性回归基础上，通过在权重和占位符声明中
修改来对相同的数据进行多元线性回归。
同样以波士顿房价数据为例
波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。
多元线性回归具体实现步骤
1：导入需要的所有软件包
2：因各特征的数据范围不同，需要归一化特征数据，为此定义一个归一化函数
定义一个append_bias_reshape()函数，来将固定输入值和偏置结合起来
3：加载数据集，并划分为]]></description><category></category></item><item><title><![CDATA[使用Tensorflow实现简单线性回归]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/109208727</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/109208727</guid><author>gldbys</author><pubDate>Wed, 21 Oct 2020 20:15:00 +0800</pubDate><description><![CDATA[针对波士顿房价数据集采用简单线性回归，预测最后一列给出的房价
波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。
实现简单线性回归的具体做法
1：导入所需要的软件包
2：在神经网络中，所有的输入都线性增加，为了使训练有效，输入应该被归一化，所以这里定义一个函数来归一化输入数据
3：加载波士顿房价数据集，将其分解为X_train和Y_train，并对数据进行归一化处理
4：为训练数据声明Tensorflow占位符
5:创建Tensorflow的权重和偏置]]></description><category></category></item><item><title><![CDATA[tensorflow-gpu安装]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/108835087</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/108835087</guid><author>gldbys</author><pubDate>Sun, 27 Sep 2020 20:09:27 +0800</pubDate><description><![CDATA[tensorflow是第二代的人工智能学习系统，被多次的用于深度学习领域，但是tensorflow安装却令人很是头疼，（当然是指gpu版本），cpu版本的过于简单，在这里就不叙述。
下面是gpu安装的具体步骤：
1：检查自己电脑上gpu是否支持cudn，当然判断是否支持cudn也很简单粗暴，就是是不是英伟达的显卡就行了，当然你也可以去英伟达网站里面查找。
具体网址：https://developer.nvidia.com/cuda-gpus
2：下载并安装cudn：进入网站：https://develope]]></description><category></category></item><item><title><![CDATA[tensorflow中的Session方法解释]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/108791183</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/108791183</guid><author>gldbys</author><pubDate>Fri, 25 Sep 2020 10:31:19 +0800</pubDate><description><![CDATA[Session()方法 
首先我们需要创建一个Session对象.在不传参数的情况下,该Session的构造器将启动默认的图.之后我们可以通过Session对象的run(op)来执行我们想要的操作。tensorflow的内核使用更加高效的C++作为后台，以支撑它的密集计算。tensorflow把前台(即python程序)与后台程序之间的连接称为"会话(Session)"。 
Session作为会话，主要功能是指定操作对象的执行环境，Session类构造函数有3个可选...]]></description><category></category></item><item><title><![CDATA[通俗理解卷积神经网络]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/108704192</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/108704192</guid><author>gldbys</author><pubDate>Mon, 21 Sep 2020 10:29:11 +0800</pubDate><description><![CDATA[&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;通俗理解卷积神经网络（cs231n与5月dl班课程笔记）
&nbsp;
&nbsp;
&nbsp;
1 前言
&nbsp; &nbsp; 2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习...]]></description><category></category></item><item><title><![CDATA[机器学习中的梯度下降算法原理详解]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/108697343</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/108697343</guid><author>gldbys</author><pubDate>Sun, 20 Sep 2020 19:42:05 +0800</pubDate><description><![CDATA[1. 概述 
梯度下降（gradient descent）在机器学习中应用十分的广泛，不论是在线性回归还是Logistic回归中，它的主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值。 本文将从一个下山的场景开始，先提出梯度下降算法的基本思想，进而从数学上解释梯度下降算法的原理，解释为什么要用梯度，最后实现一个简单的梯度下降算...]]></description><category></category></item><item><title><![CDATA[目标函数，代价函数，损失函数]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/108697257</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/108697257</guid><author>gldbys</author><pubDate>Sun, 20 Sep 2020 19:35:07 +0800</pubDate><description><![CDATA[参考知乎回答整理：https://www.zhihu.com/question/52398145 
主要参考：https://www.zhihu.com/question/52398145/answer/209358209 
基本概念： 
损失函数：计算的是一个样本的误差 
代价函数：是整个训练集上所有样本误差的平均 
目标函数：代价函数 + 正则化项 
实际应用： 
损失函数和代价函数是同一个东西，目标函数是一个与他们相关但更广的概念，举例说明：  
  
上面三...]]></description><category></category></item><item><title><![CDATA[人工神经网络与生物神经网络]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/108693877</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/108693877</guid><author>gldbys</author><pubDate>Sun, 20 Sep 2020 15:58:07 +0800</pubDate><description><![CDATA[2，30年前，那时候的我们一想到神经网络，就会想到生物神经系统中的数以亿计的细胞相互连接，将感官和反射器联系在一起。但是今天，你可能的第一反应却是电脑与电脑程序当中的人工神经网络，昔日复杂的动神经网络系统居然神奇的放入了计算机。而且人类正将这种人工神经系统推向更高的境界，今天的是世界早已布满了人工神经网络的身影。
比如Google的搜索引擎，股票价格预测，机器人学习，围棋，家庭助手，等等等等，从金融到仿生样样都能运用，看起来人工神经网络的确很强大，但，是不是有这么一个问题一直伴随着你：计算机领域的神经网络和]]></description><category></category></item><item><title><![CDATA[1.什么是机器学习]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/107467664</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/107467664</guid><author>gldbys</author><pubDate>Mon, 20 Jul 2020 17:48:05 +0800</pubDate><description><![CDATA[机器学习是一帮计算机科学家想让计算机像人一样思考，所研发出来的计算机理论。
在计算机科学家眼里看来，人和计算机其实并没有差别。同样都是一大批互相连接的 信息传递和存储元素所组成的系统。所以有了这样的想法，加上那批科学家得天独厚的数学功底，机器学习的前身也有孕育而生了，机器学习的萌芽诞生于19世纪60年代。20年前逐渐兴起，它是一门跨学科的交融。这里面包含了概率论，统计学等等学科。
随着计算机硬件的提升，计算机运算速度的不断提高，它真正开始进入到我们的日常生活当中，而在不久的将来，我相信它也会成为我们生活中必]]></description><category></category></item><item><title><![CDATA[数据库系统中数据抽象的三级结构]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105808924</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105808924</guid><author>gldbys</author><pubDate>Tue, 28 Apr 2020 11:04:30 +0800</pubDate><description><![CDATA[数据库系统的三级模式结构是指数据库系统是由外模式，模式和内模式三级构成。
模式：也称逻辑模式，是数据库中全体数据的逻辑结构和特征的描述，是所有用户的公共数据视图。
外模式：也称子模式或用户模式，它是数据库用户（包括应用程序员和最终用户）能够看见和使用的局部数据的逻辑结构和特征的描述，是数据库用户的数据视图，是与某一应用有关的数据的逻辑表示。
内模式：也称存储模式；一个数据库只有一个内模式。它是数据...]]></description><category></category></item><item><title><![CDATA[深入理解计算机的字长]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105808192</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105808192</guid><author>gldbys</author><pubDate>Tue, 28 Apr 2020 10:54:28 +0800</pubDate><description><![CDATA[1. 计算机字长一般指的是，所谓n位的CPU其中n是指什么？
在同一时间中处理二进制数的位数叫字长。通常称处理字长为8位数据的CPU叫8位CPU，32位CPU就是在同一时间内处理字长为32位的二进制数据。
2.计算机的字长是什么意思？
位（bit）表示二进制位。位是计算机内部数据存储的最小单位，一个二进制位只可以表示0，1两种状态；
两个二进制位可以表示00，01，10，11，四种状态；
三位二进...]]></description><category></category></item><item><title><![CDATA[软件质量包括哪些特性?软件质量保证的主要任务是什么?]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105738598</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105738598</guid><author>gldbys</author><pubDate>Fri, 24 Apr 2020 19:57:01 +0800</pubDate><description><![CDATA[PCI是在CPU和原来的系统总线之间插入的一级总线，具体由一个桥接电路实现对这一层的管理，并实现上下之间的接口以协调数据的传送。管理器提供了信号。
缓冲，使之能支持10种外设，并能在搞时钟频率下保存高性能，它为显卡，声卡，网卡，MODEM等设备提供了连接接口，它的工作频率为33MHz/66MHz
PCI插槽也是主板带有最多数量的插槽类型。
1. 高速性
PCI局部总线以33MHz的时钟频率操作，采...]]></description><category></category></item><item><title><![CDATA[PCI总线的含义是什么？PCI总线的主要特点是什么？]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105737077</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105737077</guid><author>gldbys</author><pubDate>Fri, 24 Apr 2020 19:44:12 +0800</pubDate><description><![CDATA[PCI是在CPU和原来的系统总线之间插入的一级总线，具体由一个桥接电路实现对这一层的管理，并实现上下之间的接口以协调数据的传送。管理器提供了信号。
缓冲，使之能支持10种外设，并能在搞时钟频率下保存高性能，它为显卡，声卡，网卡，MODEM等设备提供了连接接口，它的工作频率为33MHz/66MHz
PCI插槽也是主板带有最多数量的插槽类型。
1. 高速性
PCI局部总线以33MHz的时钟频率操作，采...]]></description><category></category></item><item><title><![CDATA[简述局域网与分布式系统异同点]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105736721</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105736721</guid><author>gldbys</author><pubDate>Fri, 24 Apr 2020 18:01:16 +0800</pubDate><description><![CDATA[我们将地理位置不同，具有独立功能的多个计算机系统，通过通信设备和线路互相连接起来，使用功能完整的网络软件来实现网络资源共享的大系统，称为计算机网络。换句话说，计算机网络既可以用通信线路将几台计算机系统连成简单的网络，实现信息的收集，分配，传输和处理，也可以将成千上万的计算机系统和数千公里乃至数万公里的通信线路联成全国或全球的计算机网络。按照网络覆盖的地区不同，可把计算机分成局域网（LAN），广域网...]]></description><category></category></item><item><title><![CDATA[支持XML的公司和它们的开发工具有哪些？]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105735347</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105735347</guid><author>gldbys</author><pubDate>Fri, 24 Apr 2020 17:46:39 +0800</pubDate><description><![CDATA[尽管XML还处在开发阶段，其标准正在由W3C组织制定，但是已经有许多公司表示全力支持XML，并开发了不少XML工具。Adobe公司的FrameMaker可以用来书写XML文档。Microsoft公司推出的IE4.0已经可以显示，处理和编辑XML文档，Microsoft公司作出承诺，要在下一版本的Office软件如MS Word，Excel中支持XML。
Netscape，Sun公司也不甘寂寞，纷纷...]]></description><category></category></item><item><title><![CDATA[OSI七层模型都是什么？]]></title><link>https://blog.youkuaiyun.com/gldbys/article/details/105728265</link><guid>https://blog.youkuaiyun.com/gldbys/article/details/105728265</guid><author>gldbys</author><pubDate>Fri, 24 Apr 2020 12:38:11 +0800</pubDate><description><![CDATA[第七层：应用层 Application API接口（应用程序接口）识别并证实目的通信方的可用性，使协同工作的应用程序之间进行同步，建立传输错误纠正和数据完整性控制方面协定，判断是否为所需要的通信过程留有足够的资源。
第六层：表示层 Presentation 提供语音格式的转化，数据加密和压缩
第五层：会话层 Session 提供两台计算机之间的会话连接，并报告上三层中产生的错误。
第四层：传输层 ...]]></description><category></category></item></channel></rss>