1、机器学习之旅:从基础到TensorFlow应用

机器学习之旅:从基础到TensorFlow应用

在当今数字化时代,计算机的能力似乎已经超越了我们的想象。我们不禁会思考,计算机程序的解决能力是否存在极限?过去半个世纪里,编程成为了自动化任务和节省时间的终极工具,但我们究竟能在多大程度上实现自动化,又该如何去实现呢?

1. 机器学习的崛起

近年来,计算机在解决复杂问题上取得了显著成就。比如,计算机能否识别照片中雨中撑伞走过桥的情侣?软件能否做出和专业医生一样准确的医疗决策?股票市场的软件预测能否超越人类的推理?过去十年的发展表明,这些问题的答案很可能是肯定的,而且这些实现似乎都遵循着一种共同的策略。

传统的编程方式往往需要程序员深入了解问题的细节。以语音转文本为例,传统方法可能需要理解人类声带的生物结构,使用大量手工设计、特定领域且难以通用的代码来解读语音。但如今,只要有足够的时间和示例,我们就可以编写代码,让它通过观察大量示例来找出解决问题的方法。

这就引出了机器学习(ML)的概念。机器学习算法就像人类从经验中学习一样,从数据中学习。人类通过阅读书籍、观察情况、在学校学习、交流对话和浏览网站等方式学习。虽然目前还没有确定的方法能让机器拥有像人类一样的学习大脑,但世界级的研究人员已经从不同角度开发出了智能程序。在解决这类问题的过程中,学者们发现了一些反复出现的模式,从而形成了如今标准化的机器学习领域。

2. 机器学习基础
2.1 参数与学习推理

在机器学习中,参数是模型的重要组成部分。模型通过调整这些参数来适应数据,从而实现学习的过程。学习和推理是机器学习的两个关键环节。学习是指模型从数据中获取知识,而推理则是利用学习到的知识对新数据进行预测或

相关推荐

探索 C# 与机器学习框架的融合及应用场景

对于 C# 开发者来说,如何在现有的 .NET 环境中有效地结合机器学习框架,实现智能应用,成为一个重要的课题。ML.NET 支持各种机器学习任务,如数据分类、回归预测、聚类、异常检测、推荐系统、文本分析等,并且与 C# 的集成非常紧密,能够无缝地与现有的 .NET 应用程序一起工作。随着机器学习技术的崛起,C# 开发者也希望能够在 .NET 环境中进行机器学习开发,借助已有的编程语言和工具,构建出智能化的应用。为了展示 ML.NET 的应用,下面是一个简单的房价预测示例。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1544

ml5.js人工智能编程入门教程(1): ml5.js介绍 & 实现图像分类

ml5.js 是基于tensorflow.js的深度学习框架,它安装简便,API简单易懂,直接在浏览器里面运行,适合作为深度学习的入门以及非人工智能专业的深度学习的工具。 本系列课程将以一个个实际的例子,带领大家编写ml5.js的深度学习代码,亲自动手进入人工智能的世界。 在学习本系列教程过程中,请大家一定要:写代码,自己写代码,自己写有趣的代码!!! 观看本教程视频 一、ml5.js介

fribbler的博客 9371

Macbook m1芯片版本怎么安装tensorflow2.0和pytorch1.8

MACbook m1芯片怎么安装tensorflow和pytorch秀一下最终结果环境准备安装conda创建tensorflow虚拟环境tensorflow测试代码完成tensorflow安装后再次搭建pytorch虚拟环境 秀一下最终结果 环境准备 从Python官网下载支持Apple Silicon的版本 https://www.python.org/downloads/mac-osx/ 2,完成后按默认条件安装即可。在终端输入python3,可看到您下载的Python版本 安装conda 1,

knowledge_endlesss的博客 6658

从基础到进阶:Sklearn、TensorFlow 与 Keras 机器学习实用指南第三版全解析

本文介绍了机器学习和深度学习三大主流框架——Scikit-learn、TensorFlow和Keras的应用指南。首先讲解了Scikit-learn在数据预处理、特征工程和模型训练中的使用流程,并提供了分类模型示例。其次探讨了TensorFlow的张量计算和Keras的简化神经网络构建方法,包含多层感知机的实现代码。最后通过电动汽车充电站入侵检测系统的实战案例,展示了从数据处理到模型部署的完整应用流程。该书为开发者提供了从基础概念到实际应用的全面指导,帮助快速掌握机器学习与深度学习技术。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1239

在C#中像Python一样编写TensorFlow机器学习代码

机器学习是一个激动人心的领域,一直有新的技术突破。研究人员不断推动机器智能的提升,教机器如何看,听,读,写和听——这些曾经是我们人类专属领域的技能。 机器学习的首选语言是Python,最受欢迎的库是Google的TensorFlow。几乎所有的代码示例都是用Python编写的,并且依赖于TensorFlow和NumPy库。对C#和.NET开发人员来说,我们面临着一个严峻的选择 - 要么学习Pyth...

SciSharp Stack 6033

机器学习笔记4:TensorFlow基础入门介绍

机器学习笔记4:TensorFlow基础入门介绍

ChenHaoUESTC的博客 1467

Visual Blocks for ML:无代码可视化编程加速机器学习原型开发

机器学习模型部署与评估是AI应用落地的关键环节,其核心在于构建高效、可复现的推理管线。传统基于脚本的开发方式存在流程繁琐、调试困难、协作成本高等痛点,尤其在进行模型对比、鲁棒性测试和效果评估时效率低下。可视化编程通过将复杂代码逻辑转化为直观的节点连接图,大幅降低了技术门槛,使开发者能快速构建、迭代和分享ML应用原型。Visual Blocks for ML正是基于这一理念设计的开源平台,它支持实时数据流处理、交互式参数调整与并排对比,让模型评估从依赖单一量化指标转向结合真实场景的定性分析,显著加速了从创意到

weixin_30785593的博客 598

机器学习13-TensorFlow的学习1.1-安装与配置

TensorFlow是一个由谷歌开发和维护的开源深度学习框架,它基于数据流编程(dataflow programming)的符号数学系统,被广泛应用于各类机器学习(machine learning)算法的编程实现。TensorFlow的前身是谷歌的神经网络算法库DistBelief,相比于前作,TensorFlow在性能上有显著改进,构架灵活性和可移植性也得到增强[1]。TensorFlow拥有多层级结构,可部署于各类服务器、PC终端和网页,并支持GPU和TPU高性能数值计算。

qq_41810539的博客 1644

软件工程应用与实践(10)-Open3D ML(1)

2021SC@SDUSC open3d Open3D ML是Open3D的一个扩展,用于3D机器学习任务。它建立在Open3D核心库的基础上,并使用机器学习工具对其进行扩展,以进行3D数据处理。要使用它,需要使用PyTorch或TensorFlow安装Open3D,并查看Open3D-ML。 后面将对与Open3D-ML相关的python-open3d-ml-tf-python-layers中的代码进行分析 from ...python.ops import ops from .neighbo

qq_45807222的博客 1037

机器学习四大框架详解及实战应用:PyTorch、TensorFlow、Keras、Scikit-learn

随着人工智能和机器学习的快速发展,越来越多的开发者和研究人员涌入这个领域。在此过程中,选择合适的机器学习框架至关重要。本文将深入分析四大主流框架——PyTorch、TensorFlow、Keras 和 Scikit-learn 的特点,帮助读者了解各自的优势及应用场景,并通过实战案例展示它们的具体用法。

fudaihb的博客 7765

1、机器学习之旅:从基础到应用

本文全面介绍了机器学习的基本原理、核心算法及其实际应用。从机器学习的无限可能出发,探讨了其与传统编程的区别,并深入讲解了数据表示、特征提取、距离度量等关键技术。文章详细阐述了监督学习、无监督学习和强化学习三种主要类型,介绍了线性回归、逻辑回归、K-均值聚类、隐马尔可夫模型等经典算法,并展示了TensorFlow在机器学习中的重要作用。最后总结了各类算法的应用场景及未来发展方向,为读者提供了一条从基础到实践的学习路径。

garlic的博客 64

1、TensorFlow 2.0:开启机器学习之旅

本文介绍了 TensorFlow 2.0 这一功能强大的机器学习平台,涵盖其核心特性、安装与测试方法、简单机器学习应用开发流程以及二元分类任务的实现。通过详细的步骤说明和代码示例,帮助初学者快速入门并掌握 TensorFlow 2.x 的基本使用。此外,还提供了工作流程图和特性总结,便于读者全面了解 TensorFlow 在实际项目中的应用。

pear55的博客 68

C#遇见TensorFlow:开启机器学习应用的新纪元

作为Microsoft .NET框架的核心语言之一,C#以其简洁明了的语法和强大的功能集而广受赞誉。自从发布以来,C#不断进化,现已支持异步编程、LINQ查询表达式、模式匹配等多项现代特性。更重要的是,在Visual Studio等开发工具的支持下,使用C#进行软件开发变得异常便捷,无论是桌面端、移动端还是Web端应用,都能得心应手。

墨夶的博客 844

1、TensorFlow:从基础到高级应用的全面指南

本文是一篇关于 TensorFlow 从基础到高级应用的全面指南。内容涵盖了 TensorFlow 的基本概念、适用人群、深度学习模型的构建与训练,以及高级技术和工具的应用。通过详细的章节划分和实践案例,帮助读者系统地学习和掌握 TensorFlow 在机器学习中的实际应用,适合不同层次的开发者和研究人员参考。

xk7n92h3p5m的博客 65

1、机器学习与TensorFlow:从基础到实践

本文详细介绍了机器学习的基础知识与TensorFlow框架的应用,涵盖监督学习、无监督学习、强化学习和元学习等类型。博文深入探讨了线性回归、卷积神经网络(CNN)、自编码器、强化学习算法(如Q-learning)、循环神经网络(RNN)和LSTM等核心技术。同时,文章通过具体案例,如情感分类、呼叫中心流量预测、图像识别和语音识别,展示了机器学习在实际场景中的应用。此外,还涉及数据预处理、特征工程、模型评估与优化等内容,为读者提供从理论到实践的完整学习路径。

prometheus5watch的博客 65

HDFS 与机器学习:大数据存储支持智能应用

随着机器学习(ML)从“小数据实验”走向“大数据生产”,存储系统的能力直接决定了智能应用的效率与可靠性。HDFS(Hadoop Distributed File System)作为大数据时代的存储基石,其设计理念——大规模流式访问优先、硬件故障常态化、简单一致性模型——完美匹配了机器学习对“高吞吐、高容错、可扩展”的核心需求。本文将从理论框架、架构设计、实现机制到实践优化HDFS的设计公理如何适配机器学习的大数据需求?如何通过HDFS的架构优化提升模型训练效率?

Java大师兄的博客 627

1、利用 TensorFlow 进行机器学习:从基础到实践

本文全面介绍了利用 TensorFlow 进行机器学习的基础知识和实践技巧。从机器学习的基本类型(监督学习、无监督学习、强化学习)到 TensorFlow 的基本操作(张量表示、变量使用、模型保存与可视化),再到核心算法(线性回归、分类、聚类)和深度学习模型(自编码器、卷积神经网络、循环神经网络)的实现,内容系统而深入。此外,还涵盖了 TensorFlow 的高级应用,如数据增强、模型优化以及在医疗、金融等领域的实际案例,最后展望了机器学习的未来发展趋势。

c6d7e8f9g的博客 32

从光耦隔离到稳定驱动:信捷伺服与STM32的硬件设计陷阱与救赎

本文深入探讨了信捷伺服驱动器与STM32微控制器配合时的硬件设计关键问题,包括光耦隔离电路选型、电源电压选择、拨码开关设置等核心环节。针对伺服驱动器的稳定驱动需求,提供了从电路设计到抗干扰策略的完整解决方案,帮助工程师规避常见陷阱,提升工业控制系统的可靠性。

gold8的专栏 312

Neurocomputing 投稿指南

Generation Information:选择论文所属领域。上传附件(利益声明,手稿,摘要)审稿人偏好:可以选择期待的审稿人。

qq_41174671的博客 2万+

物联网技术(AIR780E cat1-4G模块+小程序+腾讯云MQTT)驱动的智能井盖系统设计(连载01)

终端设备采用AIR780E模块作为主控器,电子模块有三轴加速度传感器、可燃气体传感器,AIR780E模块(4G模块)通过MQTT通信协议进行数据打包上传至EMQX服务器,在EMQX服务器中,用户可以自行订阅主题和发布主题,小程序通过MQTT通信协议订阅EMQX服务器的主题,服务器通过接收到硬件发布的数据,转发到微信小程序。

leida_3669的博客 2219

若依框架整合Flowable:从零构建企业级流程中心

本文详细介绍了如何将若依框架与Flowable工作流引擎整合,构建企业级流程中心。通过环境配置、依赖添加、数据库设置等核心步骤,实现流程定义管理、任务处理服务等关键功能,并结合实际案例展示请假审批流程的实现与动态表单集成。文章还提供了性能优化和生产建议,帮助开发者高效构建稳定可靠的工作流系统。

weixin_28365523的博客 230

CQE和SQE 以及 PQA和DQA的区别

‌:PQA聚焦产品全生命周期流程管理,DQA专注于设计阶段的质量控制。

a1809032425的博客 1907

基于深度学习DNN LSTM网络的光伏发电量预测 完整代码数据 可直接运行

基于深度学习DNN LSTM网络的光伏发电量预测 完整代码数据 可直接运行

2079

学Simulink--环境感知场景实例:基于Simulink的毫米波雷达多目标跟踪仿真

本文介绍了基于Simulink的毫米波雷达多目标跟踪仿真系统,重点分析了FMCW雷达信号处理流程(Range/Doppler FFT、CFAR检测)和多目标跟踪算法(JPDA数据关联、EKF状态估计)。通过构建城市道路交叉场景,验证了系统在跟踪精度(位置误差<0.2m)、实时性(单帧处理24ms)和鲁棒性(ID切换率<5%)方面的性能优势,并提出了UKF滤波、多传感器融合等优化方向。该仿真系统为自动驾驶环境感知提供了实用的毫米波雷达跟踪解决方案。

amy_mhd的博客 92

第一部分:VTK基础入门(第1章:VTK简介与概述)

VTK简介与核心特性概述 VTK(Visualization Toolkit)是一个开源的跨平台C++类库,专用于3D计算机图形学、图像处理和科学可视化。由Kitware公司开发,VTK自1993年起源以来,经历了开源化、成熟化和现代化多个发展阶段,现已成为科学可视化的核心工具之一。 VTK的核心特性包括: 管道架构:模块化设计实现数据流管理 丰富的数据支持:处理多边形数据、图像数据等 强大的渲染能力:集成OpenGL,支持多种渲染技术 最新版本VTK 9.4.2增强了现代C++支持,优化了内存管理,并提升

仰望星空的博客 2368

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 34、网络安全资源汇总与实践指南
下一篇: 39、深度学习:从基础到前沿应用
pluto
博客等级 码龄25年 46粉丝 1562原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值