- 博客(16982)
- 资源 (971)
- 问答 (2)
- 收藏
- 关注
RSS订阅
原创 布客沉思录（一）：【历史垃圾时间】就是彻头彻尾的伪概念
所以新的方向之一必须是能从市场上直接赚到钱的，对于程序员来讲，我们没有什么时间，但我们有自动化能力，有AI能力，所以最好的方式就是量化交易。《单干》一书中提到，最好的商业方式必须离钱最近，必须变现环节最小，轻资产大于重资产，自动大于手动，这样才能降低不可控性，那么量化交易一定是最符合这个描述的了。就算当时赚不到钱，也算是技术储备，等待经济好了，就一定能发挥作用。看到了吧，这个伪概念就是个自证预言：如果你觉得现在是【历史垃圾时间】，你放弃了自己的主观能动性，啥都不做，当然啥都不出错，但是啥都做不出来。
2024-08-14 14:43:16
3395
23
原创 【布客】已经制作完成的有声书
【超越想象的GPT医疗：第六章：延展大问题：如何让数学、编码和逻辑更可靠】【超越想象的GPT医疗：第二章：智能协作，GPT-4在医学中的超强潜力】【超越想象的GPT医疗：结语：欣赏AI的奇迹，人类智慧和无尽雄心的见证】【超越想象的GPT医疗：第一章：“达芬奇3”，与GPT-4的初次接触】【超越想象的GPT医疗：第九章：安全第一，在新的AI时代充分受益】【超越想象的GPT医疗：第三章：一个大问题：AI能“理解”吗】【超越想象的GPT医疗：引言：GPT-4医生的故事】
2024-08-10 13:16:08
1341
21
原创 布客社区及饱和式翻译计划 Q&A
A1：如果你现在，在AIGC大爆发之后问我这个问题，我只想告诉你们，翻译是 AIGC 中一种重要的形式，输出稳定，没有幻觉，比什么扩写仿写之类的好多了。当然我也尝试过很多其他的AIGC形式，比如源码解析、课程笔记之类的，但都没有翻译方便省事。翻译一定是未来几年技术自媒体 AIGC 的主流形态。
2024-08-06 13:52:20
968
13
原创 Quant文艺复兴计划正式启动！
此时此刻恰如彼时彼刻，所以我深知，如果我不自己动手写出一批教程，中文互联网就永远没有面向新手的开放教程可用。幸好现在我们有了ChatGPT，它减轻了我的主业工作量，让我有时间投入这个方面；同时，它也大大减轻了编写教程的工作量，能让这些想法迅速实现。再者，良好的量化实现是保证回测准度和自动化的前提之一。总结paperwithbacktest上的Quant前沿论文【自动】，解析代码【自动】寻找gh上的机器学习或深度学习的Quant代码，做源码解析【自动】挑选主流量化框架，翻译文档【自动】，做源码解析【自动】
2024-04-10 22:56:08
1024
60
原创 赚钱周报、风向标、大航海 23&24
龙哥赚钱周报 23在线阅读龙哥赚钱周报 202301-02龙哥赚钱周报 202303龙哥赚钱周报 202304龙哥赚钱周报 202305龙哥赚钱周报 202306龙哥赚钱周报 202307龙哥赚钱周报 202308龙哥赚钱周报 202309龙哥赚钱周报 202310龙哥赚钱周报 202311龙哥赚钱周报 202312龙哥风向标 23在线阅读龙哥风向标 202301龙哥风向标 202302龙哥风向标 202303龙哥风向标 202304龙哥风向标 202305龙哥
2024-04-09 12:03:53
2815
原创 一些用 GPT 翻译的计算机科学/人工智能 PDF 讲义
3D成像.pdf3D成像.pdf3D成像技术.pdf3D成像技术.pdf3D点云分析.pdf3D点云分析.pdfAAAI 2019 笔记.pdfAAAI 2019 笔记.pdfCMU 10.708 概率图模型讲义.pdfCMU 10.708 概率图模型讲义.pdfCMU 15-312 编程语言基础讲义.pdfCMU 15-312 编程语言基础讲义.pdfCMU 15-411 编译器设计讲义.pdfCMU 15-411 编译器设计讲义.pdfCMU 15-819 同伦类型论讲义.
2024-02-20 22:59:55
2212
原创 人工智能示例第二版（二）
尽管看起来可能有些矛盾，但在开始涉及数百万到数十亿条数据记录的项目（如 SQL、Oracle 和大数据）之前，尝试避免使用 AI。可以尝试更简单的经典解决方案，比如大数据方法。如果 AI 项目通过，LLN 将引导通过中央极限定理进行数据集上的随机抽样。经典和机器学习流程的管道将解决数据量问题，以及人工分析限制问题。随机抽样功能无需在 KMC 程序中运行迷你批处理功能。批次可以作为预处理阶段，通过经典程序生成。这些程序将生成与 KMC NP 难问题等大小的随机批次，将其转化为一个 NP 问题。
2025-07-12 12:07:36
原创 人工智能示例第二版（一）
人工智能实例》第二版将带领你了解当前人工智能AI）的主要方面，甚至超越这些内容！本书包含了对第一版中描述的 AI 关键内容的许多修订和新增：机器学习和深度学习的理论，包括混合算法和集成算法。主要 AI 算法的数学表示，包括自然语言解释，使其更容易理解。真实案例研究，带领读者深入了解电子商务的核心：制造、服务、仓储和配送。介绍将物联网、卷积神经网络CNN）和马尔可夫决策过程MDP）结合的 AI 解决方案。
2025-07-12 12:07:04
原创 亚马逊 SageMaker 深度学习负载加速指南（三）
在本章中，我们讨论了如何在 Amazon SageMaker 上使用流行的模型服务器——TensorFlow Serving、PyTorch TorchServe 和 NVIDIA Triton。每个模型服务器都提供了丰富的功能，用于部署和调优模型推理。选择特定模型服务器的原因可能由深度学习框架、目标硬件和运行时环境以及其他偏好决定。NVIDIA Triton 支持多种模型格式、目标硬件平台和运行时。同时，TensorFlow Serving 和 TorchServe 提供与各自深度学习框架的原生集成。
2025-07-12 12:02:04
23
原创 亚马逊 SageMaker 深度学习负载加速指南（二）
SageMaker 提供与 EFA 设备的无缝集成。如果您使用 TensorFlow 或 PyTorch 深度学习容器与支持的训练实例，EFA 将自动启用。如果您选择使用自定义容器，您需要在该容器中安装必要的 EFA 包以及 MPI 和 NCCL 库。以下步骤展示了如何在 Dockerfile 中执行这些操作：在本节中，我们讨论了分布式训练中设备之间的网络以及它对整体训练效率的影响。由于网络经常成为训练的全球瓶颈，我们分享了如何根据集群配置和模型参数来估算网络带宽。
2025-07-12 12:01:33
50
原创 亚马逊 SageMaker 深度学习负载加速指南（一）
*深度学习（DL）**是一种相对较新的机器学习类型，在自然语言理解和计算机视觉等任务中展现出了惊人的效果。有时，DL 的准确度甚至超过人类。得益于开源框架的普及、公开可用的模型架构和预训练模型，许多人和组织能够成功地将前沿的深度学习模型应用于他们的实际用例。然而，开发、训练和部署深度学习模型还需要高度专业化且昂贵的硬件、软件栈、专业知识和管理能力，这可能会显著减缓其采用进程。本书重点介绍如何在 Amazon SageMaker 上设计和管理深度学习工作负载，从而帮助您克服上述障碍。
2025-07-12 11:58:05
73
原创 Python 3D 深度学习（三）
在 3D 计算机视觉中最流行的研究方向之一是视图合成。在这个研究方向中，给定数据和视点，其核心思想是生成一个新的图像，从另一个视角渲染对象。视图合成面临两个挑战。模型应该理解图像的 3D 结构和语义信息。所谓 3D 结构，是指当视角发生变化时，我们会靠近一些物体而远离其他物体。一个好的模型应该通过渲染图像来处理这种变化，其中一些物体变得更大，另一些则变得更小。所谓语义信息，是指模型应区分图像中的物体，并理解图像中展示的物体。这一点非常重要，因为某些物体可能只部分出现在图像中；
2025-07-12 11:56:06
135
原创 Python 3D 深度学习（二）
本章将讨论一个项目，使用可变形网格模型拟合来自原始深度相机传感器结果的原始点云观测数据。深度相机的原始点云观测数据通常是没有任何关于这些点如何连接的信息的点云格式；即，点云不包含关于如何从这些点形成表面的信息。这与网格相反，网格通过定义面的列表显示了表面是如何形成的。如何将点聚集成表面的信息对于后续的后处理（如去噪和物体检测）非常重要。例如，如果一个点孤立无援，没有与任何其他点连接，那么该点很可能是传感器的误检。因此，从点云中重建表面信息通常是 3D 数据处理流程中的标准步骤。关于从点云进行 3D 表面重建
2025-07-12 11:55:35
25
原创 Python 3D 深度学习（一）
从事 3D 计算机视觉开发的人员可以通过这本实践指南，将他们的知识应用于 3D 深度学习。书中提供了一个动手实现的方式，并配有相关方法论，让你迅速上手并有效工作。本书通过详细的步骤讲解基础概念、实践示例和自我评估问题，帮助你从探索最前沿的 3D 深度学习开始。你将学习如何使用 PyTorch3D 处理基本的 3D 网格和点云数据，例如加载和保存 PLY 和 OBJ 文件、使用透视相机模型或正交相机模型将 3D 点投影到相机坐标系，并将点云和网格渲染成图像等。
2025-07-12 11:42:01
127
原创 解锁 AutoGPT 的威力（二）
在本章中，我们开始了一段有趣的旅程，探索将自定义 LLM 与 Auto-GPT 集成的过程，同时了解什么是 LLM，特别聚焦于以 GPT 为代表的模型。我们揭示了 LLM 的广阔天地，深入探讨了 GPT 之外的各种模型，如 BERT、RoBERTa、Llama 和 Mistral，以及它们的独特特点和与 Auto-GPT 的兼容性。本章的价值在于其全面的指南，帮助你通过集成自己的或其他 LLM，丰富 Auto-GPT 的能力。这种集成提供了更个性化、可能更高效的人工智能技术使用，适用于特定任务或研究领域。
2025-07-11 17:24:23
326
原创 解锁 AutoGPT 的威力（一）
我希望它能为你提供帮助，让你在使用 Auto-GPT 时享受其中的乐趣，甚至改善你或他人的生活！每一个创新故事背后都有一些偶然的机遇，我的故事便是从我全身心投入构建自己的 ChatGPT 编排器开始的。我的目标是创造一个能够促使多个 ChatGPT 实例之间无缝对话的工具，其中一个实例充当“讲师”，能够生成新的实例并委派任务。为此，我正在开发一个 JavaScript 注入机制。尽管面临着技术挑战——主要是如何向新实例传达正确的上下文——我始终没有气馁。
2025-07-11 17:23:50
241
原创 Spark 深度学习秘籍（三）
在当今世界，信息安全的维护变得越来越重要，同时也越来越困难。有多种方法可以加强这种安全性（如密码、指纹识别、PIN 码等）。然而，在使用方便性、准确性和低干扰性方面，面部识别算法表现非常出色。随着高速计算的普及和深度卷积网络的发展，这些算法的鲁棒性得到了进一步提高。它们已经发展得如此先进，以至于现在在许多电子设备（例如 iPhoneX）甚至银行应用中作为主要的安全特性。本章的目标是开发一个稳健的、对姿势不变的面部识别算法，用于安全系统。在本章中，我们将使用公开提供的MIT-CBCL。
2025-07-11 17:23:15
297
原创 Spark 深度学习秘籍（二）
本章将涵盖以下内容：下载旧金山消防部门呼叫数据集确定逻辑回归模型的目标变量为逻辑回归模型准备特征变量应用逻辑回归模型评估逻辑回归模型的准确性分类模型是预测定义的类别结果的常用方法。我们经常使用分类模型的输出。每当我们去电影院看电影时，我们都关心电影是否符合预期？数据科学领域中最常用的分类模型之一是逻辑回归。逻辑回归模型产生一个由 sigmoid 函数激活的响应。sigmoid 函数使用模型的输入，并产生一个介于 0 和 1 之间的输出。这个输出通常是一个概率分数。许多深度学习模型也用于分类目的。常见的是，逻
2025-07-11 17:22:42
176
原创 Spark 深度学习秘籍（一）
随着深度学习在现代工业中迅速获得广泛应用，组织正在寻求将流行的大数据工具与高效的深度学习库结合起来的方法。这将有助于深度学习模型以更高的效率和速度进行训练。在Apache Spark 深度学习实战的帮助下，你将通过具体的实践步骤生成深度学习算法的结果，而不会陷入理论的困扰。从为深度学习设置 Apache Spark，到实现各种神经网络，本书将处理常见及不常见的问题，以便在分布式环境中进行深度学习。此外，你还将获得 Spark 中深度学习代码的访问权限，这些代码可以重复使用来解决类似问题，或稍作修改来解决不同
2025-07-11 17:22:10
233
原创 Python 循环神经网络快速启动指南（一）
深度学习DL）是一个日益流行的话题，吸引了各大公司以及各种开发者的关注。在过去的五年里，这一领域经历了巨大的进步，最终让我们将 DL 视为一种具有巨大潜力的颠覆性技术。虚拟助手、语音识别和语言翻译只是 DL 技术直接应用的几个例子。与图像识别或物体检测相比，这些应用使用的是顺序数据，其中每个结果的性质都依赖于前一个结果。例如，要将英语句子翻译成西班牙语，你无法不从头到尾追踪每个单词的变化。对于这些问题，正在使用一种特定类型的模型——递归神经网络RNN。
2025-07-11 17:21:39
140
原创 R 深度学习精要第二版（三）
到目前为止，我们关注的是广义上属于监督学习类别的模型和技术。监督学习之所以叫做监督，是因为任务是让机器学习一组变量或特征与一个或多个结果之间的关系。例如，在第四章《训练深度预测模型》中，我们希望预测某人是否会在接下来的 14 天内访问商店。在本章中，我们将深入探讨无监督学习的方法。与监督学习不同，监督学习需要有结果变量或标签数据，而无监督学习则不使用任何结果或标签数据。无监督学习仅使用输入特征进行学习。
2025-07-11 17:21:05
236
原创 R 深度学习精要第二版（二）
毫不夸张地说，深度学习领域对卷积神经网络的巨大兴趣增长，可以说主要归功于卷积神经网络。卷积神经网络（CNN）是深度学习中图像分类模型的主要构建块，并且已经取代了以前该领域专家使用的大多数技术。深度学习模型现在是执行所有大规模图像任务的事实标准方法，包括图像分类、目标检测、检测人工生成的图像，甚至为图像添加文本描述。本章中，我们将探讨其中一些技术。为什么 CNN 如此重要？为了说明这一点，我们可以回顾一下 ImageNet 竞赛的历史。ImageNet竞赛是一个开放的大规模图像分类挑战，共有一千个类别。它可以
2025-07-11 17:20:31
170
原创 R 深度学习精要第二版（一）
深度学习可能是当前数据科学中最热门的技术，而 R 语言是最受欢迎的数据科学语言之一。然而，许多人并不认为 R 是深度学习的选择之一，这实在是可惜，因为 R 语言在数据科学中非常出色。本书展示了 R 作为深度学习的可行选择，因为它支持如 MXNet 和 Keras 等库。当我决定写这本书时，我有多个目标。首先，我想展示如何将深度学习应用于各种任务，而不仅仅是计算机视觉和自然语言处理。这本书涵盖了这些主题，但也展示了如何将深度学习应用于预测、回归、异常检测和推荐系统。第二个目标是探讨深度学习中一些在其他地方没有
2025-07-11 17:19:52
240
原创 R 深度学习秘籍（三）
本章将介绍用于序列数据集建模的循环神经网络。在本章中，我们将涵盖：设置基础的循环神经网络设置双向 RNN 模型设置深度 RNN 模型设置基于长短期记忆的序列模型循环神经网络 (RNN) 用于处理存在高自相关性的序列数据集。例如，使用患者的历史数据集预测患者的就诊路径，或预测给定句子中的下一个单词。这些问题的共同点在于输入长度不固定，并且存在序列依赖性。标准的神经网络和深度学习模型受到固定大小输入的限制，并产生固定长度的输出。例如，基于占用数据集构建的深度学习神经网络有六个输入特征，并且输出为二项式结果。机器
2025-07-11 17:19:17
145
原创 R 深度学习秘籍（二）
神经网络旨在找到输入X与输出y之间的非线性关系，即y=f(x)。自编码器是一种无监督神经网络，试图找到空间中特征之间的关系，使得hf(x)，帮助我们学习输入空间之间的关系，可用于数据压缩、降维和特征学习。自编码器由编码器和解码器组成。编码器帮助将输入x编码为潜在表示y，而解码器则将y转换回x。编码器和解码器具有相似的形式表示。编码器将输入X编码为H，并通过隐藏层处理，而解码器则帮助从编码输出H恢复原始数据。矩阵W[e]和W[d]
2025-07-11 17:18:34
208
原创 R 深度学习秘籍（一）
深度学习是机器学习中最常讨论的领域之一，因为它能够建模复杂的函数并通过各种数据源和结构（如横截面数据、序列数据、图像、文本、音频和视频）进行学习。此外，R 是数据科学社区中最流行的编程语言之一。随着深度学习的快速发展，R 与深度学习之间的关系也在迅速增长。因此，深度学习食谱：R 篇旨在提供构建不同深度学习模型的速成课程。通过结构化、非结构化、图像和音频案例研究，展示了深度学习的应用。本书还将涵盖迁移学习以及如何利用 GPU 的强大计算能力来提高深度学习模型的计算效率。
2025-07-11 17:17:58
229
原创 Python 强化学习项目（三）
在本章中，我们实现了 NAS，这是一个框架，其中强化学习代理（控制器）生成子神经网络来完成特定任务。我们研究了控制器如何通过策略梯度方法学习生成更好的子网络架构的理论。接着，我们实现了一个简化版本的 NAS，该版本生成能够学习分类CIFAR-10图像的子网络。欲了解更多相关话题，请参考以下链接列表：通过强化学习实现的 NAS：arxiv.org/abs/1611.01578高效的 NAS 通过参数共享：arxiv.org/pdf/1802.03268。
2025-07-11 17:17:26
170
原创 Python 强化学习项目（二）
在前两章中，我们讨论了深度 Q 学习（DQN）算法，用于玩 Atari 游戏，以及信任域策略优化（TRPO）算法，用于连续控制任务。我们看到这些算法在解决复杂问题时取得了巨大成功，尤其是与传统强化学习算法相比，后者并未使用深度神经网络来逼近价值函数或策略函数。它们的主要缺点，尤其是对于 DQN 来说，是训练步骤收敛得太慢，例如，训练一个代理玩 Atari 游戏需要大约一周时间。对于更复杂的游戏，即使一周的训练时间也不够。本章将介绍一个更复杂的例子——Minecraft，这是由瑞典游戏开发者 Markus P
2025-07-11 17:16:53
168
原创 Python 强化学习项目（一）
强化学习是机器学习中最令人兴奋且发展最快的领域之一。这得益于近年来开发出许多新颖的算法和发布的令人惊叹的结果。本书将帮助你了解强化学习的核心概念，包括 Q 学习、策略梯度、蒙特卡洛过程以及多个深度强化学习算法。在阅读本书时，你将参与使用图像、文本和视频等多种模态的数据集进行项目工作。你将积累在多个领域的经验，包括游戏、图像处理和物理仿真。你还将探索如 TensorFlow 和 OpenAI Gym 等技术，以实现深度学习强化学习算法，这些算法还可以预测股价、生成自然语言，甚至构建其他神经网络。本书结束时，你
2025-07-11 17:16:20
205
原创 Python 深度学习项目（五）
这是一次精彩的旅程，作为团队的一员，你非常高效！我们希望你喜欢我们实践性的Python 深度学习项目教学方法。此外，我们的目标是为你提供激发思考、令人兴奋的体验，进一步增强你的直觉，并为你的深度学习工程师职业生涯奠定技术基础。每一章的结构都类似于作为我们智能工厂团队的一员，随着学习材料的推进，我们达成了以下目标：看到了实际应用场景的大局，并确定了成功的标准集中精力进入代码，加载依赖项和数据，构建、训练并评估我们的模型回到大局观，确认我们已达成目标。
2025-07-11 17:15:46
269
原创 Python 深度学习项目（四）
欢迎来到我们关于人体姿势估计的章节。在本章中，我们将构建一个神经网络，该网络将使用 2D 图像预测 3D 人体姿势。我们将借助迁移学习，使用 VGG16 模型架构，并根据当前问题对其进行修改。到本章结束时，你将拥有一个深度学习（DL）模型，它能够很好地预测人体姿势。电影中的视觉效果（VFX）成本高昂。它们涉及使用大量昂贵的传感器，这些传感器将在拍摄时安装在演员的身体上。然后，来自这些传感器的信息将用于构建视觉效果，所有这些都最终变得非常昂贵。在这个假设的案例中，我们被一家大型电影制片厂问是否可以通过构建一个
2025-07-11 17:15:14
105
原创 Python 深度学习项目（三）
现在，如果你想为你的特定应用场景构建一个目标检测器，那么你需要从网上抓取大约 100 到 200 张图像并进行标注。网上有很多标注工具可供使用，比如 LabelImg (github.com/tzutalin/labelImg) 或FIAT为了让你更好地使用自定义目标检测器，我们提供了一些带有相应标注的示例图像。请查看名为的代码库文件夹。图 9.11：这里显示的是图像与标注之间的关系此外，我们还需要从 pjreddie.com/darknet/yolo/# Layer 1# Layer 2。
2025-07-11 17:14:40
219
原创 Python 深度学习项目（二）
这项工作无疑令人兴奋，而且已经有消息传出，我们正在展示一套专业的深度学习能力，通过为各种商业用例提供解决方案！作为数据科学家，我们理解自己技能的可迁移性。我们知道，在处理我们知道结构上相似但乍看之下不同的问题时，通过运用核心技能，我们能够提供价值。这一点在下一个深度学习项目中尤为真实。接下来，我们（假设性地）将参与一个项目，创意团队请求我们帮助为电影剧本、歌曲歌词，甚至音乐创作一些原创内容！我们如何将解决餐饮连锁店问题的经验，运用到如此不同的行业中呢？让我们探索一下我们所知道的和将要做的事情。在过去的项目中
2025-07-11 17:14:06
238
原创 Python 深度学习项目（一）
在本章中，我们的工作是让团队在一个共同的环境中设置好标准化的工具集。我们计划通过利用 Gunicorn 和 CUDA 来部署我们的项目应用。这些项目将依赖于高度先进且高效的深度学习库，例如在 Python 2.x/3.x 中运行的 TensorFlow 和 Keras。我们将使用 Anaconda 包中的资源来编写代码，所有这些都将在 Ubuntu 16.04 或更高版本上运行。现在，我们已准备好执行实验并将我们的深度学习模型部署到生产环境中！
2025-07-11 17:13:33
280
原创 TensorFlow 1.x 机器学习（三）
我们已经查看了 Amazon EC2 服务，了解我们可以使用多少种服务器类型。然后，我们创建了一个神经网络，在单个 GPU 上进行人类视频动作识别。之后，我们应用了数据并行策略来加速训练过程。最后，我们简要了解了 Mechanical Turk 服务。我们希望你能够利用这些服务将你的机器学习系统提升到一个更高的水平。在本章中，我们提供了许多有趣的挑战和问题，您可以尝试解决并从中学习，以提升您的 TensorFlow 技能。
2025-07-11 17:12:56
162
原创 TensorFlow 1.x 机器学习（二）
到目前为止，我们主要使用 TensorFlow 进行图像处理，并在较小程度上进行文本序列处理。在本章中，我们将处理一种特定类型的表格数据：时间序列数据。时间序列数据来自许多领域，通常有一个共同点——唯一不断变化的字段是时间或序列字段。这在许多领域中都很常见，尤其是在经济学、金融、健康、医学、环境工程和控制工程中。我们将在本章中通过例子来深入探讨，但关键点是要记住顺序很重要。与前几章我们可以自由打乱数据不同，时间序列数据如果被随意打乱就会失去意义。一个额外的复杂性是数据本身的可获取性；如果我们拥有的数据仅限于
2025-07-11 17:12:24
126
原创 TensorFlow 1.x 机器学习（一）
机器学习已经彻底改变了现代世界。许多机器学习算法，特别是深度学习，已经被广泛应用于全球范围，从移动设备到基于云的服务。TensorFlow 是领先的开源软件库之一，帮助你构建、训练和部署各种应用的机器学习系统。本实用书籍旨在为你带来 TensorFlow 的精华，帮助你构建真实世界的机器学习系统。在本书结束时，你将对 TensorFlow 有深入的了解，并能够将机器学习技术应用到你的应用程序中。本章介绍了在三大主要操作系统上安装 TensorFlow，因此所有读者都应该已经顺利运行该平台。
2025-07-11 17:11:34
155
原创 Keras 深度学习秘籍（三）
扭曲的 RNN（Twinet）使用两个并行分支。每个分支由一个递归网络层、一个非线性感知器层和一个反向递归网络层组成。分支是扭曲的：第二个分支中层的顺序被反转。所有递归层的输出在最后集中。总结一下，递归神经网络RNN）接受一系列输入向量x1…T，并递归地计算隐藏状态（也称为输出标签）：其中，t是 1…Tx[t]是外部信号W是权重h[t-1]是时间步t-1的隐藏层权重。h[t]为时间步t计算的权重U是 tanh层，用于为时间步t创建权重。σ(·)
2025-07-11 17:10:59
252
公司的自建邮件服务器投不进 163，显示“451 DT:SPM”
2020-02-19
imagemagick 从 png 转换的 pdf 太大了
2020-02-19
TA创建的收藏夹 TA关注的收藏夹
TA关注的人