<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zimadan8908的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zimadan8908</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zimadan8908]]></copyright><item><title><![CDATA[Tomcat 启动时黑屏一闪而过及乱码解决]]></title><link>https://blog.youkuaiyun.com/zimadan8908/article/details/104967803</link><guid>https://blog.youkuaiyun.com/zimadan8908/article/details/104967803</guid><author>zimadan8908</author><pubDate>Thu, 19 Mar 2020 15:05:12 +0800</pubDate><description><![CDATA[安装Tomcat,启动，bin/startup.bat双击运行该文件

访问：浏览器输入：http://localhost:8080 回车访问自己
        http://别人的ip:8080 访问别人

问题：黑窗口一闪而过

解决方法：startup.bat 中最后加入pause,然后启动，得到控制到输出的错误信息





我的是JRE环境没...]]></description><category></category></item><item><title><![CDATA[批量归一化和残差网络]]></title><link>https://blog.youkuaiyun.com/zimadan8908/article/details/104399971</link><guid>https://blog.youkuaiyun.com/zimadan8908/article/details/104399971</guid><author>zimadan8908</author><pubDate>Wed, 19 Feb 2020 20:37:53 +0800</pubDate><description><![CDATA[1.由来：
由google2015年提出，深度神经网络训练的技巧，主要是让数据的分布变得一致，从而使得训练深层神经网络更加容易和稳定。
2.作用
BN的作用就是将这些输入值或卷积网络的张量进行类似标准化的操作，将其放缩到合适的范围，从而加快训练速度；另一方面使得每一层可以尽量面对同一特征分布的输入值，减少了变化带来的不确定性
3.操作阶段

4.操作流程
计算每一层深度的均值和方差

对每一层设置...]]></description><category></category></item><item><title><![CDATA[深度卷积神经网络AlexNet]]></title><link>https://blog.youkuaiyun.com/zimadan8908/article/details/104399897</link><guid>https://blog.youkuaiyun.com/zimadan8908/article/details/104399897</guid><author>zimadan8908</author><pubDate>Wed, 19 Feb 2020 20:32:46 +0800</pubDate><description><![CDATA[1.模型介绍

AlexNet 模型（ 5 卷积层+ 3 全连接层共 8 层神经网络）
AlexNet 模型包含 6 千万个参数和 65 万个神经元，包含 5 个卷积层，其中有几层后面跟着最大池化（max-pooling）层，以及 3 个全连接层，最后还有一个 1000 路的 softmax 层。为了加快训练速度，AlexNet 使用了 Relu 非线性激活函数以及一种高效的基于 GPU 的卷积运...]]></description><category></category></item><item><title><![CDATA[卷积神经网络基础]]></title><link>https://blog.youkuaiyun.com/zimadan8908/article/details/104399848</link><guid>https://blog.youkuaiyun.com/zimadan8908/article/details/104399848</guid><author>zimadan8908</author><pubDate>Wed, 19 Feb 2020 20:30:06 +0800</pubDate><description><![CDATA[1.卷积神经网络基础
1.二维互相关运算
二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素

2.二维卷积
实现可以分为两大...]]></description><category></category></item><item><title><![CDATA[学习记录]]></title><link>https://blog.youkuaiyun.com/zimadan8908/article/details/104320417</link><guid>https://blog.youkuaiyun.com/zimadan8908/article/details/104320417</guid><author>zimadan8908</author><pubDate>Fri, 14 Feb 2020 21:51:51 +0800</pubDate><description><![CDATA[1.线性回归
线性回归是回归问题中的一种，假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参数w和b。公式：

y^为预测值，自变量x和因变量y是已知的，而我们想实现的是预测新增一个x，其对应的y是多少。因此，为了构建这个函数关系，目标是通过已知数据点，求解线性模型中w和b两个参数。
目标/损失函数
针对任何模型求解问题，都是最终都是可以得到一组预测值...]]></description><category></category></item></channel></rss>