原创 不同局域網內的主機互訪(海蜘蛛實現linux虛擬機與windows虛擬機不同網段間互訪)(海蜘蛛的安裝與使用)超詳細

不同局域網內的主機互訪(海蜘蛛實現linux虛擬機與windows虛擬機不同網段間互訪)1、設置海蜘蛛的兩個網絡適配器網絡連接爲特定虛擬網絡2、編輯VM虛擬網絡3、將兩個虛擬機設置爲靜態IP3.1 windows虛擬機設置靜態IP

原创 C++指針詳解(指針初始化與回收,常量與指針,引用與指針)

C++指針詳解1、指針的定義初始化以及回收2、常量與指針1)常量指針(常指針)2)指針常量3)總結3、引用與指針 1、指針的定義初始化以及回收 指針是一個地址,這個地址內存放數據,這些數據就叫做“指針所指的數據”或者“指針指向的數

原创 海蜘蛛詳細安裝教程(圖解)

海蜘蛛詳細安裝教程(圖解) 打開VMware虛擬機,點擊+號添加新的虛擬機,選擇自定義安裝 添加一個網絡適配器 加載iso文件 打開後一直enter即可 到此海蜘蛛安裝成功,開始配置海蜘蛛路由

原创 深度學習入門-6(批量歸一化與殘差網絡,優化與深度學習,梯度下降)

深度學習入門-6(批量歸一化與殘差網絡,優化與深度學習,梯度下降)一、批量歸一化1、批量歸一化(BatchNormalization)(1)對全連接層做批量歸一化(2)對卷積層做批量歸⼀化(3)預測時的批量歸⼀化2、殘差網絡(Re

原创 頂會期刊整理

中國計算機學會推薦國際學術刊物(人工智能) A類 序號 刊物名稱 刊物全稱 出版社 地址 1 AI Artificial Intelligence Elsevier http://dblp.uni-trier.de/

原创 matplotlib使用示例——直線座標系、極座標系、柱形圖、直方圖、散點圖、氣泡圖、餅圖、多邊形、3D圖、盒圖

matplotlib使用示例一、直線座標系二、極座標系三、柱形圖,直方圖,散點圖,氣泡圖四、餅圖,多邊形五、3D圖六、盒圖 一、直線座標系 # encoding=utf-8 """ @Time : 2020/1/9 17:15

原创 VMware安裝Linux虛擬機(手動劃分分區)(CentOS爲例)詳細圖解

VMware安裝Linux虛擬機(CentOS爲例) 1、下載 官網:https://www.centos.org/download/ 阿里雲鏡鏡像網站(CentOS7爲例):http://mirrors.aliyun.com/c

原创 局域網內主機互訪(linux虛擬機與windows主機)超詳細圖解

局域網內主機互訪(linux虛擬機與windows主機) 準備工作:安裝linux虛擬機 本文中虛擬機安裝的紅帽系統,主機安裝windows10。 1、關閉windows防火牆 2、設置虛擬機網絡適配器爲橋接 2、虛擬機中,編輯

原创 排序算法——python詳解(冒泡排序、選擇排序、插入排序、快速排序)

幾種常見的排序算法(冒泡排序、選擇排序、插入排序、快速排序) 1、冒泡排序 每次比較相鄰的兩個數,若順序錯誤就相互交換。 def sort_bubble(arr): for i in range(int(len(arr))

原创 C++引用、指針初始化及回收、值傳參、指針傳參和引用傳參 詳解

引用 &符號在C裏面是取地址,但是在C++裏面跟在類型名後就是是引用的意思而不是取地址。 引用相當於給變量取別名,即改變引用等價於改變原來的變量值。 一旦引用就不能再改變,即c是a的引用,就不能再變成b的引用。 引用在定義時就必

原创 優化算法進階

11.6 Momentum 在 Section 11.4 中,我們提到,目標函數有關自變量的梯度代表了目標函數在自變量當前位置下降最快的方向。因此,梯度下降也叫作最陡下降(steepest descent)。在每次迭代中,梯度下降

原创 詞嵌入基礎

詞嵌入基礎 我們在“循環神經網絡的從零開始實現”一節中使用 one-hot 向量表示單詞,雖然它們構造起來很容易,但通常並不是一個好選擇。一個主要的原因是,one-hot 詞向量無法準確表達不同詞之間的相似度,如我們常常使用的餘弦

原创 詞嵌入進階

詞嵌入進階 “Word2Vec的實現”一節中,我們在小規模數據集上訓練了一個 Word2Vec 詞嵌入模型,並通過詞向量的餘弦相似度搜索近義詞。雖然 Word2Vec 已經能夠成功地將離散的單詞轉換爲連續的詞向量,並能一定程度上地

原创 其他

其他題目彙總: 假設我們將源模型的輸出層改成輸出大小爲目標數據集類別個數的輸出層,則對於這個新的輸出層如何初始化 隨機初始化 假設我們將源模型的輸出層改成輸出大小爲目標數據集類別個數的輸出層,在訓練過程中下列說法正確的是 對輸出

原创 深度學習入門-4(機器翻譯,注意力機制和Seq2seq模型,Transformer)

深度學習入門-4(機器翻譯,注意力機制和Seq2seq模型,Transformer)一、機器翻譯1、機器翻譯概念2、數據的處理3、機器翻譯組成模塊(1)Encoder-Decoder框架(編碼器-解碼器)(2)Sequence t