04 2022 档案
RNN与LSTM 3D演示
摘要:这篇文章的内容来自B站UP主“梗直哥丶 ”的视频 《【循环神经网络】5分钟搞懂RNN,3D动画深入浅出: https://www.bilibili.com/video/BV1z5411f7Bm 《【LSTM长短期记忆网络】3D模型一目了然: https://www.bilibili.com/vide
TensorFlow 2.0 笔记(六)循环神经网络
摘要:第六章 循环神经网络 本节主要内容:讲解卷积神经网络,利用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别。 本节目标:学习循环神经网络,用 RNN、LSTM、GRU实现连续数据的预测(以股票预测为例) 1 卷积神经网络与循环神经网络简单对比
TensorFlow 2.0 笔记(五)卷积神经网络
摘要:第五章 卷积神经网络 本节主要内容:讲解卷积神经网络,利用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别。 1 全连接网络回顾 全连接NN特点:每个神经元与前后相邻层的每一个神经元都有连接关系。(可以实现分类和预测) 全连接网络的参数个数为:
TensorFlow 2.0 笔记(四)功能扩展
摘要:第四章 神经网络优化 1 回顾 1.1 tf.keras 搭建神经网络八股——六步法 import——导入所需的各种库和包 x_train, y_train——导入数据集、自制数据集、数据增强 model=tf.keras.models.Sequential /class MyModel(Model
TensorFlow 2.0 笔记(三)神经网络搭建八股
摘要:第三章 神经网络搭建八股 1 tf.keras 搭建网络八股 1.1 keras 简介 tf.keras 是 tensorflow2 引入的高封装度的框架,可以用于快速搭建神经网络模型,keras 为支持快速实验而生,能够把想法迅速转换为结果,是深度学习框架之中最终易上手的一个,它提供了一致而简洁的
TensorFlow 2.0 笔记(二)神经网络优化
摘要:第二章 神经网络优化 1 神经网络复杂度 NN复杂度:多用NN层数和NN参数的个数表示 1.1 时间复杂度 即模型的运算次数,可用浮点运算次数(FPLOPs, FLoating-point OPerations)或者乘加运算次数衡 量. 1.2 空间复杂度 空间复杂度(访存量),严格来讲包括两部分:
TensorFlow 2.0 笔记(一)神经网络计算过程及模型搭建
摘要:第一章 神经网络计算过程及模型搭建 1 人工智能三学派 我们常说的人工智能,就是让机器具备人的思维和意识。人工智能主要有三个学派,即行为主义、符号主义和连接主义。 **行为主义:**是基于控制论的,是在构建感知、动作的控制系统。单脚站立是行为主义一个典型例子,通过感知要摔倒的方向,控制两只手的动作,
时间序列ARIMA模型
摘要:一、数据平稳性与差分法 1.1 平稳性 平稳性就是要求经由样本时间序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去 平稳性要求序列的均值和方差不发生明显变化 1.2 严平稳与弱平稳 严平稳:严平稳表示的分布不随时间的改变而改变。 如:白噪声(正态),无论怎么取,都是期望为0
Zabbix监控告警系统
摘要:第一章 Zabbix 入门 1.1 Zabbix 概述 Zabbix 是一款能够监控各种网络参数以及服务器健康性和完整性的软件。Zabbix 使用灵活的通知机制,允许用户为几乎任何事件配置基于邮件的告警,这样可以快速反馈服务器的问题。基于已存储的数据,Zabbix 提供了出色的报告和数据可视化功能。
Flink (三)DataStream API
摘要:第五章 DataStream API Flink有非常灵活的分层 API设计,其中的核心层就是 DataStream/DataSet API。由于**新版本已经实现了流批一体, DataSet API将被弃用,官方推荐统一使用 DataStream API处理流数据和批数据。**由于内容较多,我们将
SSM整合
摘要:一、前后端分离接口文档 SSMUSER服务器接口说明文档 服务器地址 http://localhost:8082 http://127.0.0.1:8082 数据接口说明 根据条件分页获取分页数据 url /user/selectUserPage?userName=z&userSex=男&page=
《神经网络与深度学习》第五章 卷积神经网络
摘要:第五章 卷积神经网络(CNN) 卷积神经网络是一种具有局部连接、权重共享等特性的深层前馈神经网络。 在用全连接前馈网络来处理图像时,会出现的问题: 参数太多;导致训练效率降低,容易出现过拟合; 需要进行数据增强来提取局部不变性特征(图像的平移、旋转、缩放等操作)。 全连接前馈网络很难提取这些局部不变
Java Stream
摘要:一、Stream流介绍 1.1 集合处理数据的弊端 当我们需要对集合中的元素进行操作的时候,除了必需的添加、删除、获取外,最典型的就是集合遍历。我们来体验 集合操作数据的弊端,需求如下: 一个ArrayList集合中存储有以下数据: 张无忌,周芷若,赵敏,张强,张三丰 需求: 1.拿到所有姓张的 2