、Discipline

摘要： 与工业界相比：更大的数据规模和模型复杂度的区别 mxnet 爱慕斯奈特 y = nd.array(x) # numpy -> mxnet z = y.asnumpy() # mxnet -> numpy 把结果通过[:]写到一个开好的数组里： z = nd.zeros_like(x) before 阅读全文

摘要： 闭包可以理解为一种特殊的函数，其由两个函数嵌套组成：外函数与内函数 外函数返回值是内函数的引用 def 外层函数(参数): def 内层函数(): print("内层函数执行", 参数) return 内层函数 内层函数的引用 = 外层函数("传入参数") 内层函数的引用() def func(a, 阅读全文

摘要： 在不影响函数的情况下，提供更多的功能。 本质：python函数或类。 让其他函数或类在不需要做任何代码修改的前提下增加额外功能，返回值也是函数或类对象。 插入日志、性能测试、事务处理、缓存、权限校验等场景，装饰器是解决这类问题的绝佳设计。 我们可以抽离出大量与函数功能本身无关的雷同代码到装饰器中并继 阅读全文

摘要： 图像增广 对训练图像做一系列随机改变，来产生相识又不同的样本，从而扩大训练数据集的规模。（降低模型对某些属性的依赖：提高模型的泛化能力） 微调（fine tuning） 迁移学习中的一种常用技术 当目标数据集远小于源数据集时，微调有助于提升模型的泛化能力。 阅读全文

摘要： 一开始，人们希望借助机器的力量来自动完成一些任务，从而将人类从繁琐的事项中解放出来 另一方面，希望计算机像人类一样认知这个世界——机器的识别能力 （但是计算机面对一张图片，它可以告诉你有多少个像素点，也可以准确地给出图片上每一个像素点地像素值，但却分辨不出这些像素点组成地脸庞） 人们不知道怎么教机器 阅读全文

摘要： 与numpy之间相互转换 torch.from_numpy xxx.numpy() 矩阵相乘 要不要把variable涉及到反相传播的过程当中去 require_grad variable中的tensor是存放再data中 激励函数 解决我们日常生活中 不能用线性方程所概括的问题 # 做一些假数据来 阅读全文

摘要： Django笔记 一次只打开一次服务 Django中不能执行函数 web服务器：负责处理http请求，响应静态文件，常见的有 Apache ， Nginx M ：代表模型（Model），即数据存取层。 该层处理与数据相关的所有事务： 如何存取、如何验证有效 T ：代表模板(Template)，即表现 阅读全文

摘要： 遗传算法 一次次求得最优解 进化策略 有效避免局部最优（过拟合） 并行能力计算 强化学习 什么都不懂->找到规律 给你的行为打分 核心思想：同样的行为拿到高分，并避免低分的行为 分数导向性 不理解环境：从环境中得到反馈 理解环境：为现实世界建模，多出来个虚拟环境 通过过往的经验理解现实世界是怎样的， 阅读全文

摘要： numpy 列表变矩阵 几维 array.ndim 形状 array.shape 几行几列 多少元素 array.size 三行四列的矩阵 empyt 几乎接近于0的矩阵 arrange有序的数列或矩阵 生成线段 1~10 5段的数列 平方 b**2 sin值 判断大小返回值为Ture或False 阅读全文

摘要： 古罗马：Caesar 密码 c=( m+ 3) Mod 26 三个发展阶段 保密：搭线窃听和密码分析 保护：保护信息的机密性、完整性和可用性 保障：可认证性，不可否认性 信息安全的基本属性  机密性（Confidentiality）：信息不泄露给非授权的个人、实 体或进程，不为其所用。  完整性 阅读全文