摘要：
1 使用线程池的好处 降低资源消耗：通过重复利用已创建的线程降低线程创建和销毁造成的消耗； 提高响应速度：当任务到达时，任务可以不需要等到线程创建就能立即执行； 提高线程的可管理性：线程是稀缺资源，如果无限制的创建，不仅会消耗系统资源，还会降低系统的稳定性，使用线程池可以进行统一的分配，调优和监控。 阅读全文
摘要：
1 前言 非静态方法的同步锁是当前对象（this）（对象锁） 静态方法的同步锁是当前类的字节码（类锁） 不同的锁之间能并发 2 同一对象内 本节主类与资源类如下： class Resorce{ //资源 static int x=0; static int y=0; } public class M 阅读全文
摘要：
1 概述 Java Collections 框架中包含了大量的接口及其实现类和操作它们的算法，主要包括列表（List）、集合（Set）、映射（Map），如下： | 接口 | 实现类 | 数据结构 | 初始容量 | 加载因子 | 扩容 | 线程安全 | 允许 key = null | | | | | 阅读全文
摘要：
1 前言 1.1 内存分区 Java中有6种存储区域（参考Java的六大存储区域），如下： 寄存器（register）：位于处理器内部，处理速度最快，空间比较珍贵； 栈（stack）：位于通用RAM中，处理速度仅次于寄存器，空间较小。常用于存放对象引用、基本类型数据、方法调用； 堆（heap）：位于 阅读全文
摘要：
1 简介 胶囊网络（CapsNet）由 Hinton 于2017年10月在《Dynamic Routing Between Capsules》中提出，目的在于解决 CNN 只能提取特征，而不能提取特征的状态、方向、位置等信息，导致模型的泛化（举一反三）能力较差，如： （1）将图片旋转180°，CNN 阅读全文
摘要：
1 前言 时域卷积网络（Temporal Convolutional Network，TCN）属于卷积神经网络（CNN）家族，于2017年被提出，目前已在多项时间序列数据任务中击败循环神经网络（RNN）家族。 TCN 网络结构 图中，xi 表示第 i 个时刻的特征，可以是多维的。 TCN源码见--> 阅读全文
摘要：
1 前言 本文以MNIST手写数字分类为例，讲解使用一维卷积和二维卷积实现 CNN 模型。关于 MNIST 数据集的说明，见使用TensorFlow实现MNIST数据集分类。实验中主要用到 Conv1D 层、Conv2D 层、MaxPooling1D 层和 MaxPooling2D 层，其参数说明如 阅读全文
摘要：
1 seq2seq模型简介 seq2seq 模型是一种基于【 Encoder-Decoder】（编码器-解码器）框架的神经网络模型，广泛应用于自然语言翻译、人机对话等领域。目前，【seq2seq+attention】（注意力机制）已被学者拓展到各个领域。seq2seq于2014年被提出，注意力机制于 阅读全文
摘要：
1 前言 基于keras的双层LSTM网络和双向LSTM网络中，都会用到 LSTM层，主要参数如下： LSTM(units,input_shape,return_sequences=False) units：隐藏层神经元个数 input_shape=(time_step, input_feature 阅读全文
摘要：
1 前言 理论上，网络层数越深，拟合效果越好。但是，层数加深也会导致梯度消失或梯度爆炸现象产生。当网络层数已经过深时，深层网络表现为“恒等映射”。实践表明，神经网络对残差的学习比对恒等关系的学习表现更好，因此，残差网络在深层模型中广泛应用。 本文以MNIST手写数字分类为例，为方便读者认识残差网络， 阅读全文
