加油。
斯人若彩虹觀望了簡書很久誉帅，今天終于決定試試投一篇文章陋葡，希望能交到更多有趣的朋友，一起分享生活中的趣事分擔(dān)生活中的煩惱救拉。 好了难审，言歸正傳，我先自我介紹一下: 坐標(biāo):北京 年齡:27 體重...
發(fā)簡信
IP屬地：北京
-
#手撕職業(yè)誤會#學(xué)了4年醫(yī)亿絮，你居然跑去做記者告喊？文/洋芋絲絲 01 淺淺快瘋了，她現(xiàn)在一看見親戚和長輩就本能地想躲派昧。 好不容易回家過個(gè)年黔姜，本以為能過幾天安生日子，誰知道比工作還累蒂萎。 這些天秆吵，家里的長輩但凡有個(gè)頭疼腦熱，無一...
-
不到山頂非好漢，誰是英雄黃山見泻拦。愿你來到美麗的安徽毙芜，從此不愿離開。 投稿須知：http://www.reibang.com/p/e4c0ed33d888 歡迎加入簡書會安徽群聪轿，一步即可：加主編微信號：A6173659爷肝，注明加入（簡書會安徽群）。 在這里，你可以發(fā)起任意一場屬于簡友的線下活動灯抛。 專題主編：蘇玄白http://www.reibang.com/users/fcfa63935b43 關(guān)注簡書官方微信公眾號【jianshu】金赦，和官方微博帳號【簡書】，及時(shí)閱讀簡書好文熱文对嚼。
-
講述最鮮活的北京人和事兒纵竖，和你一起在京城漠烧。 投稿須知：http://www.reibang.com/p/01dae5abddcf 歡迎加入簡書會北京群找到組織，添加主編微信shenzhimin靡砌，注明“加入北京群”已脓。 在這里，你可以發(fā)起任意一場屬于簡友的線下活動通殃。 專題主編：沈定定 http://www.reibang.com/users/ae0785da4fe7/latest_articles 關(guān)注簡書官方微信公眾號（ jianshuio ）和簡書官方微博賬號（簡書）度液，及時(shí)閱讀簡書熱門好文。
-
所以最后是哪家比較強(qiáng)呢画舌。堕担。
？
Python圖像處理庫到底用哪家
Python庫多如牛毛曲聂，但是不得不說有一些庫他媽的奇坑 搞DL霹购？選擇一個(gè)圖像處理庫吧 有時(shí)候我搞不懂為什么現(xiàn)在很多人搞深度學(xué)習(xí)一上來就研究CNN，RNN朋腋，這些可以說是最簡單的...
-
機(jī)器學(xué)習(xí)&應(yīng)用
1/什麼是機(jī)器學(xué)習(xí)： 什麼是學(xué)習(xí)齐疙？利用經(jīng)驗(yàn)來提升自己，從而獲得理解以及解決問題的能力 什麼是機(jī)器學(xué)習(xí)旭咽？讓計(jì)算機(jī)利用歷史數(shù)據(jù)來自動提升自己的一種方法 2/機(jī)器學(xué)習(xí)能用來做什...
-
線性結(jié)構(gòu)1/棧(stack): 先進(jìn)后出 2/隊(duì)列(queue): 先進(jìn)先出 (先進(jìn)先出可以用來模擬解決約瑟夫環(huán)問題,代碼如圖. 另外也可以用來解決打印任務(wù)(排隊(duì)問題),參見: ht...
-
深層神經(jīng)網(wǎng)絡(luò)簡單介紹(3)
1/深層神經(jīng)網(wǎng)絡(luò)的梯度不穩(wěn)定問題: 參見: http://blog.csdn.net/lujiandong1/article/details/52711501 (上文鏈接講解...
-
算法_Dijkstra_Python
本文用到的包 考慮如下網(wǎng)絡(luò) 這個(gè)網(wǎng)絡(luò)的構(gòu)建代碼是 可視化繪制使用了Processing剂碴，制圖代碼在這里。 定義如下函數(shù) 使用這個(gè)函數(shù)尋找0與6之間的最小權(quán)重路徑 其結(jié)果是
-
深層神經(jīng)網(wǎng)絡(luò)簡單介紹(2)1/過擬合的原因: (1)數(shù)據(jù)問題:數(shù)據(jù)量太少,不能抽象出全量特征 (2)模型問題:模型的參數(shù)過多,模型參數(shù)過大 (使得模型不夠光滑) (3)算法問題:模型的參數(shù)取值差異過大...
-
-
深層神經(jīng)網(wǎng)絡(luò)簡單介紹(1)
1/神經(jīng)網(wǎng)絡(luò)構(gòu)架: 前向神經(jīng)網(wǎng)絡(luò),典型代表CNN;循環(huán)神經(jīng)網(wǎng)絡(luò):典型代表RNN;對稱神經(jīng)網(wǎng)絡(luò):典型代表DBN 2/常見激活函數(shù):(激活函數(shù)不可以是線性的) sigmoid函數(shù)...
-
條件隨機(jī)場模型簡單介紹(2)
隱馬爾可夫模型介紹 HMM的3個(gè)基本問題: 1/概率計(jì)算:前向算法,后向算法 2/學(xué)習(xí)問題:已知狀態(tài)序列的時(shí)候可以用監(jiān)督算法求參,不知道狀態(tài)序列的時(shí)候則使用Baum-Welc...
-
條件隨機(jī)場模型簡單介紹(1)
1/線性鏈條件隨機(jī)場(判別式模型)vs隱馬爾可夫模型(生成式模型):區(qū)別可參考樸素貝葉斯vs邏輯回歸. 注意:條件隨機(jī)場和HMM并無關(guān)系,線性鏈條件隨機(jī)場和HMM是同一個(gè)問題...
-
生成式模型PK判別式模型
典型代表: 生成式模型典型代表:樸素貝葉斯,隱馬爾可夫模型等 判別式模型典型代表:邏輯回歸,條件隨機(jī)場模型等 各自特點(diǎn): 生成式模型:由聯(lián)合概率 ------->求解類別先驗(yàn)...
-
Hi审胚，很高興在@IT·互聯(lián)網(wǎng)專題遇見你。 收錄范圍：收錄IT&互聯(lián)網(wǎng)行業(yè)觀察與思考礼旅，數(shù)碼產(chǎn)品極客體驗(yàn)分析等類型文章 投稿須知：http://www.reibang.com/p/4edc76104c27 專題主編：@若錦 http://www.reibang.com/u/e4c63b354a77 官方社群：可聯(lián)系添加 @若錦 加入專題官方社群交流膳叨、學(xué)習(xí)，添加時(shí)備注簡書ID痘系。
