首页
学习
活动
专区
圈层
工具
发布
    • 综合排序
    • 最热优先
    • 最新优先
    时间不限
  • 来自专栏初见Linux

    10-2 控制进程

    二、控制进程 现在已经知道了如何查看和监控进程,接下来见识一下如何对进程进行控制。 将使用一个名为 xlogo 的程序作为实验对象。 0.xlogo (1)是什么? xlogo 程序是由 X

    1.1K40发布于 2020-08-05
  • 来自专栏嵌入式音视频

    10-2 判断是否为素数

    预览图如下 #include<stdio.h> #include <windows.h> int main() { int prime(int x); int n; system("color f0"); printf("请输入一个正整数\n该正整数要求大于1\n程序目的:判断这个数是否为素数\n"); scanf("%d",&n); if(prime(n)) printf("这个数是素数!\n"); else printf("这个数不是素数!\n"); return 0

    34730编辑于 2022-12-01
  • 来自专栏mysql

    hhdb数据库介绍(10-2)

    集群管理页面显示已部署或已添加的计算节点集群信息。可以通过左上角搜索框模糊搜索计算节点集群名称进行快速查找。同时也可以通过右侧展开/隐藏更多按钮控制集群列表所需展示的信息内容。

    64610编辑于 2025-03-12
  • 来自专栏JNing的专栏

    【tensorflow】TFRecord读写机理

    1.tfrecord,写的时候是一行一行地写的,读的时候是每batch个行地读的。

    74210发布于 2020-03-17
  • 来自专栏AI机器学习与深度学习算法

    机器学习入门 10-2 精准率和召回率

    本系列是《玩转机器学习教程》一个整理的视频笔记。本小节根据混淆矩阵工具计算精准率以及召回率。最后通过例子说明精准率和召回率在评价极度有偏的数据的分类任务上比准确率更好。

    1.9K30发布于 2020-03-27
  • 来自专栏Golang语言社区

    channel机理及调度理解

    当当 广告

    52530发布于 2018-07-26
  • 来自专栏Golang语言社区

    channel机理及调度理解

    《Go语言编程》一书介绍了libtask库,可以认为这个库等同于go的底层goroutine实现。

    43430发布于 2018-07-26
  • 来自专栏AustinDatabases

    PostgresQL MVCC 机理与 还得学习

    昨天写了些 MYSQL MVCC ,今天就的搞搞 PostgresQL 的MVCC ,最近从某些网站上获得的信息,PostgresQL的 相关人员的需求量在国内开始增加,但和需求相比,会的人少,所以你懂得。

    83930发布于 2019-09-05
  • 来自专栏网络信息安全

    熊猫烧香(中)病毒释放机理

    熊猫烧香(中)病毒释放机理 1、sub_40277C子函数 2、sub_405684子函数 3、sub_403ED4子函数 4、sub_4057A4子函数 5.分析sub_4057A4后续删除功能 6.

    73610编辑于 2024-03-12
  • 来自专栏完美Excel

    VBA专题10-2:使用VBA操控Excel界面之设置工作表

    名称框中的名字是为单元格区域定义的名字,可以由用户定义名称,或者由Excel自动创建,例如Print_Area和表1。

    8.2K41发布于 2020-07-02
  • 来自专栏全栈程序员必看

    RAII机制_机制与机理的区别

    RAII的基本思想就是当对象的生命周期结束时,自动调用起析构函数。那以下将围绕RAII,全面的讲解RAII的相关知识。

    75820编辑于 2022-11-16
  • 方法论|机理分析法

    为什么需要机理分析法 在现实生活中,影响一个问题的因素往往不止一个,分析问题时就需要从不同方向考虑,所以就引入了机理分析法 算法分析过程和应用步骤: 首先分析现象和结果的影响因素;然后在合理的假设条件下做出各种因素与现象和结果的关系 结语 在运用机理分析法时需要考虑各个因素,对于不同的因素可能需要不同的思考方式,最后得出结果时,还要结合实际情况验证分析的正确性。 END

    1.4K20发布于 2019-10-14
  • 来自专栏贾维斯Echo的博客

    计算机理论基础

      1.操作系统:就是一个协调、管理、控制计算机硬件资源与应用软件资源的一个控制程序

    63830编辑于 2023-10-18
  • 来自专栏全栈程序员必看

    多层感知机理解(多层感知机原理)

    这两种网络都属于前馈型网络(Feedforward network),其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构,它是所有其他神经网络结构的基础, 好在我对神经网络的了解是从卷积神经网络开始的 ,对基本的原理和模型已经有了了解,所以学习起来相对容易,先看多层感知机的模型: 如何设计一个网络,输入代表像素的值,输出0-9之间的一个正确的数字 先把神经元当做数字 每个神经元里面是我们要提取的特征值,即像素的灰度值,0表示纯黑,1 表示纯白 这784个神经元组成了第一层,即神经网络的输入层 网络的最后一层是输出层,输出的是可能的概率,哪个概率最大,就代表识别的结果是哪个数字 , 权重代表我们关注什么样的图案,而偏置值代表加权和有多大激活神经元才有意义 在网络的第二层,每一个神经元都和上一层的784个神经元保持全连接 每个神经元都带一个权重和偏置值 ,对应的权重对结果影响相对更大,所以增加相对亮的神经元,训练的效率会更高 所以当反向传播的时候,不仅要看高边哪些权重,还要看改变那些权重性价比高 如何改变上一层的输出 和更改权重一样

    2K50编辑于 2022-07-26
  • 来自专栏企鹅号快讯

    机器学习模型与传统机理模型的融合

    基于物理过程的各种数学模型在水力、市政、海洋等领域已经得到了很多年的发展和应用,随着这几年机器学习技术的大热,也有越来越多的人尝试将机器学习技术应用在水力、市政领域,但是这些尝试大部分集中在使用机器学习模型替代传统机理模型 那么以后的趋势会是机器学习模型替代机理模型,或是各自应用在不同领域?

    4K71发布于 2018-02-26
  • 来自专栏深度学习自然语言处理

    详解机器学习之感知机理论与实践

    阅读大概需要5分钟 上期回顾 详解机器学习之the Learning Problem 导读 本章讲的是让他机器学习说yes/no,目录分为: 感知机假设集合 感知机学习算法(PLA) 确保数据集线性

    990120发布于 2018-04-16
  • 来自专栏AustinDatabases

    MYSQL MVCC 实现机理 与 知识漏洞要补

    说来惭愧,被友人问了一些关于MYSQL 的问题,虽然算不上对答如流,但也算是沉稳应对。唯独折在 MVCC 中MYSQL INNODB 是如何实现的问题上,回答错误扣10分。本着知错能改,有漏洞要补的,精神。还是的把MVCC 以及MYSQL 怎么实现MVCC 的事情重新的学习一遍。

    99730发布于 2019-09-04
  • 来自专栏深度学习自然语言处理

    机器学习之多层感知机理论与实践

    我们将要介绍多层感知机神经网络以及反向传播算法,这是现今最流行的神经网络结构。 这个算法就是在算delta,这是从输出神经元开始往回直到输入层的每个神经元的局部梯度下降。要计算输出神经元的delta,我们首先要得到每个输出神经元的误差。 现在可以计算delta了, 这个式子是对于在输出层L的第j个神经元 是输出层L的第j个神经元的值的求导所得的值。 这个式子是对于隐藏层l的第j个神经元。 通过反向传递求导的值,前面的神经元就会知道权重要变化多少以更好地让神经网络的输出符合实际的输出。这一切都要从神经网络的输出与实际输出的差别开始算起。是不是很神奇呢? 此外,你还可以输入一个‘fileNum'来调用这个神经网络,看下神经网络对你给的图片上的数字的判断是什么。 神经网络把隐藏层的层数和隐藏层的神经元数作为参数来初始化神经元和权重向量。

    1.8K40发布于 2018-04-24
  • 来自专栏CreateAMind

    阿尔兹海默症可能的机理

    阿尔兹海默症可能的机理 Possible mechanisms of Alzheimer's disease Fig.1 Cerebral artery, from Gray's Atlas of 蒲慕明团队发现海马体内的神经元可以将长时程抑制(Long-term depression,LTD)可塑性自组织地传播到三个方向,分别是突触前侧向传播(Presynaptic lateral spread 陶俊波,博士在读,研究兴趣是计算神经科学、脑科学和AI融合的计算模型。

    40710编辑于 2023-12-14
  • 来自专栏脑电信号科研科普

    Schizophrenia Bulletin: 精神分裂症的潜在临床-结构维度

    最近的研究已经针对基于临床行为特征或神经影像学特征将个体分层成互不重叠的团块或生物类型。 尽管该方式具有一定的前景,但这种“硬分类”方法是基于临床行为或神经影像学精确分类而设计的,未考虑跨越多临床维度的连续表型维度的可能性,也未明确整合临床和神经结构学的关键特征。 对于LV-1(认知-阴性症状维度),我们发现主分析和验证数据集的临床特征之间存在显著相关(r = 0.6,P = 2.0×10-2;95%CI:[0.09 0.90];n = 0.0)。补充图S3)。 与图2c中的体素水平上的结构模式一致,认知-阴性症状维度(LV-1)的形变模式主要分布在默认模式和视觉网络中,具有统计显著性(P = 1.2×10-2,P = 3.5 ×10-2)。 然而,将SES建模为中介后,SES对临床表达的直接影响(c = -0.034(0.01);P <1.0×10-2;95%CI [-0.05,-0.01])不显著(c’= -0.001(0.008); P

    91600发布于 2021-01-25
领券