- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
3-6 读写二进制文件
在前面两节，读写的文件都是针对文本文件。这一节，重点讲述二进制文件的读写。什么是二进制文件呢？
1.3K10发布于 2020-01-08 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-6)
代码清单3-6 Int CalculateStringDistance(string strA, int pABegin, int pAEnd, string strB, int pBBegin
32550编辑于 2022-11-30 - 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。
80110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 3-6 Numpy数组(和矩阵)的合并与分割
在 numpy 中合并数组比较常用的方法有 concatenate、vstack 和 hstack。在介绍这三个方法之前，首先创建几个不同维度的数组：
1.3K10编辑于 2022-05-25 - 来自专栏刷题笔记
3-6 银行业务队列简单模拟 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101221630 3-6 银行业务队列简单模拟 (20 分) 设某银行有A、B两个业务窗口
89630发布于 2019-11-08 - 来自专栏Golang语言社区
channel机理及调度理解
当当 广告
56130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。
47130发布于 2018-07-26 - 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.
95210编辑于 2024-03-12 - 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。
90730发布于 2019-09-05 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
1.5K20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
73830编辑于 2023-10-18 - 来自专栏计算机视觉战队
简单易懂的讲解深度学习（入门系列之三）
在之前系列中已大致了解了机器学习的形式化定义和神经网络的概念，在本小节中，将相对深入地探讨一下神经网络中的神经元模型以及深度学习常常用到的激活函数及卷积函数。 3.1 M-P神经元模型是什么？ 在上述定义中提及到的“简单单元”，其实就是神经网络中的最基本元素——神经元模型。在生物神经网络中，每个神经元与其它神经元，通过突触联接。神经元之间的“信息”传递，属于化学物质传递的。 其实现在所讲的神经网络包括深度学习，都在某种程度上，属于“飞鸟派”——它们在模拟大脑神经元的工作机理，它就是上世纪40年代提出但一直沿用至今的“M-P神经元模型”。 在这个模型中，神经元接收来自n个其它神经元传递过来的输入信号，这些信号的表达，通常通过神经元之间连接的权重（weight）大小来表示，神经元将接收到的输入值按照某种权重叠加起来，并将当前神经元的阈值进行比较 图3-6 恋爱生活中的“卷积” 你可别忘了，在前面我们反复提到，函数（function）就是功能（function），功能就是函数！函数有一定的功能，才有其存在的意义！
1.1K20发布于 2018-12-05 - 来自专栏机器之心
机器学习模型以出色的精度进行有机反应机理分类
近日，来自英国曼彻斯特大学（UoM）化学系的 Burés 和 Larrosa 报告了一种机器学习模型，展示了可以训练深度神经网络模型来分析普通动力学数据并自动阐明相应的机理类别，而无需任何额外的用户输入 该模型以出色的精度识别各种类型的机理。 研究结果表明，人工智能引导的机理分类是一种强大的新工具，可以简化和自动化机理阐明。预计这项工作将进一步推动全自动有机反应发现和开发的发展。 模型包含 576,000 个可训练参数，并结合使用两种类型的神经网络：(1) 长短期记忆神经网络，一种用于处理时间数据序列（即时间浓度数据）的循环神经网络；(2) 全连接神经网络，用于处理非时间数据（即每次动力学运行中催化剂的初始浓度和长短期记忆提取的特征 预测的机理与早期动力学研究的结论非常吻合。在某些情况下，该模型还识别了在原始工作中没有检测到的机理细节。对于一个具有挑战性的反应，该模型提出了三个非常相似的机理类别。 参考内容：https://www.nature.com/articles/d41586-023-00145-7 人工智能 × [ 生物 神经科学 数学 物理 材料 ] 「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展
81130编辑于 2023-03-29 - 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。
1.1K30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
1K120发布于 2018-04-16 - 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。
48210编辑于 2023-12-14 - 来自专栏云深之无迹
眼压测量原理合集
大家平时都说近视眼是因为长时间的睫状肌收缩，然后时间久了，这肌肉就没的弹性了，但是更深层的机理呢？我找到一个目前房水导致近视眼的学说，虽然它现在没有形成一种定论，但是在我看来仍是一个不错的解释。 位于眼球后部的视神经非常纤细，经受不住眼压时就会被压破、受伤。遗憾的是受伤的视神经无法复原。结果会造成重要的视神经数减少，视野渐渐缺损。这就是“青光眼”。 眼压在正常范围，却患了青光眼的正常眼压青光眼，一般认为可能是视神经对压力的承受力弱，虽然眼压正常，但压迫了视神经。这种青光眼仅检查眼压无法查出。因此，需要通过眼底检查，观察视神经的状态。 3～6次，获得数个电压波形，这些电压波被放大后传递到其内部的一个有单集成电路块构成的微型信息处理仪中，经微型信息处理后去掉不正确的波形，将正确的波形变为数字并贮存，每次正确的测量即可获得一个数据，经过3- 6次测量后，微型信息处理仪将获得的3-6个数据平均后将其平均值显示在液晶屏上，即眼压的毫米汞柱值。
1.1K40编辑于 2023-02-27 - 来自专栏机器之心
终于！吴恩达deeplearning.ai第5课开课了：敲黑板序列模型
吴恩达 deeplearning.ai 的五门课程 第一门：神经网络和深度学习 课程学习时间：四周，每周 3-6 小时 第二门：提升深度神经网络—调整超参数、正则化与优化 课程学习时间：三周，每周 3- 已经对神经网络（包括 CNN）具备深厚理解，并想学习如何开发循环神经网络的人。 授课大纲 该课程共分为三部分，学员可分三周完成。 第 1 周：循环神经网络（RNN） 学习循环神经网络。 参考资料 在学习该课程之前，机器之心为大家准备了一些学习资料做准备，内容包括循环神经网络的综述论文、LSTM、GRU等循环神经网络变体的介绍、LSTM的原理解读、教程等。 从90年代的SRNN开始，纵览循环神经网络27年的研究进展 LSTM、GRU与神经图灵机：详解深度学习最热门的循环神经网络 LSTM入门必读：从基础知识到工作方式详解 干货 | 图解LSTM神经网络架构及其 11种变体（附论文） 深度 | LSTM 和递归网络基础教程 深度 | 从任务到可视化，如何理解LSTM网络中的神经元 在调用API之前，你需要理解的LSTM工作原理 教程 | 如何解决LSTM循环神经网络中的超长序列问题
1.1K70发布于 2018-05-10 - 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
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号