- 综合排序
- 最热优先
- 最新优先
- 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。
74110发布于 2020-03-17 - 来自专栏神经网络和深度学习
8 神经网络：表达(Neural Networks: Representation)
8 神经网络：表达(Neural Networks: Representation) 8.1 非线性假设(Non-linear Hypotheses) 8.2 神经网络和大脑(Neurons and Examples and Intuitions I) 8.6 例子和直观理解2(Examples and Intuitions II) 8.7 多类别分类(Multiclass Classification) 8 8.3 模型表示1(Model Representation I) 既然神经网络模仿的是大脑神经元，那就先看一下大脑的神经元长什么样吧： [fhz61uhqto.jpg] 想象一下印刷厂中流水线的工人（ [cej8blrfx8.jpg] 再举一例，逻辑或(OR)运算（有一个真值则结果就为真）神经网络： [6f89cw74vy.jpg] 8.6 例子和直观理解2(Examples and Intuitions 而如此不断组合，我们就可以逐渐构造出越来越复杂、强大的神经网络，比如用于手写识别的神经网络。
87740发布于 2020-07-07 - 来自专栏GiantPandaCV
F8Net:只有8比特乘法的神经网络量化
【GaintPandaCV导语】F8Net用定点化量化方法对DNN进行量化，在模型推理只有8-bit的乘法，没有16-bit/32-bit的乘法，采用非学习的方法即标准差来定小数位宽。 目前是我看到的第一篇硬件层面全8-bit乘法的模型推理的方法。 论文出处：ICLR2022 Oral《F8Net: Fixed-Point 8-bit Only Multiplication for Network Quantization》 问题1：什么是定点化( PACT的方法结合，推导出这样的优化公式； 4、定点化有效权重和有效偏差，有效权重和有效偏差指的是fold bn的con-bn的参数； 5、对残差块的d定点化参数对齐方法的实验和探究； 6、高精度的乘法对神经网络的性能来说 F8Net: Fixed-Point 8-bit Only Multiplication for Network Quantization | OpenReview
1.9K20编辑于 2022-04-06 - 来自专栏Golang语言社区
channel机理及调度理解
channel的数据结构如下： 1struct Alt 2{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task; 7Alt *xalt; 8}
52430发布于 2018-07-26 - 来自专栏Golang语言社区
channel机理及调度理解
channel的数据结构如下： 1struct Alt 2{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task; 7Alt *xalt; 8}
43330发布于 2018-07-26 - 来自专栏机器学习算法与Python学习
必须了解的8种神经网络架构
下面是8种核心神经网络架构 1. 感知机（Perceptrons） 感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。 在循环神经网络之前主要使用无记忆模型处理这类任务。 循环神经网络是一种十分有力的武器，它包含了两个重要的特点。 神经网络是以学习为中心的，自己死记硬背的知识并不酷，因为知识来自于学习训练数据。神经网络的目的不是为了便于解释，也不是为了让推理变得简单。但即便如此，还是有神经网络版本的信念网络。 由随机二元神经元组成的生成神经网络有两种。一个是基于能量的，在此基础上，我们利用对称连接将二元随机神经元连接到一个波耳兹曼机器上。 另一个是基于因果关系，我们在一个有向无环图中连接二元随机神经元，得到一个s型信念网络。这两种类型的具体描述不再赘述。 8. 深度自动编码器（Deep Auto-encoders） ?
2.2K50发布于 2018-04-24 - 来自专栏PPV课数据科学社区
必须了解的8种神经网络架构
下面是8种核心神经网络架构 1. 感知机（Perceptrons） 感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。 在循环神经网络之前主要使用无记忆模型处理这类任务。 循环神经网络是一种十分有力的武器，它包含了两个重要的特点。 神经网络是以学习为中心的，自己死记硬背的知识并不酷，因为知识来自于学习训练数据。神经网络的目的不是为了便于解释，也不是为了让推理变得简单。但即便如此，还是有神经网络版本的信念网络。 由随机二元神经元组成的生成神经网络有两种。一个是基于能量的，在此基础上，我们利用对称连接将二元随机神经元连接到一个波耳兹曼机器上。 另一个是基于因果关系，我们在一个有向无环图中连接二元随机神经元，得到一个s型信念网络。这两种类型的具体描述不再赘述。 8.
2.7K50发布于 2018-04-24 - 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。
83830发布于 2019-09-05 - 来自专栏ShowMeAI研究中心
NLP教程(8) - NLP中的卷积神经网络
点击 第11讲-NLP中的卷积神经网络 查看的课件注释与带学解读。 本篇笔记对应斯坦福CS224n自然语言处理专项课程的知识板块：NLP中的卷积神经网络。主要讲解卷积神经网络的结构，及其在NLP场景下的使用方式，一些模块和可调结构。 笔记核心词 卷积神经网络 / CNN 卷积层 池化层 多卷积核 多通道 / Multiple-Channels 卷积核 N-gram filter k-max pooling 文本分类 1.NLP中的卷积神经网络 1.1 为什么使用CNN 卷积神经网络是一种特殊结构的神经网络，最早被广泛应用于计算机视觉领域，但在NLP领域同样有着显著的应用效果。 这两个集合同时作为神经网络的输入。因此，初始化的词向量在神经网络的训练中始终起着重要的作用。在测试中给出看不见的单词可以提高正确理解的几率。
1K41编辑于 2022-05-16 - 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. 注意：按下F8，大家可以在数据窗口中留意该值的前后变化。发现它成功获取了该样本的本地路径。 我们现在按F8来步过这个call函数，再观察数据窗口中存在什么变化。 第一步，查看[EBP-8]地址对应的值。 在数据窗口中，可以看到eax的值为ebp+var_8的地址，通过OD可以知道，这个地址中保存的是0，可以理解为没有数据。 按下F8继续，这里是跳转不成立，然后出现在EAX-4位置，我们在数据窗口中跟随内容。
72910编辑于 2024-03-12 - 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。
75720编辑于 2022-11-16 - 来自专栏大数据文摘
AI = 神经网络？这8个技术就不是！
大数据文摘作品 编译：傅一洋、丁慧、Aileen AI热潮中，有关神经网络的声音最大。然而，AI远远不止如此。 目前在AI技术领域中，投入资金最多的当属对神经网络的研究了。 在众人眼中，神经网络技术貌似就是“程序构造的大脑”（虽然比喻很不准确）。 神经网络的概念早在20世纪40年代就被提出，但直到现在，人们对于神经元及大脑的工作方式仍然知之甚少，最近几年，科研界关于神经网络技术创新的呼声越来越强，渴望重启神经网络的热潮…… 其实，除了神经网络以外 举个简单的例子：比如“顾名思义，章鱼有8条腿”这句话经过提取后，就变成了这个样子：{“章鱼”：{“腿的数目”：8}}。 原文链接： https://www.linkedin.com/pulse/8-ai-technologies-aint-neural-networks-brandon-wirtz/
51620发布于 2018-05-23 - 来自专栏CreateAMind
ASI 8年计划 paper8 自由能原理建模生物神经形态发生
这种行为是根据变分自由能最小化来表述的 这种行为已被用来解释神经科学中的行为和感知。 这种理论表述可以补充自下而上的策略（目前专注于分子途径）和（建构主义）自上而下的方法，这些方法已经在神经科学和控制论中证明了自己。 这一观点基于神经科学中长期以来的理论工作，试图将行动和知觉以意识和无意识推理的术语来表述。 虽然神经网络和形态发生模型的性质可能看起来不同，但在形式上它们非常相似：神经连接转化为动力学速率常数（例如由上述的精度控制），神经活动转化为各种细胞内和细胞外信号的浓度或表达。 还应该指出，现在已经清楚，即使非神经细胞也具有许多与神经元相同的离子通道和电突触机制，并且它们将这些机制用于模式形成和修复。
37210编辑于 2024-02-26 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
按照服务器的尺寸分类，1U=4.45cm 8简述机架式服务器、刀片式服务器、塔式服务器、云主机、小型机 机架式： 外型类似抽屉，安装在标准机柜中，多为功能性服务器 刀片： 独立的卡式服务器单元，每个刀片就是一个系统 X86：是一种架构的统称 64：一次性能从内从中读取64位二进制指令 复杂指令集-64位架构（代码CPU每次读取64位二进制指令） 14 4核8线程代表物理几核？逻辑几核心？ 物理4核心，逻辑上8核心 15.什么是RAM?什么是ROM？ RAM：随机存取储存器，又称主存（内存） ROM：只读储存器。 16机械磁盘的IO延迟时间=xxx时间+xxx时间？
63730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 - 来自专栏专知
【干货】这8种神经网络结构，你掌握了几个？
【导读】近日，James Le撰写了一篇博文，全面阐述了神经网络中经典的八种神经网络结构。 The 8 Neural Network Architectures Machine Learning Researchers Need to Learn 机器学习研究人员需要掌握的八种神经网络结构 机器学习核心框架的发展历史 ▌什么是神经网络？ ---- ---- 神经网络是机器学习中的一类方法。如果你学习了Coursera机器学习课程，可能对神经网络有所了解。神经网络是机器学习领域中的革命性方法。 ▌8.深度自编码器（Deep Auto-encoders） ---- ---- 最后，我们来讨论深度自编码器。它看起来像一个非线性降维的好方法，原因如下：它们提供了两种灵活的映射方式。 GitHub代码： https://github.com/khanhnamle1994/neural-nets 原文链接： https://medium.com/@james_aka_yale/the-8-
2.7K91发布于 2018-04-12 《人工智能导论》第 8 章 人工神经网络及其应用
一、神经元与神经网络 8.1.1 生物神经元结构 生物神经元主要由细胞体、树突、轴突和突触组成。树突接收其他神经元的信号，细胞体处理信号，轴突传递信号至其他神经元的突触。 ) self.pool2 = nn.MaxPool2d(kernel_size=2) # 全连接层 self.fc1 = nn.Linear(64 * 8 * 8, 128) self.relu3 = nn.ReLU() self.fc2 = nn.Linear(128, 10) # 10个类别 def forward * 8) # 展平特征图 x = self.relu3(self.fc1(x)) x = self.fc2(x) return x # 创建模型实例 }.png") plt.close() return d_losses, g_losses # 可视化生成的图像 def viz_images(images, nrow=8)
29010编辑于 2026-01-21- 来自专栏AI科技评论
人工神经网络能否驾驭生物神经元的“浓稠”程度？5到8层可能并非极限
1 一个生物神经元可以和5到8层人工神经网络相匹敌 为了找到答案，耶路撒冷希伯来大学的David Beniaguev, Idan Segev和Michael London训练了一个人工深度神经网络来模拟生物神经元的计算 该研究表明，“一个深度神经网络需要5到8层相互连接的人工神经元来才能表示单个生物神经元的复杂性。” “我原以为它会更简单，更小”Beniaguev如是说。 最后，深度神经网络成功地预测了大脑神经元的输入-输出函数的行为，结果表明：深度神经网络至少有5层相互连接的人工“神经元”，但不超过8层。 在这篇新论文中，作者研究了金字塔神经元的哪些特征（结构）激发了5到8层深度神经网络的更大复杂性。 London说：“我们不确定，5到8层是否真的是最终的极限。”
47040发布于 2021-09-16 - 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