- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
2-7 R语言基础 数据框
> df <- data.frame(id=c(1,2,3,4),name=c("a","b","c","d"),gender=c(TRUE,TRUE,FALSE,FALSE)) > nrow(df) #4行 [1] 4
42520发布于 2020-09-16 - 来自专栏Deep learning进阶路
2-7 顺序表 和 链表 对比
2-7 顺序表 和 链表 对比 1、存储结构的不同 虽然它们同属于线性表，但数据的存储结构有本质的不同： 顺序表存储数据，需预先申请一整块足够大的存储空间，然后将数据按照次序逐一存储，逻辑关系就是靠元素间物理空间上的邻接关系来维持
47820发布于 2019-07-02 - 来自专栏嵌入式音视频
2-7 输入圆的半径，计算其周长与面积
预览图如下 #include<stdio.h> int main() { int r; printf("请输入r:"); scanf("%d",&r); { if(r>0) {printf("面积是：%f\n",3.14159*r*r); printf("周长是：%f\n",2*3.14159*r);} else printf("输入的r不合法！\n"); } return 0; }
71630编辑于 2022-12-01 - 来自专栏刷题笔记
2-7 一元多项式求导 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101025651 2-7 一元多项式求导 (20 分) 设计函数求一元多项式的导数。
91320发布于 2019-11-08 - 来自专栏cwl_Java
C++编程之美-数字之魅(代码清单2-7)
代码清单2-7 int lowestOne(int N) { int Ret = 0; while(N) { N >>= 1; Ret
27120编辑于 2022-11-30 - 来自专栏机器学习与统计学
不能更详细的PyTorch环境安装与配置
由于 PyTorch 采用了动态计算图（Dynamic Computational Graph）结构，且基于tape的Autograd系统的深度神经网络。 torch.nn：具有共享层和损失函数的神经网络库。 torch.optim：具有通用优化算法（如SGD、Adam等）的优化包。 ? NVIDIA cuDNN是用于深度神经网络的GPU加速库。 : ",cudnn.is_acceptable(x)) 在命令行运行以下脚本： python test_gpu.py 如果可以看到如图2-6或图2-7所示的结果，则说明GPU版PyTorch安装成功！ ▲图2-6 运行test_gpu.py的结果 在命令行运行：nvidia-smi，可以看到如图2-7所示的界面。 ?
3.8K20发布于 2019-12-09 - 来自专栏CDA数据分析师
很火的深度学习框架PyTorch怎么用？手把手带你安装配置
由于 PyTorch 采用了动态计算图（Dynamic Computational Graph）结构，且基于tape的Autograd系统的深度神经网络。 torch.nn：具有共享层和损失函数的神经网络库。 torch.optim：具有通用优化算法（如SGD、Adam等）的优化包。 ? NVIDIA cuDNN是用于深度神经网络的GPU加速库。 : ",cudnn.is_acceptable(x)) 在命令行运行以下脚本： python test_gpu.py 如果可以看到如图2-6或图2-7所示的结果，则说明GPU版PyTorch安装成功！ ▲图2-6 运行test_gpu.py的结果 在命令行运行：nvidia-smi，可以看到如图2-7所示的界面。 ?
1.6K10发布于 2019-12-10 - 来自专栏机器学习养成记
神经网络-BP神经网络
感知器作为初代神经网络，具有简单、计算量小等优点，但只能解决线性问题。 BP神经网络在感知器的基础上，增加了隐藏层，通过任意复杂的模式分类能力和优良的多维函数映射能力，解决了异或等感知器不能解决的问题，并且BP神经网络也是CNN等复杂神经网络等思想根源。 1 基本概念 BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点就是：信号是前向传播，而误差是反向传播。 2 BP神经网络结构 BP神经网络包含输入层、隐藏层和输出层，其中，隐藏层可有多个，其中，输入层和输出层的节点个数是固定的（分别是输入样本的变量个数和输出标签个数），但隐藏层的节点个数不固定。 以具有单隐藏层的BP神经网络为例，其网络结构如下图： ? 3 BP神经网络原理公式 以单隐藏层的BP神经网络为例，各阶段原理公式如下： 前向传播。
2.6K20发布于 2021-03-04 - 来自专栏机器人网
最全机器学习算法汇总
图2-7支持向量对最大间隔的支持 支持向量机是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。 如图2-7所示，由于支持向量在确定分离超平面中起着关键性的作用，所以将这种分类模型称为支持向量机。 图2-8将二维线性不可分转换为三维线性可分 3、 深度学习简介 这里将简单介绍神经网络的由来。介绍顺序为：感知机、多层感知机（神经网络）、卷积神经网络及循环神经网络。 3.1 感知机 ? 3.4 循环神经网络 图3-4 循环神经网络可以看成一个在时间上传递的神经网络 循环神经网络可以看成一个在时间上传递的神经网络，它的深度是时间的长度，神经元的输出可以作用于下一个样本的处理。 普通的全连接神经网络和卷积神经网络对样本的处理是独立的，而循环神经网络则可以应对需要学习有时间顺序的样本的任务，比如像自然语言处理和语言识别等。
1.4K51发布于 2018-04-18 神经图
NEAT是从简单的单层网络逐步演化成复杂的神经网络拓扑结构的一种方法。 如果鼠标悬停在神经元上，会弹出一个标签来描述它是哪种类型的神经元（S形，正弦，余弦，高斯等）。具有大重量级的连接将具有比光连接更暗且更厚的颜色。 我最终做的是用一个单线性加隐藏神经元（不是sigmoid）来初始化网络，并且把所有的输入连接到这个初始神经元，并且把这个初始神经元连接到所有三个输出通道，所有这三个输出通道都具有随机的初始权值。 image.png 黄色的正弦神经元已被随机添加在与最初的加性神经元分离的后一代中，以产生重复的关键模式。 对于我的网络，我实际上允许所有隐藏的神经元自由地与网络中的另一个非输入神经元连接，所以实际上我们很可能最终得到循环网络。感谢recurrent.js中的Graph对象，这不是很难做到。
1.6K101发布于 2018-02-05- 来自专栏华章科技
很火的深度学习框架PyTorch怎么用？手把手带你安装配置
由于 PyTorch 采用了动态计算图（Dynamic Computational Graph）结构，且基于tape的Autograd系统的深度神经网络。 torch.nn：具有共享层和损失函数的神经网络库。 torch.optim：具有通用优化算法（如SGD、Adam等）的优化包。 ? NVIDIA cuDNN是用于深度神经网络的GPU加速库。 : ",cudnn.is_acceptable(x)) 在命令行运行以下脚本： python test_gpu.py 如果可以看到如图2-6或图2-7所示的结果，则说明GPU版PyTorch安装成功！ ▲图2-6 运行test_gpu.py的结果 在命令行运行：nvidia-smi，可以看到如图2-7所示的界面。 ?
1.2K40发布于 2019-12-02 - 来自专栏生命科学
神经干细胞移植 “逆转” 神经损伤 - MedChemExpress
在神经退行性疾病中，特定的神经元亚群，例如多巴胺能和胆碱能神经元或运动神经元会逐渐退化，导致特定模式的神经系统功能障碍。传统药物治疗用于延缓疾病进展，不能使功能修复或组织再生[1]。 关于神经干细胞及其分化 神经干细胞 (NSCs) 被喻为中枢神经系统 (CNS) 的 “种子” 细胞，不同神经细胞系的产生起源于成体神经干细胞。 神经元(Neurons) 是神经系统结构和功能的基本单位，通过轴突和树突传递信号。典型的神经元由树突、细胞体、轴突 (包括轴突丘) 和突触前末端组成。神经元自身不能再生。 除了参与细胞通讯外，星形胶质细胞还能通过释放神经营养因子，如胶质细胞系衍生的神经营养因子 (GDNF)，以及降低神经元的兴奋中毒，发挥神经保护作用。 FGF-8诱导神经前体细胞 (iNPCs) 衍生多巴胺能神经元 (DA) 生成的关键因子。GDNF一种神经营养因子，能促进中脑多巴胺能神经元的存活分化，支持人多能干细胞来源的神经祖细胞向神经元分化。
84260编辑于 2022-12-23 - 来自专栏WOLFRAM
大脑、神经元、认知：计算神经科学
它包含大约 1 千亿个神经元，共同来处理信息，并按功能和结构细分为特定的区域。大脑解剖学、神经元的特征和认知图谱被用于表示功能组织的一些关键特性以及我们神经系统的处理能力。 我们新的神经科学内容将带给你大脑、神经元和认知的事实，让你有机会窥视这神奇的神经科学世界。 找到支配左手的神经： 使用 AnatomyPlot3D 函数进行立体可视化： 神经元特性 到目前为止，我们已经看过我们神经系统的宏观图片。现在让我们看看大脑的功能单位，神经元。 "神经元"实体类型可用的各种属性可用于单类神经元的物理、电生理和空间特征： 我们可以得到在特定大脑区域中发现的神经元类型的信息。 例如，我们可以得到海马神经元的列表，这与情绪状态、短期到长期记忆的转换和空间记忆的形成相关联： 收集更多的细节，神经元集合的列表，其轴突在海马的 CA1 神经纤维区域分叉： 神经元传输电信号以便彼此通信
1K70发布于 2018-05-31 - 来自专栏智能大数据分析
【机器学习-神经网络】循环神经网络
在前面两篇文章中，我们分别介绍了神经网络的基础概念和最简单的MLP，以及适用于图像处理的CNN。从中我们可以意识到，不同结构的神经网络具有不同的特点，在不同任务上具有自己的优势。 这就是本文要介绍的循环神经网络（recurrent neural networks，RNN）。 一、循环神经网络的基本原理 我们先从最简单的模型开始考虑。 因此，这样重复的网络结构可以用图2中的循环来表示，称为循环神经网络。 图2 RNN的循环表示 RNN的输入与输出并不一定要像上面展示的一样，在每一时刻都有一个输入样本和一个预测输出。
98400编辑于 2025-01-22 - 来自专栏生信小驿站
黑箱方法-神经网络①人工神经网络
人工神经网络 人工神经网络的概念 人工神经网络（Artificial Neural Networks，ANN）是对一组输入信号和一组输出信号之间的关系进行建模，使用的模型来源于人类大脑对来自感觉输入的刺激是如何反应的理解 通过调整内部大量节点（神经元）之间相互连接的权重，从而达到处理信息的目的。 从广义上讲，人工神经网络是可以应用于几乎所有的学习任务的多功能学习方法：分类、数值预测甚至无监督的模式识别。 人工神经网络的构成与分类 常见的人工神经网就是这种三层人工神经网络模型，如果没有隐含层，那就是两层人工神经网络；如果有多层隐含层那就是多层人工神经网络。 小圆圈就是节点，相当于人脑的神经元。 这是我们主要使用的B-P神经网络模型就是典型的前馈式神经网络模型。 另外,由于层数和每一层的节点数都可以改变，多个结果可以同时进行建模，或者可以应用多个隐藏层（这种做法有时称为深度学习 (deep learning） 第二种是反馈式神经网络，这种神经网络的特点是层间节点的连接是双向的
1.3K30发布于 2018-08-27 - 来自专栏智能大数据分析
【机器学习-神经网络】卷积神经网络
本文继续讲解基于神经网络的模型。在MLP中，层与层的神经元之间两两连接，模拟了线性变换 \boldsymbol W\boldsymbol x+\boldsymbol b 。 事实上，用卷积进行图像处理的技术在神经网络之前就已经出现了，而神经网络将其威力进一步增强。 为了在图像上应用卷积，我们先把一维的卷积扩展到二维。 这一概念同样来源于神经科学，本义是指一个感觉神经元所支配的感受器在视网膜、皮肤等位置能感受到外界刺激的范围。 图6 最大池化 三、用卷积神经网络完成图像分类任务 下面，我们讲解如何用PyTorch实现一个卷积神经网络，并用它完成图像分类任务。该任务要求模型能识别输入图像中的主要物体的类别。 对于深度神经网络来说，其参数量非常庞大。然而，高质量的训练样本又非常稀缺，许多时候要依赖人工标注，费时费力，这使得神经网络的复杂度往往会超过数据的复杂度，从而发生过拟合的情况。
87900编辑于 2025-01-22 - 来自专栏人工智能
神经网络
神经网络例程下载： 神经网络.zip 介绍 如今，科学家正在努力探索人脑的奥秘，他们试图通过模仿人脑，来找到大数据的解决方案。 “感知器”如何充当人工神经元？——前向神经网络 3. 什么是神经网络的权重？ 4. 生物体内的神经元权重是多少？ 5. 神经网络中激励函数起什么作用？ 6. 生物体内什么东西起到了神经元激励函数的功能？ 7. 反向传播如何工作？ 8. 反向传播神经网络的确切的数学逻辑是什么？ 9. 如何实现反向传播神经网络？ 1.人脑是如何工作的？ 下图就是神经元细胞，包括树突、轴突和细胞核。从左到右看，树突负责接收信息，细胞核负责处理数据，处理结果将从轴突传递到神经元的尾部。这一整个神经元的结构，在人工智能中被称作“感知器”。 右侧的另一个神经元细胞将受到某些化学物质的激励，从而接收左侧神经元的反应。这种激励造成了数据在细胞间的传递、转移。所以，左侧神经元的输出就是右侧神经元的输入。其他的神经单元也存在同样的过程。
2.9K121发布于 2018-01-26 - 来自专栏机器学习算法与Python学习
神经网络
目录 关键词 概述 神经网络模型 1. 为了描述神经网络，我们先从最简单的神经网络讲起，这个神经网络仅由一个“神经元”构成，以下即是这个“神经元”的图示： ? 神经网络模型 所谓神经网络就是将许多个单一“神经元”联结在一起，这样，一个“神经元”的输出就可以是另一个“神经元”的输入。例如，下图就是一个简单的神经网络： ? 目前为止，我们讨论了一种神经网络，我们也可以构建另一种结构的神经网络（这里结构指的是神经元之间的联接模式），也就是包含多个隐藏层的神经网络。 这是一个前馈神经网络的例子，因为这种联接图没有闭环或回路。 神经网络也可以有多个输出单元。比如，下面的神经网络有两层隐藏层： L2及L3 ，输出层L4有两个输出单元。 ?
1.3K70发布于 2018-04-08 - 来自专栏null的专栏
神经语言模型
在语言模型的发展过程中，分别出现了专家语法规则模型，统计语言模型，神经网络语言模型三个阶段。 ，通过神经网络模型对句子的概率分布建模的方法。 这里有两个限制条件： 神经语言模型NNLM采用普通的三层前馈神经网络结构，其网络结构如下图所示（与通常的三层前馈神经网络略有不同）： 从网络结构可以看出，三层的网络中第一层为输入层 输出层共有 个神经元，依次对应着词库 中每个词的可能性。为了使得所有神经元的结果之和为 ，在输出层 之后，需要加入softmax函数，将 专程对应的概率值： 3.2. 模型训练 综上，模型中的参数为 ，对于整个语料，神经网络语言模型需要最大化： 其中 为正则项，对于神经网络的训练，通常使用梯度下降对损失函数求解，对于上述的最大化问题，可通过下述公式迭代求解
61610编辑于 2022-01-05 - 来自专栏Elton的技术分享博客
神经网络
搭建基本模块——神经元 在说神经网络之前，我们讨论一下神经元（Neurons），它是神经网络的基本单元。神经元先获得输入，然后执行某些数学运算后，再产生一个输出。比如一个2输入神经元的例子： ? 编码一个神经网络 是时候实施一个神经元了！ 搭建神经网络 神经网络就是把一堆神经元连接在一起，下面是一个神经网络的简单举例： ? 这个网络有2个输入、一个包含2个神经元的隐藏层（h_1和h_2）、包含1个神经元的输出层o_1。 神经网络可以具有任意数量的层，这些层中具有任意数量的神经元。基本思想保持不变：给神经网络提供输入(input)通，然后从神经网络里面得到输出(output)。 训练一个神经网络（第一部分） 现在我们已经学会了如何搭建神经网络，现在我们来学习如何训练它，其实这就是一个优化的过程。
90420发布于 2021-01-26
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