- 综合排序
- 最热优先
- 最新优先
- 来自专栏鹅厂网事
干货分享-网络运营
网络运营 以下是过往关于网路运营的文章，点击对应的题目获取文章。 【C1】大型DCI网络智能运营实践 【C2】腾讯&运营商网络智能运营实践 【C3】春节|为大家不回家的人 （持续更新中） 鹅厂网事 一群鹅厂年轻的网络爱好者 ?
50820发布于 2020-04-13 - 来自专栏深度学习自然语言处理
【干货】GRU神经网络
前用的最多的三种神经网络是CNN，LSTM，GRU。 意思大概理解就是在RNN上多加了几个门，目的和LSTM基本一样，为了加强RNN神经网络的记忆能力。 我们先来回忆下最初的SimpleRNN ? (真正网络中会有自己独特的特征记法) ? 我们希望这个记忆单元C=1能一直保留到was那里，如 ? 即使不是1，实际上也不可能不变是1的，但是只要和1别差距太大就行。 是的没错，经过研究者的不断探究，终于研究出来一种适合几乎各种研究实验的新型GRU网络是这样的： ? 这个GRU可以经过经过更加深度的训练而保持强壮记忆力！ 这里的第一个公式： ? ?
2K110发布于 2018-04-10 - 来自专栏深度学习自然语言处理
【干货】神经网络SRU
深度学习的许多进展目前很多均是来源于增加的模型能力以及相关的计算，这经常涉及到更大、更深的深层神经网络，然而，虽然深层神经网络带来了明显的提升，但是也耗费了巨大的训练时间，特别是在语音识别以及机器翻译的模型训练上 为了解决训练模型的计算能力，像利用GPU进行加速训练的并行化方法在深度学习领域已经广泛使用，使用GPU进行加速的卷积神经网络在训练速度上有提升的很明显，但是，像RNN、LSTM却无法实现并行化方法，熟悉 SRU的实现中添加了两个附加的特征： Skip Connection 具体来说，skip connection就是Highway Connection，对训练深层神经网络很有效果，我们来具体看一下公式 三.基于pytorch实现SRU Networks 1、SRU Networks Structure Diagram 熟悉LSTM的人很容易理解SRU的网络结构图，下图是SRU的网络结构图： xt 代表 2、基于pytorch实现SRU Formula pytorch搭建神经网络一般需要继承nn.Module这个类，然后实现里面的forward()函数，现在搭建SRU Networks需要另外写一个SRU
4.2K80发布于 2018-04-10 - 来自专栏数据猿
干货：复杂网络及其应用简介
导读 本文从复杂网络的研究简史出发，简单介绍了复杂网络的基本特征、几种基本的网络模型、网络挖掘方法以及在信贷反欺诈中的应用。 ? 今天小Z就邀请ZRobot计量分析师Joey（研究方向：复杂网络）从以下几个方面跟大家分享复杂网络以及复杂网络的应用： ·复杂网络的研究简史 ·复杂网络的统计特征 ·常见的复杂网络模型 ·网络挖掘——链路预测 复杂网络的统计特征 以上部分给大家简单介绍了复杂网络发展历史，下面我们从复杂网络的统计特征入手，让大家对复杂网络有一个更清晰、直观的了解。 网络的表示方法 ? 例如，在交通网络中，介数较高的道路拥挤的概率很大；在电力网络中，介数较高的输电线路和节点容易发生危险。 常见的复杂网络模型 规则网络模型 规则网络是最简单的网络模型。 现实生活中，有很多网络都是无标度网络。 ? 无标度网络是说，现实网络是不断扩大不断增长的，例如互联网中新网页的诞生，人际网络中新朋友的加入，新的论文的发表，航空网络中新机场的建造等等。
10K50发布于 2018-12-28 - 来自专栏释然IT杂谈
【网络干货】MPLS BGP VPN技术详解
如图所示，左半边的网络中， A 市 X 公司总部网络是一个 Site， B 市 X 公司分支机构网络是另一个 Site。这两个网络各自内部的任何 IP 设备之间不需要通过运营商网络就可以互通。 如图所示，右半边网络， B 市的分支机构网络不通过运营商网络，而是通过专线直接与 A市的总部相连，则 A 市的总部网络与 B 市的分支机构网络构成了一个 Site。 如图所示， X 公司位于 A 市的决策部网络（Site A）允许与位于 B 市的研发部网络（Site B）和位于 C 市的财务部网络（Site C）互通。 对于多个连接到同一运营商网络的 Site，通过制定策略，可以将它们划分为不同的集合（set），只有属于相同集合的 Site 之间才能通过运营商网络互访，这种集合就是 VPN。 四、VPN FRR 产生背景 在网络高速发展的今天，运营商网络发生故障时的端到端业务收敛时间已经成为承载网的重要指标。
6K33发布于 2020-07-16 - 来自专栏钱塘大数据
【干货】神经网络和深度学习简史
多层输出的神经网络 也可以想象一个与感知机不同的人工神经网络。 这次他们又搞出一个和上个信念网络有些不一样的网络，现在被叫做「亥姆霍兹机」。 一个有趣的事实：据Hinton说，时延神经网络的理念启发了LeCun开发卷积神经网络。 但是，好笑的是，积卷神经网络变得对图像处理至关重要，而在语音识别方面，时延神经网络则败北于另一种方法——递归神经网络(RNNs)。 将神经元回路接回神经网络，赋予神经网络记忆就被优雅地解决了。 ? 递归神经网络图。还记得之前的玻尔兹曼机吗？大吃一惊吧！那些是递归性神经网络。 然而，这可没有那么容易。
1.4K60发布于 2018-03-06 - 来自专栏AI科技评论
干货 | YJango的 卷积神经网络介绍
所以这里对卷积神经网络的讲解主要是以不同的思考侧重展开，通过对卷积神经网络的分析，进一步理解神经网络变体中“因素共享”这一概念。 注意：该文会跟其他的现有文章有很大的不同。 如果要提出一个新的神经网络结构，首先就需要引入像循环神经网络中“时间共享”这样的先验知识，降低学习所需要的训练数据需求量。 而卷积神经网络同样也引入了这样的先验知识：“空间共享”。 我们希望所建立的网络可以尽可能的满足这些不变性特点。 为了理解卷积神经网络对这些不变性特点的贡献，我们将用不具备这些不变性特点的前馈神经网络来进行比较。 图片识别--卷积神经网络 卷积神经网络就是让权重在不同位置共享的神经网络。 局部连接 在卷积神经网络中，我们先选择一个局部区域，用这个局部区域去扫描整张图片。 这和前馈神经网络的先验知识不同，它允许不同层级之间的因素进行信息交互、综合判断。 残差网络就是拥有这种特点的神经网络。大家喜欢用identity mappings去解释为什么残差网络更优秀。
1.2K70发布于 2018-03-13 - 来自专栏程序员管小亮的成长之路
大话卷积神经网络CNN（干货满满）
Boltzmann Machine(RBM)限制波尔兹曼机 Deep Belief Networks(DBN)深度信念网络 Recurrent neural Network(RNN)多层反馈循环神经网络神经网络 三、神经网络 首先什么是神经网络呢？ LeCun提出的网络称为LeNet5（效果和paper等的链接在这），其网络结构如下： ? 这是一个最典型的卷积网络，由卷积层、池化层、全连接层组成，通过巧妙的设计，利用卷积、参数共享、池化等操作 提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行 分类识别，这个网络也是最近大量神经网络架构的起点 你可以尝试去改变相应的参数，从而感受一下网络输出的变化，进而体会到卷积神经网络的乐趣，加油！！！ ?
1.2K10发布于 2020-04-20 - 来自专栏架构师之路
Unix网络编程常用函数深度解析（干货）
linux网络编程常用函数说明 connect函数 int connect (int sockfd,struct sockaddr * serv_addr,int addrlen); （1）connect
1K100发布于 2018-02-28 - 来自专栏AI科技大本营的专栏
干货 | YJango的卷积神经网络——介绍
所以这里对卷积神经网络的讲解主要是以不同的思考侧重展开，通过对卷积神经网络的分析，进一步理解神经网络变体中“因素共享”这一概念。 注意：该文会跟其他的现有文章有很大的不同。 我们希望所建立的网络可以尽可能的满足这些不变性特点。 为了理解卷积神经网络对这些不变性特点的贡献，我们将用不具备这些不变性特点的前馈神经网络来进行比较。 当使用右侧那种物体位于中间的训练数据来训练网络时，网络就只会对编号为5,6,9,a的节点的权重进行调节。 若让该网络识别位于右下角的“横折”时，则无法识别。 图片识别–卷积神经网络 卷积神经网络就是让权重在不同位置共享的神经网络。 局部连接 在卷积神经网络中，我们先选择一个局部区域，用这个局部区域去扫描整张图片。 这和前馈神经网络的先验知识不同，它允许不同层级之间的因素进行信息交互、综合判断。 残差网络就是拥有这种特点的神经网络。大家喜欢用identity mappings去解释为什么残差网络更优秀。
1.5K60发布于 2018-04-27 - 来自专栏袁厨的算法小屋
干货！利用Python绘制精美网络关系图
一、概述 NetworkX是一个用python编写的软件包，便于用户对复杂网络进行创建、操作和学习。 利用networkx可以以标准化和非标准化的数据格式存储网络、生成多种随机网络和经典网络、分析网络结构、建立网络模型、设计新的网络算法、进行网络绘制等，Networkx主要用于创造、操作复杂网络，以及学习复杂网络的结构 我们用它可以将存储在邻接表或邻接矩阵里的网络图可视化。下面给大家看一下我自己画的一个例子吧。这样就大概可以了解怎么回事了。 ? 小世界网络图 上面这张图片是我绘制的社交关系图，其中蓝色节点代表的是度最高的节点，就是社交关系最复杂的节点。 如果大家感觉Networkx不能满足大家的需求，绘制网络图的python库还有DGL，PyG。
12.1K41发布于 2020-11-25 - 来自专栏专知
【干货】使用Pytorch实现卷积神经网络
本文详细介绍了卷积神经网络（CNN）的基本结构，对卷积神经网络中的重要部分进行详细讲解，如卷积、非线性函数ReLU、Max-Pooling、全连接等。 另外，本文通过对 CIFAR-10 的10类图像分类来加深读者对CNN的理解和Pytorch的使用，列举了如何使用Pytorch收集和加载数据集、设计神经网络、进行网络训练、调参和准确度量。 本教程将介绍卷积神经网络（CNN）的基本结构，解释它的工作原理，并使用pytorch实一步步实现一个简单的CNN网络。 什么是卷积神经网络？ 全连接层 在上述预处理步骤之后，得到的特征（可能和一开始的完全不一样）被传递到传统的神经网络中。在这类我们使用包含一个隐藏层和一个输出层的两层神经网络。 这部分和其他网络相同，不是我们讨论的重点。 用Pytorch训练神经网络 在为CNN定义了类别之后，就可以开始训练网络。这是神经网络变得有趣的地方。如果您正在使用更多基本机器学习算法，则通常只需几行代码即可获得有意义的输出结果。
8.7K62发布于 2018-06-05 - 来自专栏网络工程师笔记
干货！思科网络设备配置命令大全
启动 ospf 进程为 1 Network x.x.x.x x.x.x.x area 0 宣告网段，这里区域为 0 Ip ospf network x.x.x.x 接口下更改 ospf 网络类型 NAT配置 一、NAT 网络地址转换 静态 NAT Ip nat inside source static（静态） x.x.x.x（内网地址） x.x.x.x(映射的地址) 静态映射一个内网地址为外网地址
5.1K43发布于 2021-06-23 - 来自专栏专知
【干货】TensorFlow实战——图像分类神经网络模型
Learn how to classify images with TensorFlow 使用TensorFlow创建一个简单而强大的图像分类神经网络模型 by Adam Monsen ▌引言 ---- 本文由两部分组成，我将解释如何快速创建用于实际图像识别的卷积神经网络。当然该网络还可以对视频中的逐帧图像进行分析，从而扩展基于时间序列的视频分析。 本文提供你最需要的干货，你只需要了解一些命令行和Python的基础知识就行了。 本系列目的在于让你快速动手，并激励你创造属于自己的新项目。
1.4K60发布于 2018-04-12 - 来自专栏专知
【干货】走进神经网络：直观地了解神经网络工作机制
【导读】1月4日，Mateusz Dziubek发布了一篇基础的介绍神经网络的博文，作者用一种直观的方法来解释神经网络以及其学习过程，作者首先探讨了导致神经网络过于复杂的几个因素：大量系数、梯度计算慢、 并通过典型的前馈神经网络和简洁的分类示例来逐步揭开神经网络的面纱。如果您没有学习过神经网络或只是简单地使用接口完成过相应的工作，并且想一探神经网络的工作机制，那么本文是一篇不错的资料。 图1：具有一个隐藏层（输入和输出之间的层）的简单神经网络。 “感知器”是神经网络的一个常用名称，输入与输出直接耦合在一起（没有隐藏层，与图1不同）。 图1中简单的神经网络的更新模型如图3所示。值得指出的一点是sigmoid和softmax函数（公式8）之间的区别，它们都是在人工神经网络中使用的。 图4：一个简单的带有sigmod激活函数的神经网络 如前所述，NN的学习算法基于计算每个权重的偏导数。 函数的深层嵌套（即更复杂的网络）鼓励利用链式规则。
859130发布于 2018-04-12 - 来自专栏网络技术联盟站
干货 | 思科网络工程师的网络排错笔记 —— 收藏必备！
第 2 章 网络文档 一、网络基线 解决网络问题的最简单途径是把当前配置和以前的配置相比较。 基线文档由不同的网络和系统文档组成，它包括： 网络配置表 网络拓扑图 ES 网络配置表 ES 网络拓扑图 创建网络的注意事项： 1） 确定文档覆盖的范围； 2） 保持一致：收集网络中所有设备的相同信息； 三、网络拓扑图 网络拓扑图是图示网络的各组成部分之间如何在逻辑上和物理上相互连接。 地址、子网掩码、路由协议 对于大型的网络，可以制作多个网络拓扑图，每个网络拓扑图反映一个分离的部分。 、物理位置、系统目标、VLAN、IP 地址、子网掩码、操作系统、网络应用程序大多数 ES 网络拓扑图都建立在网络拓扑图中，其中还可加入 ES 网络配置表数据的子集。
4K45发布于 2019-09-17 - 来自专栏数据派THU
【干货书】深度学习数学：理解神经网络
章节建立在彼此的基础上，基本的主题，如贝叶斯定理，然后是更高级的概念，如使用向量、矩阵和函数的导数训练神经网络。 你将学习: 概率规则，概率分布，贝叶斯概率 使用统计数据来理解数据集和评估模型 如何操作向量和矩阵，并利用它们在神经网络中移动数据 如何用线性代数实现主成分分析和奇异值分解 如何应用改进版本的梯度下降，
36640编辑于 2022-07-06 - 来自专栏数据派THU
干货 | 数字经济创新创业——网络安全
虽然一些人支持政府额外的监管有益处，但是也有人反对网络相关政策。政府处于困境之中，一方面国与国之间正在打网络空间战，另一方面却要监督本国的网络安全。依赖于传感器支持的IOT也面临着风险。 其他人提到网络时会想起我，但我实际上是做操作和构建网络环境的安全解决方案的。之后我去了Verizon工作，担任数据中心和云部署的顶尖数据架构师，管理网络端事务。 其实非常简单，在1960年代，当IBM在这之后没多久开始做网络图模板，连接到一个一无所知的网络，它是有雾的，它是多云的。你把它画成一个云，你连接到一个你不知道细节的网络。 这对我来说很有趣，特别是作为一个网络安全专家，我们谈论云，而从六十年前的纯网络的角度来看，这意味着一个你对网络一无所知。 这在网络安全模型里是比较有意思的。在08、09年左右，有一个叫做John·Kinder的人发明了“零信任”网络，该模型的逻辑也非常简单——不信任任何人。
49620编辑于 2023-03-29 - 来自专栏Chris生命科学小站五年归档
生信干货~PPI蛋白网络~Cytoscape插件GeneMANIA
主要提供了以下蛋白之间关系的数据及预测：Predicted,Physical Interactions,Co-localization,Co-exprssion,Pathway,Shared protein domains,Genetic interations。该网站提供三种图形的转换及图片下载，里面还有基因注释饼图功能，大家可以探索一下。
2.5K40编辑于 2023-03-02 - 来自专栏深度学习与数据挖掘实战
干货|优化算法在菜鸟网络中的应用
作者： 本华 菜鸟网络-人工智能部 本文，介绍优化算法在菜鸟网络中的应用
1.8K10发布于 2018-11-21
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