- 综合排序
- 最热优先
- 最新优先
- 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
1.2K40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
35730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。
69010编辑于 2025-03-12 - 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。
8.5K41发布于 2020-07-02 - 来自专栏思影科技
深度学习在静息态功能磁共振成像中的应用
这一步将输入张量中的时间点维数减少为一个预定义的输出通道数，而端到端训练则保持最优的权值估计。 作者在平滑后的数据上训练4DStL模型，并在其最重要的卷积层中使用1×1×1的核来捕获时变特性。 对于KRR方法，超参数网格被扩展为核映射函数(线性核/多项式核等)，正则化参数的范围为([10-3,10-2,10-1,1])，核映射函数中的gamma参数(范围为[−4,2])。 此外，对于3D CNN DL模型，作者使用的批量大小为16，初始学习率设置为10-2并通过在[10-1,10-2,10-3,10-4,10-5,10-6]范围内进行调优。 两层双向LSTM模型和graph-CNN均使用了Adam优化器，并对学习率在[5×10-2,10-2,5×10-3,10-3,10-4]范围内和对批量大小在(16,32,64,128)范围内进行了调整。
1.9K30编辑于 2022-06-13 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
比如Inception-v3模型在单机上训练到78%的正确率需要将近半年的时间 ，这样的训练速度是完全无法应用到实际生产中的。 图10-1展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。 在并行化地训练深度学习模型时，不同设备（GPU或CPU）可以在不同训练数据上运行这个迭代的过程，而不同并行模式的区别在于不同的参数更新方式。 图10-2展示了异步模式的训练流程图。 从图10-2中可以看到，在每一轮迭代时，不同设备会读取参数最新的取值，但因为不同设备读取参数取值的时间不一样，所以得到的值也有可能不一样。 图10-1 深度学习模型训练流程图 ? 图10-2 异步模式深度学习模型训练流程图 然而使用异步模式训练的深度学习模型有可能无法达到较优的训练结果。
1.6K80发布于 2018-02-12 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-2 递归求阶乘和
习题10-2 递归求阶乘和 本题要求实现一个计算非负整数阶乘的简单函数，并利用该函数求 1!+2!+3!+…+n! 的值。
2.2K20发布于 2020-09-15 - 来自专栏全栈程序员必看
预训练模型还要训练吗_多模态预训练模型
若使用已保存好的镜像reid_mgn:v1，在本机上可按如下操作训练 # 1.进入已保存环境的镜像（reid_mgn:v1（8.48G）、pytorch/pytorch:1.0.1-cuda10.0 personReID ufoym/deepo:testv1 /bin/bash (75服务器) # 2.进入到工程目录 cd /home/personReID/MGN-pytorch-master # 3.复制预训练模型到指定路径 打开另一个终端 docker ps 查看容器内镜像（找到reid_mgn:v1 前对应的数字字符串%%%%） docker stats %%%%% 实时监测内存情况 # 4.训练 （在原终端继续进行，注：demo.sh是已改好参数的） sh demo1.sh 补充： 训练前需要修改的文件及代码 1.demo.sh文件 修改data路径（把你的数据集路径添加到 –datadir）、 ：需将数据集文件名由原始的Market-1501-****改为和代码匹配的Market1501 2.trainer.py 修改train、test中的epoch 3.main.py 如果是单GPU训练
1K20编辑于 2022-11-08 - 来自专栏学习之路
【算法训练】：贪心（算法 & 题目训练）
在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。
37710编辑于 2024-10-22 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
比如Inception-v3模型在单机上训练到78%的正确率需要将近半年的时间 ，这样的训练速度是完全无法应用到实际生产中的。 图10-1展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。 在并行化地训练深度学习模型时，不同设备（GPU或CPU）可以在不同训练数据上运行这个迭代的过程，而不同并行模式的区别在于不同的参数更新方式。 图10-2展示了异步模式的训练流程图。 从图10-2中可以看到，在每一轮迭代时，不同设备会读取参数最新的取值，但因为不同设备读取参数取值的时间不一样，所以得到的值也有可能不一样。 图10-1 深度学习模型训练流程图 ? 图10-2 异步模式深度学习模型训练流程图 然而使用异步模式训练的深度学习模型有可能无法达到较优的训练结果。
1.2K50发布于 2018-06-06 - 来自专栏全栈程序员必看
对抗训练
对抗训练 对抗训练是防御对抗样本攻击的一种方法。将对抗样本和正常样本一起训练是一种有效的正则化，可以提高模型的准确度，同时也能有效降低对抗样本的攻击成功率。 不过这种防御也只是针对同样用来产生训练集中的对抗样本的方法。 探索网络对底层任务的理解层次，通过对抗训练减少原有独立同分布的测试集的错误率——在对抗扰动的训练集上训练网络 对抗样本的定义和产生 从2013年开始，深度学习模型在多种应用上已经能达到甚至超过人类水平
1.1K30编辑于 2022-09-20 - 来自专栏Timeline Sec
渗透训练
专项训练 SQL注入： https://github.com/Audi-1/sqli-labs XSS： https://github.com/haozi/xss-demo https://xss-game.appspot.com Tj1ngwe1/upload-labs XXE： https://github.com/c0ny1/xxe-lab SSRF： https://github.com/m6a-UdS/ssrf-lab 综合训练
52710发布于 2019-12-17 - 来自专栏MySQL解决方案工程师
模型训练
模型训练是改变词汇分布的一个更重要的方法，从零开始训练一个模型需要耗费大量的成本，对于一般用户来说是不可能完成的任务。 用户通常会使用一个已经在大规模数据上训练好的预训练模型进行进一步训练，这个预训练模型可能是在一个通用任务或数据集上训练得到的，具有对一般特征和模式的学习能力。 Fine-tuning：微调会采用预先训练的模型（例如，BERT）和带有标签的数据集对全部的参数进行调整，是经典的机器学习训练方法。 Prarm. Efficent FT：通过将一组非常小的参数隔离起来进行训练或者向模型中添加一些新参数，可以降低训练成本。 训练成本 模型训练需要耗费硬件成本，最后给出一个基于OCI的不同训练方法的硬件成本。
98510编辑于 2024-06-14 - 来自专栏sofu456
gan训练
gan对mnist数据集训练 使用非卷积神经网络，对1维数据模拟，卷积是对2维数据模拟 import torch import torchvision import /discriminator.pth') 单个图片训练(训练使用一张图片中的每个小图片) import torch from torch import nn from torch import autograd
73631发布于 2019-07-09 - 来自专栏用户2442861的专栏
Tesseract:训练
资源文件的训练 如果刚才按照建议进行过了尝试，应该能发现哪些是必要的文件，它们是: unicharset inttemp pffmtable normproto shapetable 训练的过程就是为了从训练数据中产生这些东西 数据准备 首先要准备好训练用的文本数据，根据不同的应用场景，对文本数据的要求会不一样。 项目网站上说到，每个字在训练用的数据文件中一般应该有 10 个样本，低频字也至少要有 5 个，高频的应该在 20 个以上。 不过就我目前进行的中文训练情况来看，每个字一个样本得到的结果也没有明显的差异，读者可以自行试验。 图像与BOX文件生成 有了数据文件后，我们需要用这些数据文件中的文字来生成图像，用这些图像去进行训练。
2.2K10发布于 2018-09-19 - 来自专栏北京马哥教育
实战Google深度学习框架：TensorFlow计算加速
比如Inception-v3模型在单机上训练到78%的正确率需要将近半年的时间 ，这样的训练速度是完全无法应用到实际生产中的。 图10-1展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。 在并行化地训练深度学习模型时，不同设备（GPU或CPU）可以在不同训练数据上运行这个迭代的过程，而不同并行模式的区别在于不同的参数更新方式。 图10-2展示了异步模式的训练流程图。 从图10-2中可以看到，在每一轮迭代时，不同设备会读取参数最新的取值，但因为不同设备读取参数取值的时间不一样，所以得到的值也有可能不一样。 深度学习模型训练流程图 异步模式深度学习模型训练流程图 然而使用异步模式训练的深度学习模型有可能无法达到较优的训练结果。图10-3中给出了一个具体的样例来说明异步模式的问题。
1.5K70发布于 2018-05-02 - 来自专栏人人都是极客
4.训练模型之准备训练数据
终于要开始训练识别熊猫的模型了， 第一步是准备好训练数据，这里有三件事情要做： 收集一定数量的熊猫图片。 将图片中的熊猫用矩形框标注出来。 将原始图片和标注文件转换为TFRecord格式的文件。 收集熊猫图片倒不是太难，从谷歌和百度图片上收集 200 张熊猫的图片，应该足够训练一个可用的识别模型了。 最后需要将数据集切分为训练集合测试集，将图片文件打乱，然后按照 7：3 的比例进行切分： random.seed(42) random.shuffle(all_examples) 最后还需要一个 label map 文件，很简单，因为我们只有一种物体：熊猫 label_map.pbtxt: item { id: 1 name: 'panda' } 训练一个熊猫识别模型所需要的训练数据就准备完了 ，接下来开始在 GPU 主机上面开始训练。
2.4K80发布于 2018-03-16 - 来自专栏AI
AI训练师入行指南（四）：模型训练
现在，我们正式进入训练阶段：用特定数据集将模型从粗坯打磨成传世珍宝。 “用翡翠原石雕佛像，用和田玉刻印章——特定数据集就是AI模型的专属玉料。” 训练模型就像雕刻师根据玉料特性选择刻刀和技法，只有匹配的数据集才能让模型成为真正的“智能珍宝”。 1. 数据集的核心价值领域适配性：用医疗影像数据训练的模型，能识别癌症结节；用电商评论训练的模型，能感知用户情绪波动。 质量决定上限：标注精准的1000条数据，胜过混乱的10万条噪声数据。 训练技法则如同雕刻师的手艺：Adam优化器智能调节“刻刀力度”，3e-4学习率在收敛速度与稳定性间精准平衡，Dropout随机屏蔽神经元防止过度雕刻。 终极心法： 用torch.save()保存每个训练阶段——这是你的“时光回溯”按钮
89010编辑于 2025-03-31 - 来自专栏FreeBuf
AI领域的预训练与自训练
但谷歌最新的研究表明，在数据量足够的情况下，至少在目标检测任务上，采用自训练得到的预训练模型对检测结果的提升要显著优于监督预训练与无监督预训练模型。 01 使用监督学习获得预训练模型 作为实验，研究者首先在Imagenet上训练分类网络作为预训练模型，之后监督得到的预训练模型作为骨干网络在COCO数据集上进行训练。 不同数据增强模式下基线、监督式预训练、自训练式预训练下的目标检测结果对比 ? 不同数据增强模式下基线、监督式预训练、自训练式预训练下的目标检测结果对比 ? 统一实验条件下三种预监督方法对比 作为与监督预训练与无监督预训练的对比，对照实验表明使用自训练方法得到的预训练模型在各种数据增强模式，不同主任务训练集尺寸的情况下都能获得明显受益，且显著优于基线(不使用预训练模型 在语义分割方面，研究者也证明了自训练的预训练方式比监督式预训练可以达到更好的效果： ?
2K10发布于 2020-11-16
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