- 综合排序
- 最热优先
- 最新优先
- 来自专栏Deep learning进阶路
8-3 图的遍历
8-3 图的遍历 和树的遍历类似，图的遍历也是从某个顶点出发，沿着某条搜索路径对图中所有顶点各做一次访问。 若给定的是连通图，则从图中任一顶点出发顺着边可以访问到该图中所有的顶点。
58210发布于 2019-07-02 - 来自专栏mysql
hhdb数据库介绍(8-3)
1.在192.168.190.186的服务器上执行ssh-keygen,连续按3次回车，完成生成公钥和私钥,其中id_rsa为私钥，id_rsa_pub为公钥，到/root/.ssh目录下可看到刚刚命令生成的私钥和公钥文件。
36910编辑于 2025-03-10 - 来自专栏信数据得永生
django 1.8 官方文档翻译： 8-3 点击劫持保护
点击劫持中间件和装饰器提供了简捷易用的，对点击劫持的保护。这种攻击在恶意站点诱导用户点击另一个站点的被覆盖元素时出现，另一个站点已经加载到了隐藏的frame或iframe中。
75220编辑于 2022-11-27 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-3 过拟合与欠拟合
中多项式回归分成三个步骤： 添加多项式的特征； 由于新添加特征是多项式，特征和特征之间的差距比较大，可能导致梯度下降优化算法迭代效率低下，因此对添加特征后的数据进行归一化操作； 最终就是将数据输入到线性回归模型中进行训练 得到的均方误差值为1.05，得到的这个值比前面degree设置为2的时候还要好，这就说明将degree传入10之后，训练出来的模型对于原始的数据来说，预测结果比degree值为2的效果要好。 点赞噢 下一小节会介绍如何识别出过拟合以及欠拟合，还有之前一直使用的train_test_split方法将原始数据集划分为训练数据集和测试数据集背后更重要的意义。
1.4K60发布于 2019-12-25 - 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8-3 数组循环右移
习题8-3 数组循环右移 本题要求实现一个对数组进行循环右移的简单函数：一个数组a中存有n（>0）个整数，将每个整数循环向右移m（≥0）个位置，即将a中的数据由（a0 a1⋯an−1）变换为
1.1K20发布于 2020-09-15 - 来自专栏机器学习算法与Python学习
机器学习(6) -- SVM
图8-1 SVM Decision Boundary: Linearly separable case 直观上，应该去找位于两类训练样本"正中间"的划分超平面，即图8-1的黑色直线(二维)，因为该划分超平面对训练样本局部扰动的 对于第一个问题，可以按照如下方式，即将训练集的输入作为landmarks ? 所以特征量的个数与训练集的个数相等，即n = m，所以带有核的SVM变为如下形式： ? 是高斯核的参数，它的大小会影响核函数值的变化快慢，具体的，图8-3是一个二维情况下的特殊例子，但是所含有的性质是可推广的。即 越大，核函数变化(下降)越缓慢，反之， 越小，核函数变化越快。 图8-3 参数对高斯核的影响举例 下面对SVM的参数对偏差和方差的影响做简要分析： C: 由于C和(1 / λ)正相关，结合6.4.2节对λ的分析有： ? ? 如果想要通过训练得到参数C或者核函数的参数，应该是在训练集和交叉检验集上进行，，参见6.3节。 8.5.1 Multi-class Classification ?
1.1K50发布于 2018-04-04 - 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。
98610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 - 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
89110编辑于 2025-03-31 - 来自专栏AI科技评论
预训练后性能反而变差，自训练要取代预训练了吗？
自训练适用不同规模数据集和不同强度增强数据的训练； 3、自训练并且可以看作对预训练的补充，联合预训练和自训练可以获得更大的增益。 2 研究动机 作者希望能解决以下问题： 预训练对训练结果有多大程度的帮助？什么情况下使用预训练是无效的？ 与预训练相比，我们可以使用自训练并获得相似或更好的结果吗？ 如果自训练优于预训练（暂做这样的假设），那它在多大的程度上比预训练好？ 在什么情况下自训练比预训练更好？ 自训练的灵活性和可扩展性如何？ 3、自监督预训练 vs 自训练 有监督的 ImageNet预训练会损害最大规模数据集和高强度数据增强下的训练效果。但是自监督的预训练呢？ 使用相同的ImageNet数据集，ImageNet的预训练获得+ 2.6AP的增益，预训练+联合训练再获得+ 0.7AP的增益，而预训练+联合训练+自训练则获得+ 3.3AP的增益。 ?
1.5K10发布于 2020-07-23 - 来自专栏TechBlog
FPGA实验2组合逻辑实验
目录 【实验要求】 【实验软件工具】 【实验一】设计一个8-3线优先编码器（74LS148） 1. 实验内容与原理说明 2. 【实验一】设计一个8-3线优先编码器（74LS148） 1. 实验内容与原理说明 实验一为设计一个8-3线优先编码器，即可以将八个输入的编码，通过对于输入信号的分析，输出第几个信号是低电平。 11011111 101 11101111 100 11110111 011 11111011 010 11111101 001 11111110 000 Else 000 该设计模块的实验框图如下： 根据8- 波形仿真图 4.门级电路图 【实验结果分析及思考】 本次实验主要设计8-3线优先编码器与3-8线译码器，这让我复习到了数电中所学过的相关知识，对于优先编码器74LS148是带有扩展功能的8-3线优先编码器
1K10编辑于 2022-07-20 - 来自专栏小明的博客
决策树
，表示决策树的最大深度，默认为None，表示所有叶子节点为纯节点 对数据集构造决策树，首先生成DecisionTreeClassifier类的一个实例（如clf），然后使用该实例调用fit()方法进行训练 对训练好的决策树模型，可以使用predict()方法对新的样本进行预测。 sklearn.tree模块提供了训练的决策树模型的文本描述输出方法export_graphviz()，如果要查看训练的决策树模型参数，可以使用该方法，其格式为： sklearn.tree.export_graphviz #例8-3 构造打篮球的决策树 import numpy as np import pandas as pd #读数据文件 PlayBasketball = pd.read_csv('D:/my_python sklearn import tree #调用决策树分类器，添加参数 clf = tree.DecisionTreeClassifier(criterion='entropy',max_depth=2) #将训练集和目标集进行匹配训练
91520编辑于 2022-09-05 - 来自专栏小樱的经验随笔
ACM训练计划
可能上面的总结不是很全,还请大家提出和指正,而且由于ACM的题目中专门针对某个算法的题目可能比较少出现,所以上面的分类中的题有可能有多种解法或者是一些算法的综合,这都不会影响大家做题,希望练习的同学能够认真,扎实地训练 如果同学能在明年暑假前能掌握上面大部分算法,那你也基本上达到了训练的目的,到暑假的时候你就可以选择自己比较喜欢的方面进行加深和强化,而且同学们不要觉得看算法的证明是很麻烦的事,这可以加强你的思维能力,这在 (poj3096,poj3007) (2)较为复杂的模拟题的训练(poj3393,poj1472,poj3371,poj1027,poj2706) 二.图算法: (1)差分约束系统的建立和求解. (poj3415,poj3294) 四.搜索 (1)较麻烦的搜索题目训练(poj1069,poj3322,poj1475,poj1924,poj2049,poj3426) (2)广搜的状态优化:利用
2.1K133发布于 2018-04-08
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