- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI那点小事
算法提高 9-2 文本加密
问题描述 先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符：”A”转化”B”，”B”转化为”C”，… …”Z”转化为”a”，”a”转化为”b”,… …, “z”转化为”A”，其它字符不加密。编写程序，加密给定字符串。 样例输出 与上面的样例输入对应的输出。 例：
57340发布于 2020-04-20 - 来自专栏Lan小站
试题 算法提高 9-2 文本加密
先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符："A"转化"B"，"B"转化为"C"，... ..."Z"转化为"a"，"a"转化为"b",... ..., "z"转化为"A"，其它字符不加密。编写程序，加密给定字符串。
29720编辑于 2022-07-13 - 来自专栏mysql
hhdb数据库介绍(9-2)
本节将描述快速配置关系集群数据库HHDB Server的方法。本节仅介绍必要的配置功能，用于达到快速入门的目的。如果需要了解更多的配置功能，请参考管理平台文档。
43110编辑于 2024-11-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-2 逻辑回归的损失函数
本系列是《玩转机器学习教程》一个整理的视频笔记。在上一小节介绍了逻辑回归的大致框架，有了大致框架就需要建模来求解参数θ值。本小节重点介绍逻辑回归的损失函数。
1.4K10发布于 2020-02-26 - 来自专栏信数据得永生
django 1.8 官方文档翻译：9-2 本地特色附加功能
由于历史因素，Django自带了django.contrib.localflavor – 各种各样的代码片段，有助于在特定的国家地区或文化中使用。为了便于维护以及减少Django代码库的体积，这些代码现在在Django之外单独发布。
34840编辑于 2022-11-27 - 来自专栏yuyy.info技术专栏
第十周算法提高9-2文本加密
本文最后更新于 1163 天前，其中的信息可能已经有所发展或是发生改变。 #include<iostream> using namespace std; int main(){ char arr[55]; int i=0; cin>>arr; while(arr[i]!='\0'){ if(arr[i]=='A')arr[i]='B'; else if(arr[i]=='A')arr[i]='B'; else if(arr[i]=='B')arr[i]='C'; else if(a
35410编辑于 2022-06-28 - 来自专栏程序编程之旅
JavaScript---网络编程(9-2)--DHTML技术演示(2-2)-表格加强
现在我们觉得上面的不好，只能从小到大排序，而且排序后颜色也变了。不好看，现在我们来对它进行改进。
83810发布于 2021-01-21 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
这些算法都有一个共同点，即给出的训练样本自身带有标记。比如，使用线性回归预测房价时，我们所使用的每一个训练样本是一个或多个变量(如面积，楼层等)以及自身带有的标记即房价。 我们把使用带有标记的训练样本进行学习的算法称为监督学习(Supervised Learning)。监督学习的训练样本可以统一成如下形式，其中x为变量，y为标记。 ? 所以我们需要对无标记的训练样本进行学习，来揭示数据的内在性质及规律。我们把这种学习称为无监督学习(Unsupervised Learning)。所以，无监督学习的训练样本如下形式，它仅包含特征量。 聚类还有许多其它应用，如图9-2所示。一个非聚类的例子是鸡尾酒会算法，即从带有噪音的数据中找到有效数据(信息)，例如在嘈杂的鸡尾酒会你仍然可以注意到有人叫你。 图9-2 一些聚类的应用 9.2 K-means algorithm 聚类的基本思想是将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个"簇"(cluster)。
1.6K110发布于 2018-03-13 - 来自专栏博客专享
(9-2)：并发工具-线程池
newSingleThreadExecutor()与自己创建一个单线程串行执行任务的区别:
24810编辑于 2025-05-20 - 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 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
这些算法都有一个共同点，即给出的训练样本自身带有标记。比如，使用线性回归预测房价时，我们所使用的每一个训练样本是一个或多个变量(如面积，楼层等)以及自身带有的标记即房价。 我们把使用带有标记的训练样本进行学习的算法称为监督学习(Supervised Learning)。监督学习的训练样本可以统一成如下形式，其中x为变量，y为标记。 ? 聚类还有许多其它应用，如图9-2所示。一个非聚类的例子是鸡尾酒会算法，即从带有噪音的数据中找到有效数据(信息)，例如在嘈杂的鸡尾酒会你仍然可以注意到有人叫你。 图9-2 一些聚类的应用 9.2 K-means algorithm 聚类的基本思想是将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个"簇"(cluster)。 确保K < m，也就是确保簇的数量应该小于样本数； 随机选择K个训练样本； 令K个簇中心 等于K个训练样本。 K均值算法可能陷入局部最优。
1.5K50发布于 2018-04-04 - 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9-2 计算两个复数之积
习题9-2 计算两个复数之积 本题要求实现一个计算复数之积的简单函数。
1.4K30发布于 2020-09-15 - 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
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