2468 条“操练起来-11” 相关内容
- Erlang指南：效率指南 | Guide: Efficiency guide11.分析 | 11. Profiling
11.分析 | 11. Profiling
11剖面图 11.1不要猜测性能配置文件 即使是经验丰富的软件开发人员也常常对其程序中的性能瓶颈进行错误的猜测。因此，请对程序进行分析，查看性能瓶颈所在，并集中精力优化它们。
- Erlangorber11.Orber拦截器 | 11. Orber Interceptors
11.Orber拦截器 | 11. Orber Interceptors
11Orber拦截器 11.1使用拦截器 对于Inter-ORB通信，例如通过IIOP，可以拦截请求和回复。为了能够使用InterceptorsOrber，interceptors必须定义配置参数。
- Erlang指南：ERTS | Guide: ERTS11. External Term Format
11. External Term Format
11外部术语格式 11.1引言 外部术语格式主要用于Erlang的分发机制。 由于Erlang具有固定数量的类型，因此程序员不需要为某些应用程序中使用的外部格式定义规范。
- Erlang指南：参考手册 | Guide: Reference manual11.错误和错误处理 | 11. Errors and Error Handling
11.错误和错误处理 | 11. Errors and Error Handling
11错误和错误处理 11.1术语 错误大致可分为四种不同的类型： 编译时错误 逻辑错误 运行时错误 产生的误差 编译时错误，例如语法错误，并不会引起太多麻烦，因为它被编译器捕获。
- Erlang指南：设计原则 | Guide: Design principles释放处理 | 11. Release Handling
释放处理 | 11. Release Handling
11版本处理 11.1发布处理原则 Erlang编程语言的一个重要特性是能够在运行时更改模块代码，代码替换，如Erlang参考手册中所述。
- Python内置类型 | Built-in TypesTypes: 11. Context Manager Types
Types: 11. Context Manager Types
11.ContextManagerTypes 2.5版本中的新功能。 Python的with语句支持由上下文管理器定义的运行时上下文的概念。
- C++语言 | Languageattribute specifier sequence(since C++11)
attribute specifier sequence(since C++11)
- TensorFlow教程 | TutorialsSimple Audio Recognition（简单的音频识别）
Simple Audio Recognition（简单的音频识别）
最大的（在这种情况下大约80％的数据）用于操练网络，一个较小的组（在这里称为“验证”）被保留用于评估操练期间的准确性，另一组（最后一组10％，“测试”）用于评估操练完成后的准确度。
- TensorFlow教程 | TutorialsRecurrent Neural Networks（复发性神经网络）
Recurrent Neural Networks（复发性神经网络）
为此，我们将使用PennTreeBank（PTB）数据集，该数据集是衡量这些模型质量的流行基准，同时规模较小，操练速度相对较快。 语言建模是许多有趣问题的关键，如语音识别，机器翻译或图像字幕。
- Erlangcommon_test11. Using Common Test for Large-Scale Testing
11. Using Common Test for Large-Scale Testing
11使用通用测试进行大规模测试 11.1总则 大规模的自动化测试需要并行运行多个独立的测试会话。这是通过CommonTest在一个或多个主机上运行一些节点，测试不同的目标系统来完成的。
- Erlangsnmp检测函数的定义 | 11. Definition of Instrumentation Functions
检测函数的定义 | 11. Definition of Instrumentation Functions
11仪表功能的定义 仪表功能定义部分描述了代理在不同时间调用的用户定义功能。 11.1可变仪表 对于标量变量，f(Operation,...)必须定义一个函数。
- Erlangmnesia11.附录C：分段表散列回调接口 | 11. Appendix C: Fragmented Table Hashing Callback Interface
11.附录C：分段表散列回调接口 | 11. Appendix C: Fragmented Table Hashing Callback Interface
11附录C：碎片化表哈希回调接口 11.1mnesia_frag_hash回调行为 -module(mnesia_frag_hash).
- TensorFlow教程 | TutorialsVector Representations of Words（字词的向量表示）
Vector Representations of Words（字词的向量表示）
- TensorFlow扩展 | ExtendCreating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
Creating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
在tf.estimator中创建估计器 tf.estimator框架可以通过其高级别的EstimatorAPI轻松构建和操练机器学习模型。
- TensorFlow指南 | GuideImporting Data（数据导入）
Importing Data（数据导入）
例如，图像模型的管道可能会聚合来自分布式文件系统中的文件的数据，将随机扰动应用于每个图像，并将随机选择的图像合并为一批以进行操练。
- TensorFlow教程 | TutorialsTensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
- TensorFlow指南 | GuideEmbeddings（嵌套）
Embeddings（嵌套）
嵌入 本文档介绍了嵌入的概念，给出了如何在TensorFlow中操练嵌入的简单示例，并解释了如何使用TensorBoard嵌入式投影仪查看嵌入。
- TensorFlow教程 | TutorialsTensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
TensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
4.使用以下命令执行教程代码以操练本教程中描述的线性模型： $pythonwide_n_deep_tutorial.py--model_type=wide 请继续阅读以了解此代码如何构建其线性模型。
- TensorFlow教程 | TutorialsTutorials（教程）
Tutorials（教程）
如何重新操练新类别的最后一层，其中有一个很好的不言自明的标题。 TF层指南：建立一个卷积神经网络，它引入了卷积神经网络（CNN），并演示了如何在TensorFlow中建立一个CNN。
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
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