方法重载 程序代码 package teacher; public class MethodOverload { public static void main(String[] args) { System.out.println("The square of integer 7 is " + square(7)); System.out.println("\nThe square of double 7.5 is " + square(7.5
很久很久以前，就有一个想法，开一个博客，把自己工作生活中的所学、所练、所想记录下来，毕竟好记性不如烂笔头。但一直以太忙为借口，没有正式动手去做。说到底，就是太懒，畏惧困难，怕自己三天打鱼两天晒网，坚持不下去。 最近，和一个朋友聊天中，被ta刺激了，终于还是忍不住决定动手。值此guoqing、zh
动手动脑 一、EnumTest.java package day02; public class EnumTest { public static void main(String[] args) { Size s = Size.SMALL; Size t = Size.LARGE; // s和t引用同一个对象？ System.out.println(s == t);
自己动手写SQL执行引擎 前言 在阅读了大量关于数据库的资料后，笔者情不自禁产生了一个造数据库轮子的想法。来验证一下自己对于数据库底层原理的掌握是否牢靠。在笔者的github中给这个database起名为Freedom。 整体结构 既然造轮子，那当然得从前端的网络协议交互到后端的文件存储全
引言 redis大家在项目中经常会使用到。官网也提供了多语言的客户端供大家操作redis,如下图所示但是，大家有思考过，这些语言操作redis背后的原理么？其实，某些大神会说 只要按照redis的协议，发送指定数据给redis，监听返回值即可。 确实，本质原理就是如上面那句话所说。博主也是以这种思路
记一次自己动手实现一个简单神经网络 之前一直调包，最近刷算法题，就突发奇想，想自己试一试实现一个简单的神经网络模型。 从简单的开始，先实现一个二分类模型，使用印第安人糖料病数据集，数据集合源码可直接在github获取：github 记一次自己动手实现一个简单神经网络参数初始化定义
本章学了栈（后进先出）与队列（先进先出）的应用与区别，栈又分为顺序栈与链栈。栈有栈底与栈顶，队列有队尾和队头。还对比学习了递归算法（自顶向下求解问题的编程方法）和迭代算法（自底向上求解问题的编程方法）。递归函数还可以理解，但要自己动手应用还是相当困难。代码编写以及优化能
gluon动手学深度学习 视频教程地址 论坛网址 视频教程网址
自己动手用写简单的验证码(JAVA) import javax.imageio.ImageIO; import javax.servlet.ServletException; import javax.servlet.annotation.WebServlet; import javax.servlet.http.HttpServlet; import javax.servlet.http.HttpServletRequest; import javax.servlet.http.Http
批量归一化（BatchNormalization） 对输入的标准化（浅层模型）：处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型）：利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输
优化算法、 word2vec、词嵌入 易错点： 点赞 收藏 分享 文章举报 yq313210 发布了8 篇原创文章 · 获赞 1 · 访问量 156 私信 关注
文章目录9.1 图像增广9.1.1 常用的图像增广方法9.1.1.1 翻转和裁剪9.1.1.2 变化颜色9.1.1.3 叠加多个图像增广方法9.1.1 使用图像增广训练模型9.2 微调9.2.1 热狗识别9.2.1.1 获取数据集9.2.1.2 定义和初始化模型9.2.1.3 微调模型9.3 目标检测和边界框9.4 锚框 9.1 图像增广
引入注意力机制原因 在“编码器—解码器（seq2seq）”⼀节⾥，解码器在各个时间步依赖相同的背景变量（context vector）来获取输⼊序列信息。 然而RNN机制实际中存在长程梯度消失的问题，对于较长的句子，我们很难寄希望于将输入的序列转化为定长的向量而保存所有的有效信息，所以随着所需翻译
参考伯禹学习平台《动手学深度学习》课程内容内容撰写的学习笔记 原文链接：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/lesson/yxuHJjjhqYCh3thUzcVXaN 感谢伯禹平台，Datawhale，和鲸，AWS给我们提供的免费学习机会！！ 总的学习感受：伯禹的课程做的很好，课程非常系统，每个
机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer 2.15-2.19 一、机器翻译及相关技术 定义： 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序
一、机器翻译 Encoder-Decoder (可以应用在对话系统、生成式任务中) encoder：输入到隐藏状态 decoder：隐藏状态到输出 class Encoder(nn.Module): def __init__(self, **kwargs): super(Encoder, self).__init__(**kwargs) def forward(self, X, *args):
学习《动手深度学习》pytorch版 打卡第二次 Task03-Task05 我们学校已经开始上网课，老师也布置了作业，布置了比赛。时间不是那么的充裕了，但还是会坚持看《动手深度学习》的网课。 点赞 收藏 分享 文章举报 鴞音 发布了2 篇原创文章 · 获赞 1
第二次打卡内容（2月15日-18日） Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶（1天） Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer（1天） Task05：卷积神经网络基础；leNet；卷积神经网络进阶（1天） 感觉内容比较多啦，终于看完了。。 下面附上一些学习
机器翻译 与seq2seq 由于机器翻译任务中输入输出都是不定长序列，我们可以使用编码器—解码器（encoder-decoder）或者seq2seq模型 。 注意力机制 attention模仿人类注意力，能让模型更关注数据的局部。 点赞 收藏 分享 文章举报 我是飞行模式 发
其他问题 1. 模型选择、欠拟合和过拟合 1.1 训练误差和泛化误差 1.2 模型选择 1.2.1 验证数据集 1.2.2 \(K\) 折交叉验证 由于验证数据集不参与模型训练，当训练数据不够用时，预留大量的验证数据显得太奢侈。一种改善的方法是\(K\)折交叉验证（\(K\)-fold cross-validation）。在\(K\)折
这次课程设计，给我带来了太多太多，它让我更加熟练地运用链表，让我明白了要设计一个合格的软件的大体框架是怎么样的。在此之前，我对链表的运用还不是很熟练，而我选择的课程设计--学生学籍管理系统，要求用多条链表交叉来完成，这可让我想破了头，尽管到了最后我没能用到题目所要求的数据结构，
继上一篇单向链表，单线链表可以进一步扩展为环，如下图所示：特点：1、第一个节点称为头部节点，最后一个节点称为尾部节点2、每个节点都单方面的指向下一个节点3、尾部节点下一个节点指向头部节点题目：17世纪的法国数学家加斯帕讲了这样一个故事： 15个教徒和15 个非教徒，在深海海上遇险，必须将一半
转自：https://www.jianshu.com/p/4b30e1dd2252 common_funcs.py import numpy as np import matplotlib.pyplot as plt def sigmoid(x): return 1/(1+np.exp(-x)) def softmax(a): exp_a = np.exp(a) sum_exp_a = np.sum(exp_a) y = exp_a / sum_exp_a
网上有很多关于这些的内容，我今天写的原因，是为了记录一下自己的学习过程，顺便巩固一下过去的所学的，我想把这些当做我生活中的一部分，并一步步深入学习下去。并附上一句经典名言（基础不牢，地动上摇！） let's go!我们先来了解一下集合体系，向下看 学过了javase，对上面的大部分过内容应该
动手造轮子：实现一个简单的依赖注入(二) --- 服务注册优化 Intro 之前实现的那版依赖注入框架基本可用，但是感觉还是不够灵活，而且注册服务和解析服务在同一个地方感觉有点别扭，有点职责分离不够。于是借鉴 Autofac 的做法，增加了一个 ServiceContainerBuilder 来负责注册服务，ServiceCo
