精华内容
下载资源
问答
  • 很基础的Python入门书,配有丰富的在线练习,可以让你轻松的入门Python编程。
  • Published as a conference paper at ICLR 2018THERMOMETER ENCODING: ONE HOT WAY TO RESIST ADVERSARIAL EXAMPLESJacob Buckman∗†, Aurko Roy∗, Colin Raffel, Ian Goodfellow Google Brain Mountain View, CA ...
  • The-Way-to-Go

    2017-06-14 19:20:30
    The-Way-to-Go
  • The Way to Go

    2019-02-17 19:57:38
    The Way to Go,讲解golang 的书,适合简单入门,英文文字版
  • Dropout:A Simple Way to Prevent Neural Networks from Overfitting.zip
  • the-way-to-go_ZH_CN, 《The Way to Go》中文译本,中文正式名《Go入门指南》
  • The Way To Go.pdf

    2019-05-24 12:14:20
    The Way To Go
  • The-Way-to-Go.rar

    2020-02-17 18:08:47
    The-Way-to-Go
  • The way to flask 中文版

    2018-09-02 16:41:11
    The way to flask 中文版 简洁的flask 教程,有实例。 通过讲解 Flask 以及它的扩展们,介绍通用用法以及使用过程中的问题和坑,帮助读者使用 Python 编程语言快速得开发健壮的 Web(API)服务端程序。
  • A Smarter Way to Learn JavaScript 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络,如有侵权,请联系上传者或csdn删除 本资源转载自网络,如有侵权,请联系...
  • A Smarter way to learn HTML and CSS ePub版本的电子书
  • a smarter way to learn jquery,超高清。非常不错的资源
  • 对于VASP小白非常管用,基本是手把手教学,可以0基础入门学习VASP。Bulk计算的一些基本的计算,拟合以及优化晶格常数,都会包含在内。
  • about how to ask in smart way
  • 知识共享协议使用常见问题解答非官方翻译项目.epub SBT 中文手册.epub The Way To Flask 中文版.epub Consul 简介和快速入门.epub
  • 解决办法 :所有的集合和有序集合key都加一个前缀,是的所有的数据都在一个redis集群的终端。 private static final String prefix = "luffi:lbl"; private static final String KEY_SPLIT = ":";...

    解决办法 :所有的集合和有序集合key都加一个前缀,是的所有的数据都在一个redis集群的终端。

        private static final String prefix = "luffi:lbl";
        private static final String KEY_SPLIT = ":"; //用于隔开缓存前缀与缓存键值
         //将文章放入时间排列表中
        jedisCluster.zadd("{" + prefix + KEY_SPLIT + "}" + "time", Double.parseDouble(now + ""), articleid);
        //将文章放入分数排列表中
        jedisCluster.zadd("{" + prefix + KEY_SPLIT + "}" + "score", Double.parseDouble(now + VOTE_SCORE + ""), articleid);
        //将文章id放入指定分类中
        jedisCluster.sadd("{" + prefix + KEY_SPLIT + "}" + "group_" + group, articleid);
    
    展开全文
  • A smart way to learn javascrpt
  • A Smarter Way to Learn JavaScript

    热门讨论 2014-05-21 18:32:42
    A Smarter Way to Learn JavaScript 亚马逊上面评价超高的一本书,我也是找了好久才找到。 包括 pdf, epub, mobi 三个版本
  • Golang入门指南the way to go

    千次阅读 2019-03-30 20:52:42
    最近读完了《Go入门指南》,这本书理论和实践结合,是学习golang的很好的学习资料。 书中的例子,是很好的参考。适合初学者入门以及有一定基础的人进阶,读来定有...电子书: The way to go github:The way to go ...

    最近读完了《Go入门指南》,这本书理论和实践结合,是学习golang的很好的学习资料。
    书中的例子,是很好的参考。适合初学者入门以及有一定基础的人进阶,读来定有收获。

    这本书的电子资源地址如下:

    电子书: The way to go
    github:The way to go

    展开全文
  • 讲解AB测试的经典之作,The Most Powerful Way to Turn Clicks Into Customers
  • Way to Sms”是一个用python编写的桌面应用程序,可通过Way2Sms网关在印度各地发送免费短信
  • 解决Warning: NEWFF used in an obsolete way.  【转载请注明出处】http://blog.csdn.net/guyuealian/article/details/53954005  使用Matlab工具箱创建神经网络时,需要用到newff函数,但若使用旧版本的newff...

    解决Warning: NEWFF used in an obsolete way.   See help for NEWFF to update calls to the new argument list.

    转载请注明出处】http://blog.csdn.net/guyuealian/article/details/66969232

         使用Matlab工具箱创建神经网络时,需要用到newff函数,但若使用旧版本的newff函数,会出现下面的警告:

    >> net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx') ; %旧版本
    Warning: NEWFF used in an obsolete way. 
    > In obs_use at 18
      In newff>create_network at 127
      In newff at 102 
              See help for NEWFF to update calls to the new argument list.


    一、新旧版本newff函数差异和解决方法:

         这种警告是由于使用旧版本的newff参数列表,解决方法很简单,就是改为新版本形式参数列表:

    net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx') ; %旧版本
    net2 = newff( input,output', [10] , { 'logsig' 'purelin' } , 'traingdx' ) ;    %新版本

        说明:旧版本中第一个参数需要结合minmax()函数使用,新版本不需要了;新版本中不需要指定输出层的神经元个数,改为由输入参数output决定,其他参数不变。

          这是新旧版本创建神经网络的方法, 但存在另外一个问题,即使相同的数据和参数下,新旧版本的计算结果总是不一样,而且二者偏差很大,通常新版本的newff方法的识别率总是偏低。

         网上找了一些原因:newff.m分成三大块:主程序、新版实现子函数 new_5p1()、旧版实现子函数 new_5p0()。通过仔细比较新旧这两个子函数,发现新版设置了net.divideFcn 属性,其值为'dividerand'。该函数把样本数据三分为训练集、验证集和测试集,默认比例是6:2:2。

         若想减少新旧版本之间的差异,需要清除net2.divideFcn等属性再训练,否则结果相去甚远,且远不止一个数量级。因此,解决新旧版本newff之间差异的方法,是在新版中net2中再添加一条语句:

    net2.divideFcn = '';

         下面内容是函数说明和例子,倘若您的问题解决的话,可以不看了……

    二、新版newff函数参数说明:

    (1)net=newff(P,T,S)或者net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)
       P:输入参数矩阵。(RxQ1),其中Q1代表R元的输入向量。其数据意义是矩阵P有Q1列,每一列都是一个样本,而每个样本有R个属性(特征)。一般矩阵P需要归一化,即P的每一行都归一化到[0 1]或者[-1 1]。
       T:目标参数矩阵。(SNxQ2),Q2代表SN元的目标向量。
       S:N-1个隐含层的数目(S(i)到S(N-1)),默认为空矩阵[]。输出层的单元数目SN取决于T。返回N层的前馈BP神经网络
       TF:相关层的传递函数,默认隐含层为tansig函数,输出层为purelin函数。
       BTF:BP神经网络学习训练函数,默认值为trainlm函数。
       BLF:权重学习函数,默认值为learngdm。
       PF:性能函数,默认值为mse。
       IPF,OPF,DDF均为默认值即可。
    如:

    net = newff( minmax(TrainData) , [50 4] , { 'logsig' 'purelin' } , 'traingdx' ) ;%旧版本
    PS:其中TrainData:是输入的训练的数据矩阵,注意TrainData矩阵形式每一列是一个样本,每一行是样本的属性或特征
    net = newff( input,output, [50] , { 'logsig' 'purelin' } , 'traingdx' ) ;        %新版本
    (2)传递函数
       purelin 线性传递函数
       tansig 正切 S 型传递函数
       logsig 对数 S 型传递函数
       隐含层和输出层函数的选择对BP神经网络预测精度有较大影响,一般隐含层节点转移函数选用 tansig函数或logsig函数,输出层节点转移函数选用tansig函数或purelin函数。
    (3)学习训练函数
    神经网络的学习分为有导师学习和无导师学习。
       最速下降BP算法:traingd
       动量BP算法:traingdm
       学习率可变的BP算法:trainda(学习率可变的最速下降BP算法);traindx(学习率可变的动量BP算法)
       弹性算法:trainrp
       变梯度算法:traincgf(Fletcher-Reeves修正算法)
                traincgp(Polak_Ribiere修正算法)
                traincgb(Powell-Beale复位算法)
                trainbfg(BFGS 拟牛顿算法)
                trainoss(OSS算法)
                trainlm(LM算法)
    参数说明:通过net.trainParam可以查看参数
        Show Training Window Feedback   showWindow: true
        Show Command Line Feedback showCommandLine: false
        Command Line Frequency            show: 两次显示之间的训练次数
        Maximum Epochs                   epochs: 训练次数
        Maximum Training Time              time: 最长训练时间(秒)
        Performance Goal                      goal: 网络性能目标
        Minimum Gradient                  min_grad: 性能函数最小梯度
        Maximum Validation Checks         max_fail: 最大验证失败次数
        Learning Rate                           lr: 学习速率
        Learning Rate Increase              lr_inc: 学习速率增长值
        Learning Rate                       lr_dec: 学习速率下降值
        Maximum Performance Increase  max_perf_inc:
        Momentum Constant                       mc: 动量因子

    三、新版newff与旧版newff语法对比【例子源代码下载
          http://download.csdn.net/detail/guyuealian/9795364 

         下面以Iris数据分类为例子,将Iris数据集分为2组,每组各75个样本,每组中每种花各有25个样本,每种样本有4个属性(特征)。其中一组作为以上程序的训练样本,另外一组作为检验样本。为了方便训练,将3类花分别编号为1,2,3 。使用这些数据训练一个4输入(分别对应4个特征),3输出(分别对应该样本属于某一品种的可能性大小)的前向网络。

         根据上面的题意,我知道输入训练数据矩阵input有4个特征共75个样本(input=4×75),输出output为3个类别(3×75),假设,使用三层网络结构,那么第一层输入层的神经元个数由输入矩阵的特征决定(即3个),隐含层神经元个数可自定义设定(本例是10个),输出层的神经元个数由预期样本类别决定(即3个类别), 整个Matlab程序如下:

    clc,clear 
    %读取训练数据
    [f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);
    %特征值归一化
    [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;
    %构造输出矩阵
    s = length( class ) ;
    output = zeros( s , 3  ) ;
    for i = 1 : s 
       output( i , class( i )  ) = 1 ;
    end
    %创建神经网络
     net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx') ;   %旧版本
    % net = newff( input,output', [10] , { 'logsig' 'purelin' } , 'traingdx' ) ;    %新版本
    % net.divideFcn = '';
    %设置训练参数
    net.trainparam.show = 50 ;
    net.trainparam.epochs = 500 ;
    net.trainparam.goal = 0.01 ;
    net.trainParam.lr = 0.01 ;
    %开始训练
    net = train( net, input , output' ) ;
    %读取测试数据
    [t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);
    %测试数据归一化
    testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;
    %仿真
    Y = sim( net , testInput ) ;
    %统计识别正确率
    [s1 , s2] = size( Y ) ;
    hitNum = 0 ;
    for i = 1 : s2
        [m , Index] = max( Y( : ,  i ) ) ;
        if( Index  == c(i)   ) 
            hitNum = hitNum + 1 ; 
        end
    end
    sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )

        运行发现,旧版本的识别率是稳定在 97.333%左右,而改用新版本newff且不设置net.divideFcn = '';时的识别率只有 90.667%- 94.667%,设置net.divideFcn = '';后,二者相差不大了。



    如果你觉得该帖子帮到你,还望贵人多多支持,鄙人会再接再厉,继续努力的~

    展开全文
  • Go语言学习之常量(The way to go)

    万次阅读 2017-02-23 00:46:34
    上一篇博客《Go语言学习之变量(The way to go)介绍了go中的变量,今天就介绍常量。const关键字跟c++中一样,go中同样具有const关键字,来声明常量。 语法是这样的:const variable type = value;下面就是简单的常量...

    生命不止,继续go go go .

    上一篇博客《Go语言学习之变量(The way to go)介绍了go中的变量,今天就介绍常量。

    const关键字

    跟c++中一样,go中同样具有const关键字,来声明常量。
    语法是这样的:

    const variable type = value;

    下面就是简单的常量定义:

    const LENGTH int = 10
    const WIDTH int = 5  

    同样可以用块的形式声明一系列常量:

    package main
    
    import 
    展开全文
  • A Smarter Way to learn JS

    2019-02-22 17:56:36
    A Smarter Way to Learn JavaScri - Myers, Mark
  • 提问的智慧 《How To Ask Questions The Smart Way》 英文版
  • Way_to_learn_IT-源码

    2021-05-30 11:20:21
    Way_to_learn_IT
  • 在黑客的世界里,当你拋出一个技术问题时,最终是否能得到有用的回答,往往取决于你所提问和追问的方式。本指南将教你如何正确的提问以获得你满意的答案。How To Ask Questions The Smart Way...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 502,387
精华内容 200,954
关键字:

toway