为人工智能的第二次寒冬。支持向量机 拥有严格的理论基础，训练需要的样本数量较少，同时也具有良好的泛化能力，相比之 下，神经网络理论基础欠缺，可解释性差，很难训练深层网络，性能也相对一般。图 1.8 绘制了 1943 年~2006 年之间的重大时间节点。 ① 图片来自 https://slideplayer.com/slide/12771753/ ② 图片来自 https://www.glass-bead timeit(gpu_run, number=10) print('run time:', cpu_time, gpu_time) 将不同大小?下的 CPU 和 GPU 环境的运算时间绘制为曲线，如图 1.21 所示。可以看 到，在矩阵?和矩阵?较小时，CPU 和 GPU 时间非常接近，并不能体现出 GPU 并行计算 的优势；在矩阵较大时，CPU 的计算时间明显上升，而 GPU 能充分发挥并行计算优势， , ??, ?}确定了神经元的状态，通过固定?参数即可确定此神经元 的处理逻辑。当神经元输入节点数? = 1(单输入)时，神经元数学模型可进一步简化为： ? = ?? + ? 此时绘制出神经元的输出?和输入?的变化趋势，如图 2.3 所示。随着输入信号?的增加， 输出电平?也随之线性增加，其中?参数可以理解为直线的斜率(Slope)，b 参数为直线的偏 置(Bias)。 ? =

编写一个应用程序，接受地理信息、卫星图像和一些历史天气信息，并预测明天的天气； • 编写一个应用程序，接受自然文本表示的问题，并正确回答该问题； • 编写一个应用程序，接受一张图像，识别出该图像所包含的人，并在每个人周围绘制轮廓； • 编写一个应用程序，向用户推荐他们可能喜欢，但在自然浏览过程中不太可能遇到的产品。 在这些情况下，即使是顶级程序员也无法提出完美的解决方案，原因可能各不相同。有时任务可能遵循一种 随 set_xlim(xlim) axes.set_ylim(ylim) if legend: axes.legend(legend) axes.grid() 通过这三个用于图形配置的函数，定义一个plot函数来简洁地绘制多条曲线，因为我们需要在整个书中可视 化许多曲线。 #@save def plot(X, Y=None, xlabel=None, ylabel=None, legend=None, xlim=None xscale='linear', yscale='linear', fmts=('-', 'm--', 'g-.', 'r:'), figsize=(3.5, 2.5), axes=None): """绘制数据点""" if legend is None: legend = [] set_figsize(figsize) axes = axes if axes else d2l.plt.gca()

脚本，Python，IPython Shell 和 Jupyter Notebook。 seaborn 是一个基于 matplotlib的 Python 数据可视化库。它提供了更易用的高级接口，用 于绘制精美且信息丰富的统计图形。 mpl_toolkits.mplot3d 是一个基础 3D绘图（散点图、平面图、折线图等）工具集，也是 matplotlib 库的一部分。同时，它也支持轻量级的独立安装模式。 方法专门用于线性关系的可视化，适用于回归模型。 数据分析（2D） seaborn.lmplot 方法专门用于线性关系的可视化，适用于回归模型。 数据分析（3D） Axes3D.scatter3D 方法专门用于绘制3维的散点图。 数据归一化（3D） 数据处理：NumPy NumPy 是一个 BSD 开源协议许可的，面向 Python 用户的基础科学计算库，在多 维数组上实现了线性代数、傅立叶变换和其他丰富的函数运算。

(如果你计划在 GPU 上运行 Keras，建议安装)。 • HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。 • graphviz 和 pydot (用于可视化工具绘制模型图)。 然后你就可以安装 Keras 本身了。有两种方法安装 Keras： • 使用 PyPI 安装 Keras (推荐)： sudo pip install keras 如果你使用 virtualenv 以进行测试或验证很有用。 • end_index: 在 end_index 之后的数据点在输出序列中将不被使用。这对保留部分数据以进 行测试或验证很有用。 • shuffle: 是否打乱输出样本，还是按照时间顺序绘制它们。 • reverse: 布尔值: 如果 true, 每个输出样本中的时间步将按照时间倒序排列。 • batch_size: 每个批次中的时间序列样本数（可能除最后一个外）。 返回 一个 可视化 VISUALIZATION 234 18 可视化 Visualization 模型可视化⁇ keras.utils.vis_utils 模块提供了一些绘制 Keras 模型的实用功能 (使用 graphviz)。 以下实例，将绘制一张模型图，并保存为文件： from keras.utils import plot_model plot_model(model, to_file='model

单独以点汇出。如果没有比最大观测值大的数，则 上限为最大值。 14 探索性数据分析(EDA) 寻找关系 为了查看分类变量 - categorical variables对分数的影 响，我们可以通过分类变量的值来绘制密度图。 密度图 还显示单个变量的分布，可以认为是平滑的直方图。 如 果我们通过为分类变量密度曲线着色，这将向我们展示 分布如何基于类别变化的。 15 探索性数据分析(EDA) 这幅图我们可以看到建筑类型对

）。如果你只检测一种对象，那么就没有?1、?2和?3这些预测 分量。 29 2.目标检测算法 mAP（Mean Average Precision） 多个类别的目标检测中，每一个类别都 可以绘制一条P-R曲线，各类别AP的均 值（即所有类别的AP和/类别数目）即 是mAP，mAP衡量的是训练出来的模型 在所有类别上的检测能力的好坏。 AP衡量的是学出来的模型在每个类别上的好坏，mAP衡量的是学出的模型在所有

引进了电源监控的技术预览版本。以下公告可用于电源监控 0.1： RHEA-2024:0078 1.1.1. 功能 部署和删除 Kepler 基于 Intel 的裸机部署的电源使用指标 用于绘制电源使用情况的仪表板 第 第 1 章 章 RED HAT OPENSHIFT 发 发行注 行注记 记 3 第 2 章 电源监控概述 重要 重要 电源监控只是一个技术预览功能。技术预览功能不受红帽产品服务等级协议（SLA）支

来运行您已创建的查询。图表中会直观呈现查询的指标。如果查询无效，则 UI 会显示错误消息。 注意 注意 如果查询对大量数据进行运算，这可能会在绘制时序图时造成浏览器超时或过载。 要避免这种情况，请选择 Hide graph 并且仅使用指标表来校准查询。然后，在找 到可行的查询后，启用图表来绘制图形。 8. 可选：页面 URL 现在包含您运行的查询。要在以后再次使用这一组查询，请保存这个 URL。 其他 其他资 资源

也⽀持动态加载
SSL
证书。
⾃定义插件 5. API
⽹关内置
50
多种常⻅插件，通过对插件的组合使⽤可满⾜常⻅的绝⼤多数⽹关需求。
结合⽀流科技
API
⽹关特有的低代码能⼒，通过绘制流程图的⽅式将插件进⾏组合，可实现更⾼级地 插件使⽤⽅式。 此外，若现有插件⽆法满⾜您的特殊需求，通过使⽤简单易懂的
Lua
语⾔，即可快速编写定制插件； 它可以作⽤于请求从进⼊到响应返回的各

回归是怎么找到这条直线的？答案就是通过 Pytorch 构建一个 简单的计算图来不断学习，最终得到一个足够逼近真实直线参 数方程，这个过程也可以被称为线性回归的学习 / 训练过程。 最终根据得到的参数就可以绘制回归直线。那这个计算图到底 是怎么样的？答案就是很简单的数学知识，最常见的直线方程 如下： （公式 1-1） 假设我们有二维的坐标点数据集： x: 1,2,0.5,2.5,2.6,3.1