如何从零开始参与技术社区?
rights reserved. OpenPie Confidential @2024 OpenPie. All rights reserved. OpenPie Confidential 如何从零开始参与技术社区 王刚,拓数派PieCloudDB 技术专家 @2024 OpenPie. All rights reserved. OpenPie Confidential @2024 OpenPie0 码力 | 25 页 | 871.00 KB | 1 年前3动手学深度学习 v2.0
91 3.1.4 从线性回归到深度网络 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 3.2 线性回归的从零开始实现 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 3.2.1 生成数据集 . . . 整合所有组件 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 3.6 softmax回归的从零开始实现 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 3.6.1 初始化模型参数 . . . 激活函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 4.2 多层感知机的从零开始实现 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 4.2.1 初始化模型参数 . . .0 码力 | 797 页 | 29.45 MB | 1 年前303 从Python开始钱赚钱 邝泽徽
如何从零开始实现网格交易策略 从 Python开始钱赚钱 @Zagfai 2019/10/20 目录 CONTENTS 理财 原理 实现 优化 钱赚钱 → 理财 银行定活期存款 股票债券 互联网理财 – 余额宝 P2P 现货期货大宗商品贵金属 虚拟币 程序化与量化交易 网格策略 特点: 1. 价格波动大; 2. 不在意价格涨跌 为什么 用网格策略交易虚拟币0 码力 | 28 页 | 5.89 MB | 1 年前35 Python深度学习实践
深度学习实践 from Tensorflow to AI-Hub 王顺 – Google Cloud 目录 CONTENTS 从零开始 初步修改 业务升级 实践指南 1 从hello world开始 以深度学习的第一个案例MNIST为例 学习Tensorflow框架的使用及代码编写风格 理解TF Mac CPU运行结果 GPU运行结果 TPU运行结果 TPU的创建和使用0 码力 | 38 页 | 4.85 MB | 1 年前3DeepSeek图解10页PDF
Ollama 软件启动 deepseek-r1 界面 1.3 DeepSeek 本地运行使用演示 基于上面步骤搭建完成后,接下来提问 DeepSeek 一个问题:请帮我分析 Python 编程如何从零开始学习?,下面是它的回答,首先会有一个 think 标签,这里面嵌入的是它的思考过程,不是正式的回复: 图 5: deepseek-r1 回复之思考部分 等我们看到另一个结束标签 think 后,表明它的思考已经结束,下面一行0 码力 | 11 页 | 2.64 MB | 7 月前3【PyTorch深度学习-龙龙老师】-测试版202112
预览版202112 第 11 章 循环神经网络 4 练得到的词向量表能较好地表征单词的语义特征。 11.1.2 预训练的词向量 Embedding 层的查询表是随机初始化的,需要从零开始训练。实际上,我们可以使用 预训练的 Word Embedding 模型来得到单词的表示方法,基于预训练模型的词向量相当于 迁移了整个语义空间的知识,往往能得到更好的性能。 目前应用的比较广泛的预训练模型有 可以发现,任务 A 和任务 B 存在大量的共享知识,比如这些动物都可以从毛发、体型、形 态、发色等方面进行辨别。因此在任务 A 训练获得的分类器已经掌握了这部份知识,在训 练任务 B 的分类器时,可以不从零开始训练,而是在任务 A 上获得的知识的基础上面进行 训练或微调(Fine-tuning),这和“站在巨人的肩膀上”思想非常类似。通过迁移任务 A 上 学习的知识,在任务 B 上训练分类器可以使用更少的样本和更少的训练代价,并且获得不 和 B,如果它们的特征提取方法是相近的,则网络的前面数层可以重用,网络后面 的数层可以根据具体的任务设定从零开始训练。 如图 15.6 所示,左边的网络在任务 A 上面训练,学习到任务 A 的知识,迁移到任务 B 时,可以重用网络模型的前面数层的参数,并将后面数层替换为新的网络,并从零开始 训练。我们把在任务 A 上面训练好的模型叫做预训练模型,对于图片分类来说,在 ImageNet 数据集上面预训练的模型是一个较好的选择。0 码力 | 439 页 | 29.91 MB | 1 年前3Python 3.10.15 正则表达式 HOWTO
中返回开始和结束索引。由于 match() 方法只检查正则是否在字符串的开头匹配,所以 start() 将始终 为零。但是,模式的 search() 方法会扫描字符串,因此在这种情况下匹配可能不会从零开始。: >>> print(p.match('::: message')) None >>> m = p.search('::: message'); print(m)0 码力 | 18 页 | 391.85 KB | 10 月前3Python 3.8.20 正则表达式 HOWTO
元组中返回开始和结束索引。由于 match() 方法只检查正则是否在字符串的开头匹配,所以 start() 将始终为零。但是,模式的 search() 方法会扫描字符串,因此在这种情况下匹配可能不会从零开始。: >>> print(p.match('::: message')) None >>> m = p.search('::: message'); print(m)0 码力 | 17 页 | 393.47 KB | 10 月前3Python 3.8.20 正则表达式 HOWTO
元组中返回开始和结束索引。由于 match() 方法只检查正则是否在字符串的开头匹配,所以 start() 将始终为零。但是,模式的 search() 方法会扫描字符串,因此在这种情况下匹配可能不会从零开始。: >>> print(p.match('::: message')) None >>> m = p.search('::: message'); print(m)0 码力 | 17 页 | 393.47 KB | 10 月前3Python 3.10.15 正则表达式 HOWTO
元组中返回开始和结束索引。由于 match() 方法只检查正则是否在字符串的开头匹配,所以 start() 将始终为零。但是,模式的 search() 方法会扫描字符串,因此在这种情况下匹配可能不会从零开始。: >>> print(p.match('::: message')) None >>> m = p.search('::: message'); print(m)0 码力 | 17 页 | 393.01 KB | 10 月前3共 113 条- 1
- 2
- 3
- 4
- 5
- 6
- 12