## PyTorch ## 感知机-2 主讲人：龙良曲 ## Perceptron  $$ \frac{\partial E}{\partial w_{j0}}=\left(O_{0}-t\right)O_{0}\left(1-O_{0}\right)x_{j}^{0}

## PyTorch ## 感知机 主讲人：龙良曲 recap $$ \blacksquare y=X W+b $$ $$ \begin{aligned}&\blacksquare y=\sum x_{i}*w_{i}+b\end{aligned} $$  ## 下一课时 MLP及梯度 ## Thank You

encoder 中作者将类别作为一个可学习的 patch $ (z_{0}) $ 输入模型，与图像的 patch+pos 信息作为 multi-head attention 的输入。 可以叠加多层 encoder:  ### 2. 模型介绍 模型介绍 ## 模型框架 最简洁的Vision Transformer模型，先将图片分成16x16的patch块，送入transformer encoder，第一个cls token的输出送入mlp head得到预测结果。  ![I 模型缺点与改进 ## V iT缺点 Vision Transformer比CNN具有更少的图像特异性归纳偏差。 在CNN中，局部性、二维邻域结构和平移等方差被融入到整个模型的每一层中。 在ViT中，只有MLP层是局部的、平移等变的，而自注意层是全局的。 二维邻域结构的使用非常少：在模型的开始通过将图像分割成小块，在微调时调整不同分辨率图像的位置嵌入。 除此之外，初始化时的位置嵌入不携带关于patch

FIT2CLOUD 飞致云 ## JumpServer 广受欢迎的开源堡垒机 2023 年 10 月 企业为什么需要堡垒机？ JumpServer 堡垒机的优势 JumpServer 堡垒机企业版 JumpServer 堡垒机一体机及信创方案 JumpServer 案例研究（江苏农信、东方明珠、小红书） ## 为什么要使用堡垒机？ - 以更安全的方式管控和登录各种类型的资产 - 管理者期望 jpg) 数据库  安全设备 堡垒机   临时访客 ## FIT2CLOUD 飞致云 堡垒机的 4A 能力 身份鉴别 Authentication 授权控制 Authorization 账号管理 Accounting 安全审计 Auditing ## 堡垒机需要具备的四个核心能力 - 运维安全审计的 4A 规范 - ## authentication 身份鉴别

## JumpServer 广受欢迎的开源堡垒机 ## 目录 企业为什么需要堡垒机？ JumpServer 堡垒机的优势 JumpServer 堡垒机企业版 JumpServer 一体机及信创方案 JumpServer 公开案例研究 ## 为什么要使用堡垒机？ - 以更安全、更高效的方式管控和登录各种类型的资产 - 管理者期望 事前授权 事中监察 事后审计  远程应用 堡垒机  临时访客 身份鉴别 Authentication 授权控制 Authorization 账号管理 Accounting 安全审计 Auditing ## 堡垒机需要具备的四个核心能力 - 运维安全审计的 4A 规范 - ![Image](/uploads/documents/6/d/7/2/6d72d6b076b669f2a901760c0d6ddd8c/p4_1

forward() Step1. ☐ ☐ ☐ class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() ## Step2 ## ☀️ ☀️ ☁️ class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() self.model nn.Linear(200, 10), nn.ReLU(inplace=True), Step3. ☐ ☐ ☐ class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() self.model = nn.Sequential( nn.Linear(784, 200), relu(x, inplace=True) In [57]: layer=nn.ReLU() In [58]: x=layer(x) ## Train ## ☀️ ☀️ ☁️ net = MLP() optimizer = optim.SGD(net.parameters(), lr=learning_rate) criteon = nn.CrossEntropyLoss() for

## PyTorch ## MLP反向传播 主讲人：龙良曲 ## Chain rule ## $$ w_{jk}^{1} \xrightarrow{\sum} O_{k}^{1} \xrightarrow{\sum} O_{k}^{2} \xrightarrow{\sum} E \xrightarrow{\sum} t_{k} $$ $$ \frac{\partial E}{\partial

# Hyper-V 给虚拟机换磁盘-centos 怎么开头呢，咱也不知道，先上图吧：  某实体服务器使用了 Hyper-V 作为基础虚拟化设施，其上运行若干虚拟机，其中有台虚拟机运行的是 Centos7 的系统，主要运行 web 服务器，刚开始给它分配了 的磁盘，后来在实际的使用过程中发现这台虚拟机用不了那么多的存储空间，所以想给它降一下配置，只分配 10GB 的磁盘。因为 Hyper-V 本身只能给虚拟机的虚拟磁盘扩容，不支持缩小，所以没别的办法，只能换一个虚拟磁盘，把原来的位于 100GB 磁盘上的 centos7 系统整体迁移到新的 10GB 的磁盘上。（这和给实体机的 centos7 系统换磁盘是差不多的步骤） ## 操作的主要流程如下： 0. 先进入目标虚拟机（cen 先进入目标虚拟机（centos7_web_serv1），查看运行的服务及某些关键配置，再关机 1. 给目标虚拟机（centos7_web_serv1）添加一块虚拟磁盘，容量为 10GB 2. 给目标虚拟机添加一个虚拟光驱，使用 centos7 的镜像 iso 文件 3. 设置目标虚拟机的启动顺序，让 CD/DVD 优先启动，并进入 centos7 光盘的救援系统 4. 在 centos7 光盘的救援系统里，给新添加的

.. 124 3.7.3 优化算法 ..... 125 3.7.4 训练 ..... 125 多层感知机 ..... 127 4.1 多层感知机 ..... 127 4.1.1 隐藏层 ..... 128 4.1.2 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 ..... 135 4.2.2 激活函数 激活函数 ..... 136 4.2.3 模型 ..... 136 4.2.4 损失函数 ..... 136 4.2.5 训练 ..... 136 4.3 多层感知机的简洁实现 ..... 138 4.3.1 模型 ..... 138 4.4 模型选择、欠拟合和过拟合 ..... 139 4.4.1 训练误差和泛化误差 ..... 140 4.4.2 模型选择 ..... 6.3 神经网络与GPU ..... 215 卷积神经网络 ..... 217 6.1 从全连接层到卷积 ..... 218 6.1.1 不变性 ..... 218 6.1.2 多层感知机的限制 ..... 219 6.1.3 卷积 ..... 220 6.1.4 “沃尔多在哪里”回顾 ..... 221 6.2 图像卷积 ..... 222 6.2.1 互相关运算

## 机器学习-支持向量机 黄海广 副教授 2022年02月 ## 本章目录 01 支持向量机概述 02 线性可分支持向量机 03 线性支持向量机 04 线性不可分支持向量机 ### 1. 支持向量机概述 ## 01 支持向量机概述 02 线性可分支持向量机 03 线性支持向量机 04 线性不可分支持向量机 ### 1. 支持向量机概述 支持向量机（Support Vector argin hyperplane）。 与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。  ### 1. 支持向量机概述 硬间隔、软间隔和非线性 SVM  线性不可分 假如数据是完全的线性可分的，那么学习到的模型可以称为硬间隔支持向量机。换个说法，硬间隔指的就是完全分类准确，不能存在分类错误的情况。软间隔，就是允许一定量的样本分类错误。 ### 1. 支持向量机概述 ## 算法思想 找到集合边缘上的若干数据（称为支持向量（Support Vector）），用这些点找出一个平面（称为决策面），使得支持向量到该平面的距离最大。