深度学习与PyTorch入门实战 - 18.1 激活函数梯度## PyTorch ## 激活函数及其梯度 主讲人:龙良曲 ## Activation Functions  PITTS WITH LETTVIN: Pitts with Jerome Lettvin and one subject0 码力 | 14 页 | 724.00 KB | 2 年前3
常见函数梯度## PyTorch ## 常见函数梯度 主讲人:龙良曲 ## Common Functions |Common Functions|Function|Derivative| |---|---|---| |Constant|c|0| |Line|x|1| ||ax|a| |Square|$ x^{2} $|2x| |Square Root|$ \\sqrt{x} $|$ (\\frac{1 w^{2}+b^{2} $$ $$ xe^{w}+e^{b} $$ $$ [y-(xw+b)]^{2} $$ $$ \mathbf{y}\log(x w+b) $$ ## 下一课时 什么是激活函数 ## Thank You0 码力 | 9 页 | 282.15 KB | 2 年前3
函数计算在双11小程序场景中的应用## 函数计算在双11小程序场景中的应用  吴天龙 阿里云函数计算技术专家  PPT ## 自我介绍 • 吴天龙(花名:木吴) · 阿里云函数计算技术专家 - 2013 年加入阿里云,参与分布式数据库,对象存储等产品的开发。现任阿里云函数计算架构师,聚焦于 Serverless 产品功能在大规模资源伸缩调度、性能优化等系统核心能力的研发。 ## 目录 ✿ 函数计算介绍 技术挑战 ✿ Demo ## 函数计算-介绍 - 通用Serverless计算平台 · 与云端事件源无缝集成 /7/1817bd4d19cae2c9c62d57f47d0f801d/p4_5.jpg) 石墨文档 | 文档实时协同办公-石墨文档 ## 函数计算-介绍 函数计算组件 CLI/SDK/Web Console 依赖的阿里云服务 创建/删除函数 请求调用 负载均衡 同步请求调用 异步请求调用 控制类操作 对象存储(代码)    ## 编写一段在 GPU 上运行的代码 - 定义函数 kernel,前面加上 ___ global___ 修饰符,即可让他在 GPU 上执行。 - 不过调用 kernel 时,不能直接 kernel(),而是要用 kernel<<1, 1>>() 这样的三重尖括号语法。为什么?这里面的两个 1 有什么用?稍后会说明。 • 运行以后,就会在 GPU 上执行 printf 了。 - 这里的 kernel 函数在 GPU 上执行,称为核函数,用 ___ global___ 修饰的就是核函数。 0 码力 | 142 页 | 13.52 MB | 2 年前3
06 PHP基本语法 — 条件、循环、函数 杨亮 《PHP语⾔程序设计》CHINA PHP基本语法 PHPCHINA! HAPPY PHPING PHPCHINA.COM —条件、循环、函数 杨亮 ## 程序的基本结构 程序 运算(+ - x / & | ! ..) 输入 逻辑(条件、循环、递归) 输出 辅助(变量、数组、函数) 小测验 用你熟悉的程序找出 1~1000中的所有质数 ## 我们直接看代码好了 '; } if ($totalqty PHP中的代码重用 - 将其他文件中的html或者php代码引入到本文件 • require()与include(); • require_once()与include_once(); - 可以引入其他的函数库,或者代码片段 1 '; 4 h> ## 为什么自己写有函数 • 代码的可读性 • 代码的可重用性 - 实现功能的模块化 - 实现递归调用  • 使变量名不至于太长(作用域) ## PHP中的函数  ■ 可灵活组合 (生命周期钩子可多次使用) 提供更好的上下文支持 更好的 TypeScript 类型支持 按功能/逻辑组织 ■ 可独立于 Vue 组件使用 ## 什么是可组合的函数 可复用逻辑的集合,专注点分离 export function useDark(options: UseDarkOptions 组合关系 useLocalStorage useStorage useDark useEventListener usePreferredDark useMediaQuery ■ 其中每一个函数都可以独立使用 ☑ 专注点分离 ## 建立"连结"模式 不同于 React,Vue 的 `setup()` 只是在组件建立时执行一次,并建立数据与逻辑之间的连结。 ■ 建立输入0 码力 | 36 页 | 4.87 MB | 2 年前3
机器学习课程-温州大学-09机器学习-支持向量机\frac{w^{T}x+b}{\|w\|}&\leq-d\quad y=-1\end{aligned}\right. $ 我们暂且令d为1(之所以令它等于1,是为了方便推导和优化,且这样做对目标函数的优化没有影响), 将两个方程合并,我们可以简写为: $ y(w^{\mathrm{T}}x + b) \geq 1 $ 至此我们就可以得到最大间隔超平面的上下两个超平面: $ d = \frac{|w^{T}x 支持向量机的最终目的是最大化d  ### 2. 支持向量机求解 函数间隔: $ d^{*} = y_{i}(w^{\mathrm{T}}x + b) $ 几何间隔: $ d=\frac{y(w^{\mathrm{T}}x+b)}{||w||} $ ,当数据被正确分类时,几何间隔就是点到超平面的距离 ight) $ 为几何间隔, $ d^{*} $ 为函数间隔) $$ \max_{w,b}\frac{d^{*}}{||w||} $$ $$ (subject to)\;y_{i}(w^{\mathrm{T}}x_{i}+b)\geq d^{*},\;i=1,2,\ldots,m $$ ### 2. 支持向量机求解 ①转化为凸函数: 先令 $ d^{*}=1 $ ,方便计算(参照衡量,不影响评价结果)0 码力 | 29 页 | 1.51 MB | 2 年前3
共 1000 条
- 1
- 2
- 3
- 4
- 5
- 6
- 100













