学习

深度学习在图像智能审核中的应用（nsfw篇）深度学习在图像智能审核中的应用 nsfw 篇 NSWF notsuitablef 图片 顾名思义 就是一些不太适合在工作中浏览的图片 本文介绍的工作是通过深度卷积神经网络来对此类图片进行自动化的审核 由于 NSFW 图片的定义范围比较广泛 本文主要针对色情图片 后文统一用 NSFW 图片来表示 的审核 不包括文字 写实暴力 政治相关不当内容的审核 随着计算机视觉 改进的训练数据和深度学

RBM学习算法RBM 基础 RBM 模型是基于能量的模型 对于一组给定的状态 v h nbsp v h 其能量函数为 E nbsp nbsp v h nbsp i 1 nbsp N nbsp v nbsp nbsp a nbsp i nbsp v nbsp i nbsp nbsp j 1 nbsp N nbsp h nbsp nbsp b nbsp j nbsp h nbsp j nbsp nbsp i 1 nbsp N nbsp v nbsp nbsp nbsp j 1 nbsp N nbsp h nbsp nbsp h nbsp j nbsp w nbsp ji nbsp v nbsp i nbsp nbsp E theta v h displaystyle sum i 1 N v a iv i displaystyle s

《深入浅出WPF》学习笔记之一发现一本对 WPF 讲解的十分透彻的教程 是刘铁猛大大的 深入浅出 WPF 的讲解视频 讲得很清晰 视频地址 nbsp 深入浅出 WPF 视频列表以下是新建 WPF 项目课程的笔记 c 编译器 MicroSoftwin c 编译命令 csc 生成 WPF 项目时的初始化文件 App xaml App xmal csStartupUri Main

对 makefile 中 .SUFFIXES 的学习体会当前目录中存在 gao g 文件 其实际内容是一个简单的 C 语言程序 先是用如下的例子来看 例子一 SUFFIXES SUFFIXES g oLIBS gao oall LIBS o g echo in o g 运行结果是 noruletomake o

机器学习中的数学——常用概率分布（七）： 拉普拉斯分布（Laplace分布）拉普拉斯分布 Laplace 分布 允许我们在任意一点 mu 处设置概率质量的峰值 Laplace x 12 e x text Laplace x mu gamma frac 1 2 gamma e frac x mu gamma Laplace x 2 1 e x 拉普拉斯分布的期望为 mu 方差为 2 22 gamma 22 2 偏度为 0 峰度为 3 拉普拉斯分布的概率密度与正态分布看起来很像 下图为标准拉普拉斯分布 1 ga

0x00 – Python学习笔记文章目录前言目录前言这将会是一本适用于仅了解一点编程知识的人学习 其中会用简洁易懂的语言 就像 Python 语言的初衷一样 和大量的易懂的例子来讲述 Python 中的知识点 尽量不做知识的搬运工目录 0x01 初识 python 猜数游戏 0x02 Python 的选择与循环 0x03 Python 的列表和元组

程序化交易学习笔记（一）了解学习期货程序化交易及其编程程序化交易 制定规则 严格按照规则去交易 本质 构建投资组合 程序化交易不是 科研 而是一项 工程 巴菲特说 分散化是对于无知的一种保护一 为什么要进行程序化交易减少盯盘的压力与情绪上的干扰 外盘也需要关注 超级行情时 人的情绪无法打败固定的交易模型 复制成功的交易模式其他优势 利用统计优势寻找机会点加快策略研发的速度 让交易规模达到效率化 系统化减少盲目失败

netty源码学习之服务端客户端初始化本篇博文从 netty 的使用例子出发 服务端 bind 方法和客户端的 connect 方法 分别分析了一下 netty 服务端和客户端的建立过程 大量篇幅 最终给予对上述理解简要总结了一次基于 netty 的一次请求和响应过程图解 希望对大家学习 netty 知识有所帮助 如果帮到你的话希望点赞 转发 一键三连让我们一起在技术的海洋遨游 奥利给

python机器学习库sklearn——交叉验证（K折、留一、留p、随机）全栈工程师开发手册 作者 栾鹏 python 数据挖掘系列教程学习预测函数的参数 并在相同数据集上进行测试是一种错误的做法 一个仅给出测试用例标签的模型将会获得极高的分数 但对于尚未出现过的数据它则无法预测出任何有用的信息 这种情况称为 overfitting 过拟合 为了避免这种情况 在进行 监督 机器学习实验时 通常取出部分可利用数据作为 testset 测试

文献解读-物理信息深度学习(PINN)我们介绍了物理信息神经网络 神经网络训练解决监督学习任务 同时尊重任何给定的物理定律 由一般非线性偏微分方程描述 我们在解决两类主要问题的背景下提出了我们的发展 偏微分方程的数据驱动解和数据驱动发现 根据可用数据的性质和布局 我们设计了两类不同的算法 即连续时间模型和离散时间模型