- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-6 R语言函数 排序
#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v
37140发布于 2020-09-16 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（4-6章节）
个人认为注释还是要写，算是对代码的中文翻译，因为我们的英语水平，命名习惯各不相同。
29610编辑于 2022-06-28 - 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
对于不同的深度神经网络模型，使用新GPU后端，通常比浮点CPU快2-7倍。对4个公开模型和2个谷歌内部模型进行基准测试的效果如下： ? 使用GPU加速，对于更复杂的神经网络模型最为重要，比如密集的预测/分割或分类任务。 在相对较小的模型上，加速的效果就没有那么明显了，使用CPU反而有利于避免内存传输中固有的延迟成本。 如何使用？
1.1K30发布于 2019-04-24 - 来自专栏人人都是极客
支持移动GPU、推断速度提升4-6倍
对于不同的深度神经网络模型，使用新GPU后端，通常比浮点CPU快2-7倍。 在更加复杂的神经网络模型上 GPU 加速效果最显著，这些模型本身更有利于 GPU 的利用，例如密集的预测 / 分割或分类任务。 在此步骤中，我们还为中间张量管理 GPU 内存，以尽可能减少后端的内存占用 必要时将输出移动到 CPU：一旦深度神经网络完成处理，框架将结果从 GPU 内存复制到 CPU 内存，除非网络的输出可以直接在屏幕上呈现
1.6K20发布于 2019-03-15 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-6 网格搜索与k近邻算法中更多超参数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。
78700发布于 2019-11-13 - 来自专栏人工智能与演化计算成长与进阶
15非监督学习异常检测4-6构建与评价异常检测系统
Note 对于异常检测问题而言，样本数据集往往是倾斜的，即 标记为 1 异常的数据往往很少，而标记为 0 即正常的数据往往很多 此时使用准确率等方法来进行判断一个模型的好坏往往是不合适的，所以通过 查准率和查全率以及 F1 分数能够很好的分析和判断这个问题
1.8K11发布于 2020-08-14 - 来自专栏desperate633
第4-6课 数据的过滤where子句操作符使用通配符进行过滤
实际查询中，通常不会检索所有行，需要对数据进行筛选过滤，选出符合我们需要条件的数据。
1.9K10发布于 2018-08-22 - 来自专栏yuyy.info技术专栏
《Go语言精进之路：从新手到高手的编程思想、方法和技巧1》4-6章笔记
醍醐灌顶到没有，别扭确实存在。当然这需要一段时间来适应，说下这段时间最难接受的点吧。 1、文件的单一职责做不好，一个文件里有多个结构体，想知道某个结构体有哪些方法，需要借助IDE 2、命名使用单字母，特定场景能理解，例如循环里的i，遍历map的k,v，但是很多单字母不是这种常见场景里的。代码整洁之道里说命名要见名知意，宁愿用长命名也不用无法表达清楚的短命名，这点go背道而驰。此书里说有时需要短命名加注释，而代码整洁之道里说注释就不应该存在，如果要用注释，说明写的代码无法准确清晰的表达意思。
1.1K20编辑于 2022-09-21 - 来自专栏人工智能前沿讲习
ICLR2019 | 表示形式语言：比较有限自动机和循环神经网络
Patel(Rice University) 论文地址：https://arxiv.org/abs/1902.10297 研究背景 循环神经网络（RNN）对真实世界中带噪声的序列数据具有不可思议的建模效果 图1展示了用正则语言[（（[4-6]{2}[4-6]+）？）3[4-6]+]生成的样本训练得到的RNN网络的t-SNE嵌入。虽然，右侧的MDFA包含6个状态，我们发现左侧的RNN状态呈现出5个点簇。 图1：右侧是刻画正则语言[（（[4-6]{2}[4-6]+）？）3[4-6]+]的自动机，左侧是对应的RNN的隐层状态空间可视化的结果。该图用不同的颜色区分DFA状态。 （1）早期的状态抽取方法采用动态状态划分过程从二阶循环神经网络抽取DFA。（2）基于聚类的抽取方法。 后续将采用该研究扩展到上下文无关语言、递归可枚举语言及它们对应的神经网络上。
1.2K10发布于 2020-05-13 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 练习4-6 猜数字游戏
练习4-6 猜数字游戏 猜数字游戏是令游戏机随机产生一个100以内的正整数，用户输入一个数对其进行猜测，需要你编写程序自动对其与随机产生的被猜数进行比较，并提示大了（“Too big”），还是小了（“Too
1.2K20发布于 2020-09-15 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题4-6 水仙花数
习题4-6 水仙花数 水仙花数是指一个N位正整数（N≥3），它的每个位上的数字的N次幂之和等于它本身。例如：153=13+53+33。 本题要求编写程序,计算所有N位水仙花数。
90140发布于 2020-09-15 - 来自专栏机器学习养成记
神经网络-BP神经网络
感知器作为初代神经网络，具有简单、计算量小等优点，但只能解决线性问题。 BP神经网络在感知器的基础上，增加了隐藏层，通过任意复杂的模式分类能力和优良的多维函数映射能力，解决了异或等感知器不能解决的问题，并且BP神经网络也是CNN等复杂神经网络等思想根源。 1 基本概念 BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点就是：信号是前向传播，而误差是反向传播。 2 BP神经网络结构 BP神经网络包含输入层、隐藏层和输出层，其中，隐藏层可有多个，其中，输入层和输出层的节点个数是固定的（分别是输入样本的变量个数和输出标签个数），但隐藏层的节点个数不固定。 以具有单隐藏层的BP神经网络为例，其网络结构如下图： ? 3 BP神经网络原理公式 以单隐藏层的BP神经网络为例，各阶段原理公式如下： 前向传播。
2.3K20发布于 2021-03-04 神经图
NEAT是从简单的单层网络逐步演化成复杂的神经网络拓扑结构的一种方法。 如果鼠标悬停在神经元上，会弹出一个标签来描述它是哪种类型的神经元（S形，正弦，余弦，高斯等）。具有大重量级的连接将具有比光连接更暗且更厚的颜色。 我最终做的是用一个单线性加隐藏神经元（不是sigmoid）来初始化网络，并且把所有的输入连接到这个初始神经元，并且把这个初始神经元连接到所有三个输出通道，所有这三个输出通道都具有随机的初始权值。 image.png 黄色的正弦神经元已被随机添加在与最初的加性神经元分离的后一代中，以产生重复的关键模式。 对于我的网络，我实际上允许所有隐藏的神经元自由地与网络中的另一个非输入神经元连接，所以实际上我们很可能最终得到循环网络。感谢recurrent.js中的Graph对象，这不是很难做到。
1.4K101发布于 2018-02-05- 来自专栏实战docker
JavaCV的摄像头实战之十三：年龄检测
https://github.com/zq2599/blog_demos 本篇概览 本文是《JavaCV的摄像头实战》系列的第十三篇，前文《JavaCV的摄像头实战之十二：性别检测》中，借助训练好的卷积神经网络模型开发出了识别性别的应用 系列的其他文章，就会发现上图中只有蓝色部分是新增内容，其余的步骤都是固定套路，《JavaCV的摄像头实战》系列的每一个应用玩的都是相同套路：别看步骤挺多，其实都是同一个流程 关于性别和年龄检测 使用卷积神经网络推理性别和年龄的更多技术细节 相册，通过从 iPhone5（或更高版本）智能手机设备自动上传组装而成，并由其作者根据知识共享 (CC) 许可向公众发布，共有26580张照片，涉及2284人，这些人的年龄一共被标识成八组：（0-2、4- 设置训练模型时划分的年龄段，所以推理结果也是这样的年龄段 */ private static final String[] AGES = new String[]{"0-2", "4- Point max = new Point(); // 把prob理解为一个数组， // 第一个元素是"0-2"的置信度 // 第二个元素是"4-
74020编辑于 2022-01-06 - 来自专栏智能大数据分析
【机器学习-神经网络】循环神经网络
在前面两篇文章中，我们分别介绍了神经网络的基础概念和最简单的MLP，以及适用于图像处理的CNN。从中我们可以意识到，不同结构的神经网络具有不同的特点，在不同任务上具有自己的优势。 这就是本文要介绍的循环神经网络（recurrent neural networks，RNN）。 一、循环神经网络的基本原理 我们先从最简单的模型开始考虑。 因此，这样重复的网络结构可以用图2中的循环来表示，称为循环神经网络。 图2 RNN的循环表示 RNN的输入与输出并不一定要像上面展示的一样，在每一时刻都有一个输入样本和一个预测输出。
79600编辑于 2025-01-22 - 来自专栏全栈程序员必看
神经网络学习 之 BP神经网络
上一次我们讲了M-P模型，它实际上就是对单个神经元的一种建模，还不足以模拟人脑神经系统的功能。由这些人工神经元构建出来的网络，才能够具有学习、联想、记忆和模式识别的能力。 BP网络就是一种简单的人工神经网络。 本文具体来介绍一下一种非常常见的神经网络模型——反向传播(Back Propagation)神经网络。 ，如果输出层的第一个神经单元的输出值比第二个神经单元大，我们认为这个数据记录属于第一类，否则属于第二类。 ，隐含层有 p p p个神经元，输出层有 q q q个神经元。 由此，我们得到神经网络隐层神经元个数的选取原则是：在能够解决问题的前提下，再加上一两个神经元，以加快误差下降速度即可。 3.初始权值的选取 一般初始权值是取值在(−1,1)之间的随机数。
6.5K20编辑于 2022-09-01 - 来自专栏生信小驿站
黑箱方法-神经网络①人工神经网络
人工神经网络 人工神经网络的概念 人工神经网络（Artificial Neural Networks，ANN）是对一组输入信号和一组输出信号之间的关系进行建模，使用的模型来源于人类大脑对来自感觉输入的刺激是如何反应的理解 通过调整内部大量节点（神经元）之间相互连接的权重，从而达到处理信息的目的。 从广义上讲，人工神经网络是可以应用于几乎所有的学习任务的多功能学习方法：分类、数值预测甚至无监督的模式识别。 人工神经网络的构成与分类 常见的人工神经网就是这种三层人工神经网络模型，如果没有隐含层，那就是两层人工神经网络；如果有多层隐含层那就是多层人工神经网络。 小圆圈就是节点，相当于人脑的神经元。 这是我们主要使用的B-P神经网络模型就是典型的前馈式神经网络模型。 另外,由于层数和每一层的节点数都可以改变，多个结果可以同时进行建模，或者可以应用多个隐藏层（这种做法有时称为深度学习 (deep learning） 第二种是反馈式神经网络，这种神经网络的特点是层间节点的连接是双向的
1.1K30发布于 2018-08-27 - 来自专栏WOLFRAM
大脑、神经元、认知：计算神经科学
它包含大约 1 千亿个神经元，共同来处理信息，并按功能和结构细分为特定的区域。大脑解剖学、神经元的特征和认知图谱被用于表示功能组织的一些关键特性以及我们神经系统的处理能力。 我们新的神经科学内容将带给你大脑、神经元和认知的事实，让你有机会窥视这神奇的神经科学世界。 找到支配左手的神经： 使用 AnatomyPlot3D 函数进行立体可视化： 神经元特性 到目前为止，我们已经看过我们神经系统的宏观图片。现在让我们看看大脑的功能单位，神经元。 "神经元"实体类型可用的各种属性可用于单类神经元的物理、电生理和空间特征： 我们可以得到在特定大脑区域中发现的神经元类型的信息。 例如，我们可以得到海马神经元的列表，这与情绪状态、短期到长期记忆的转换和空间记忆的形成相关联： 收集更多的细节，神经元集合的列表，其轴突在海马的 CA1 神经纤维区域分叉： 神经元传输电信号以便彼此通信
92870发布于 2018-05-31 - 来自专栏生命科学
神经干细胞移植 “逆转” 神经损伤 - MedChemExpress
在神经退行性疾病中，特定的神经元亚群，例如多巴胺能和胆碱能神经元或运动神经元会逐渐退化，导致特定模式的神经系统功能障碍。传统药物治疗用于延缓疾病进展，不能使功能修复或组织再生[1]。 关于神经干细胞及其分化 神经干细胞 (NSCs) 被喻为中枢神经系统 (CNS) 的 “种子” 细胞，不同神经细胞系的产生起源于成体神经干细胞。 神经元(Neurons) 是神经系统结构和功能的基本单位，通过轴突和树突传递信号。典型的神经元由树突、细胞体、轴突 (包括轴突丘) 和突触前末端组成。神经元自身不能再生。 除了参与细胞通讯外，星形胶质细胞还能通过释放神经营养因子，如胶质细胞系衍生的神经营养因子 (GDNF)，以及降低神经元的兴奋中毒，发挥神经保护作用。 FGF-8诱导神经前体细胞 (iNPCs) 衍生多巴胺能神经元 (DA) 生成的关键因子。GDNF一种神经营养因子，能促进中脑多巴胺能神经元的存活分化，支持人多能干细胞来源的神经祖细胞向神经元分化。
73660编辑于 2022-12-23 - 来自专栏智能大数据分析
【机器学习-神经网络】卷积神经网络
本文继续讲解基于神经网络的模型。在MLP中，层与层的神经元之间两两连接，模拟了线性变换 \boldsymbol W\boldsymbol x+\boldsymbol b 。 事实上，用卷积进行图像处理的技术在神经网络之前就已经出现了，而神经网络将其威力进一步增强。 为了在图像上应用卷积，我们先把一维的卷积扩展到二维。 这一概念同样来源于神经科学，本义是指一个感觉神经元所支配的感受器在视网膜、皮肤等位置能感受到外界刺激的范围。 图6 最大池化 三、用卷积神经网络完成图像分类任务 下面，我们讲解如何用PyTorch实现一个卷积神经网络，并用它完成图像分类任务。该任务要求模型能识别输入图像中的主要物体的类别。 对于深度神经网络来说，其参数量非常庞大。然而，高质量的训练样本又非常稀缺，许多时候要依赖人工标注，费时费力，这使得神经网络的复杂度往往会超过数据的复杂度，从而发生过拟合的情况。
67500编辑于 2025-01-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号