摘要： 卷积神经网络CNN——常用于图像识别 （1）卷积层 · 卷积——通过对图像进行卷积运算，可以对图像的某个特征进行选择性的增强或减弱 · 图像的局部性——各个像素点与其附近的像素点之间具有强关联——卷积层利用此对图像的特征进行检测 · 图像的张数——RGB就是三个，即通道数，单色图像通道数为1 · 通 阅读全文

摘要： 需要解决的问题： 1、掉入局部最优解的陷阱 2、过拟合（陷入对特定模式的数据进行最优化，无法对未知输入进行正确的预测） 3、梯度消失——使用ReLU作为激励函数 4、学习时间过长 一些解决方案： 1、更换最优化算法 2、批次尺寸最优化 3、对超参数的最优化（神经网络层数、神经元个数、学习系数） 4、 阅读全文

摘要： 反向传播的实现--回归 %matplotlib inline import numpy as np import matplotlib.pyplot as plt input_data = np.arange(0,np.pi*2,0.1) correct_data = np.sin(input_da 阅读全文

摘要： 反向传播 训练数据与测试数据 损失函数 常用：平方和误差、交叉熵误差 平方和误差 适用于计算连续数值的情况 def square_sum(y,t): return 1.0/2.0*np.sum(np.square(y-t)) 交叉熵误差 学习速度很快，偏差容易被迅速消除 def (y,t): ret 阅读全文

摘要： 多个神经元的实现——回归问题： %matplotlib inline #IPython的魔法函数，可以在IPython编译器里直接使用，作用是内嵌画图，省略掉plt.show()这一步，直接显示图像 import numpy as np import matplotlib.pyplot as plt 阅读全文

摘要： 神经网络 权重w 偏置b 激励函数 f = Σxw + b 上层网络→下层网络 m*n矩阵代表权重矩阵；偏置的数量和下层网络的神经元数量一致，为n； u = np.dot(x,w) + b 一般来说，输出层的神经元数量n个，则用n阶形式的独热编码格式数据来表示 几种激励函数： 1、阶跃函数 阶梯型函 阅读全文

摘要： 上半年学习的一些记录 主要参考的书：《写给新手的深度学习：用Python学习神经网络和反向传播》 Numpy： linspace reshape 广播机制（数组在某一轴上扩展，值和原来一样，扩展之后可以和其他维度的数组做基本计算） 切片 transpose 调换轴 其中transpose(1,0)等 阅读全文

摘要： DPI 深度报文检测 deep packet inspection 深度报文检测，提出的背景是：如P2P、流媒体等新的网络业务的出现，运营商这边的数据流量和网络流量压力变大，需要对流量进行检测，来升级、服务。 简单的报文检测，只分析：源IP、目的IP、源端口、目的端口、协议类型 深度报文检测，是加上 阅读全文

摘要： *Python 的unittest框架 TestCase import unittest class TestDemo(unittest.TestCase): def test_method1(self): print('测试方法1') def test_method2(self): print(' 阅读全文

摘要： *主流技能： 功能测试、自动化测试、接口测试（用postman，对模块/系统之间的数据请求地址来测试）、性能测试（模拟多人、找服务器的缺陷） *测试分类： 按阶段（单元、集成、系统、验收）；代码可见度（黑盒-功能、白盒-代码/单元、灰盒-接口/集成）；自动化测试更偏功能测试；性能测试更偏接口 *测试 阅读全文