云山之巅

摘要： 一.概述 卷积神经网络【Convolutional neural networks】里面最重要的构建单元是卷积层。神经元在第一个卷积层不是连接输入图片的每一个像素，只是连接它们感受野1的像素，以此类推，第二个卷积层的每一个神经元仅连接位于第一个卷积层的一个小方格的神经元。 感受野 卷积层 由此牵扯出 阅读全文

摘要： 1.入门 结果： 2.发送消息 结果： 阅读全文

摘要： 程序执行完成后，在dos命令窗口或linux窗口运行命令，参数logdir是你程序保存log日志设置的地址。 效果如下： 结果： 一层神经网络： 二层神经网络： 神经网络计算图： 神经元输出的分布： 数据分布直方图： 数据可视化： 阅读全文

摘要： 二.代码实现【python】 三.结果【python】 四.代码实现【Spark】 五.模拟源码实现【Spark】 六.结果【Spark】 阅读全文

摘要： 一.概述 二.核心概念 1.用例图 1.包含关系 当可以从两个或两个以上的用例中提取公共行为时，应该使用包含关系来表示他们。其中这个提取出来的公共用例称为抽象用例，而把原始用例称为基本用例或基础用例。 使用include表示，箭头指向抽象用例！ 2.扩展关系 如果一个用例明显地混合了两种或两种以上的 阅读全文

摘要： 结果： 分析： 从结果可知：整体训练和测试准确率较高，前期波动较大，后期逐渐趋于稳定，收敛！ 阅读全文

摘要： Softmax 一.Softmax回归简介 案例：MNIST手写数字识别 1.为了得到一张给定图片属于某个特定数字类的证据【evidence】，对图片像素进行加权求和。如果这个像素具有很强的证据说明这张图片不属于该类，那么相应的权值为负值相反如果这个像素拥有有利的证据支持这张图片属于这个类，那么权值 阅读全文

摘要： 结果： Epoch 0 MSE = 9.128207 Epoch 100 MSE = 4.893214 Epoch 200 MSE = 4.8329406 Epoch 300 MSE = 4.824335 Epoch 400 MSE = 4.8187895 Epoch 500 MSE = 4.814 阅读全文

摘要： 1.简介 Ant 是一个 Apache 基金会下的跨平台的基于 Java 语言开发的构件工具。这是一个基于开放的操作系统构建和部署的工具，该工具需要从命令行执行。 2.特点 Ant 是基于 Java 语言开发的构建和部署工具。 Ant 具有平台无关性，可以处理平台特有的属性，诸如文件分隔符。 Ant 阅读全文

摘要： 一.概述 1.音量，音调，音色和声音带宽 音量：声音的强弱程度，取决于声音波形的幅度及振幅。 音调：声音的尖锐程度，取决于声波的基频。 音色：由混入基音的泛音决定。 声音的带宽：指声音信号的频率范围。 2.常见声音频率范围 人耳听觉：20Hz~20kHz 人口说话：300~3400Hz 乐器：20H 阅读全文

摘要： 结果： 解析： 魔法方法__init__()和__str__()用于初始化对象和返回对象信息，类似于java中的构造函数和toString()方法。 阅读全文

摘要： 一.简介 TensorFlow是Google第二代机器学习和深度学习框架，支持CNN、RNN和LSTM算法，可以跨平台运行。TensorFlow底层部分是C++实现，具有较高的执行效率。支持不同的前端，包含Python和C++。 二.安装 安装TensorFlow框架需要安装一些依赖工具，这些工具包 阅读全文

摘要： or 一.系统开发方法论 1.结构化分析与设计 结构化分析方法学也称为生命周期方法学，它采用结构化分析、设计、编程来完成软件开发的各项任务。具有阶段性、推迟实现、文档管理三大特点。 基本思想：自顶向下，逐层分解。 概要设计：设计软件的结构，确定系统是由哪些模块组成，以及每个模块之间的关系。 详细设计 阅读全文

摘要： 结果： 阅读全文

摘要： 一.软件开发模型 二.XP极限编程十二最佳实践 阅读全文

摘要： 一.简介 二.IP 三.TCP&UDP 1、TCP面向连接（如打电话要先拨号建立连接）;UDP是无连接的，即发送数据之前不需要建立连接； 2、TCP提供可靠的服务。也就是说，通过TCP连接传送的数据，无差错，不丢失，不重复，且按序到达;UDP尽最大努力交付，即不保证可靠交付； 3、TCP面向字节流， 阅读全文

摘要： 结果： 总结： 1.在epsilon（半径）相同的情况下，m（数量）越大，划分的聚类数目就可能越多，异常的数据就会划分的越多。在m（数量）相同的情况下，epsilon（半径）越大，划分的聚类数目就可能越少，异常的数据就会划分的越少。因此，epsilon和m是相互牵制的，合适的epsilon和m有利于 阅读全文

摘要： 结果： 1.当k=2时： 2.当k=6时： 3.当k=30时： 总结：当聚类个数较少时，算法运算速度快但效果较差，当聚类个数较多时，运算速度慢效果好但容易过拟合，所以恰当的k值对于聚类来说影响极其明显！！ 阅读全文

摘要： 使用数据： 结果（测试集&预测集）： 内部决策树结构： 总结：可知该随机森林共有10棵树组成，预测结果为10棵树的投票为准。每棵树的最大层次为4，这是为了避免层次过高带来的计算压力和过拟合！ 阅读全文

摘要： 结果： 总结：可知不同的超参数对聚类的效果影响很大，因此在聚类之前采样的数据要尽量保持均匀，各类的方差最好先进行预研，以便达到较好的聚类效果！ 阅读全文