-
13.1 为何要用AWT？
13.1 为何要用AWT？ 13.1 为何要用AWT？ 对于本章要学习的“老式”AWT，它最严重的缺点就是它无论在面向对象设计方面，还是在GUI开发包设计方面，都有不尽如人意的表现。它使我们回到了程序设计的黑暗年代（换成其他话就是“拙劣的”、“可怕的”、“恶劣的”等等）。必须为执行每一个事件编写代码，包括在其他环境中利用“资源”即可轻松完成的一些任务。... -
6.5 超参数的验证
6.5 超参数的验证 6.5.1 验证数据 6.5.2 超参数的最优化 6.5.3 超参数最优化的实现 6.5 超参数的验证 神经网络中，除了权重和偏置等参数，超参数 （hyper-parameter）也经常出现。这里所说的超参数是指，比如各层的神经元数量、batch 大小、参数更新时的学习率或权值衰减等。如果这些超参数没有设置合适的值，模型的性... -
4.5 案例研究：中国移动电话市场
4.5 案例研究：中国移动电话市场 下面是中国移动电话市场的一个主要参与者所做的竞争对手分析。简单地说，分析找出了如下样板信息。 方框1、2、3的关键信息表现出不匹配的情况。一个想要成为全球运营商的竞争对手，怎么能够在无法偿还债务的情况下，提供最低价的电话服务？关键的假设是公司内部经营，它与可能不再有效的一个文化推动因素有关。这就为另一个竞争对手提... -
6.5 二叉树的定义
6.5 二叉树的定义 6.5.1 二叉树特点 6.5.2 特殊二叉树 6.5 二叉树的定义 现在我们来做个游戏，我在纸上已经写好了一个100以内的正整数数字，请大家想办法猜出我写的是哪一个？注意你们猜的数字不能超过7个，我的回答只会告诉你是“大了”或“小了”。 这个游戏在一些电视节目中，猜测一些商品的定价时常会使用。我看到过有些人是一点一点的数字... -
8.1 加深网络
8.1 加深网络 8.1.1 向更深的网络出发 8.1.2 进一步提高识别精度 8.1.3 加深层的动机 8.1 加深网络 关于神经网络，我们已经学了很多东西，比如构成神经网络的各种层、学习时的有效技巧、对图像特别有效的 CNN、参数的最优化方法等，这些都是深度学习中的重要技术。本节我们将这些已经学过的技术汇总起来，创建一个深度网络，挑战 MNI... -
参考文献
参考文献 Python / NumPy 计算图（误差反向传播法） 深度学习的在线课程（资料） 参数的更新方法 权重参数的初始值 Batch Normalization / Dropout 超参数的最优化 CNN 的可视化 具有代表性的网格 数据集 计算的高速化 MNIST 数据集识别精度排行榜及最高精度的方法 深度学习的应用 ... -
空标题文档
杨帅 宝贝计画绘本儿童美术教育创始人兼CEO 继续保持中国儿童原创绘本第一地位，打通儿童美育O2O新模式，精确数值系统，以优质项目植入阿里巴巴百川计划孵化，完成线下实体和APP的深度整合，致力于点亮每个孩子的想象力。” -
九死一生
九死一生 九死一生 毋庸置疑，关键时候肯定是樊哙挺身而出挡住了项羽。然而，樊哙在刘邦手下是第一勇士，但在项羽面前只能发出“既生樊何生项”的感叹。数回合过后，已是左支右绌，只有招架之功无还手之力了。 周勃见了，挥刀就上。于是，接下来上演的是“二英战项羽”一幕。《三国演义》里面，三英战吕布，最终打成了平手，双方握手言和。而此时二英战项羽，却是项羽更胜一筹... -
3.6 手写数字识别
3.6 手写数字识别 3.6.1 MNIST 数据集 3.6.2 神经网络的推理处理 3.6.3 批处理 3.6 手写数字识别 介绍完神经网络的结构之后，现在我们来试着解决实际问题。这里我们来进行手写数字图像的分类。假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播 （forward p...