-
.NET高级话题
.NET高级话题 正则表达式装配件 匹配嵌套结构 Capture对象 .NET高级话题 Advanced.NET 下面的内容涉及某些尚未介绍过的特性：通过正则装配件（regex assemblies）构建正则表达式库，使用.NET专属的特性匹配嵌套结构，以及对Capture对象的讲解。 正则表达式装配件 Regex Assemblies ... -
空标题文档
9.4.2 步骤2：确定价格范围 竞争性价格点的估算有多种方法。 ·专家咨询：询问内部和外部资源，得到合理价格的建议。工程师、经营管理人员和其他技术人员可以就特定价格范围内制造某种产品的技术可行性提供见解。已经建立的销售渠道往往是丰富的信息来源，可以通过它们了解提议中的新产品相对于竞争产品能够为客户提供何种价值。 ·消费者调查：消费者调查的许多标准技... -
RelativeLayout VS LinearLayout
RelativeLayout VS LinearLayout RelativeLayout VS LinearLayout 在老版本的SDK中，创建一个默认的Android项目，系统默认创建的是LinearLayout作为activity_main.xml的根布局。而在新版本的SDK中，系统已经使用RelativeLayout来作为默认的根布局。其原因... -
6.3 Batch Normalization
6.3 Batch Normalization 6.3.1 Batch Normalization 的算法 6.3.2 Batch Normalization的评估 6.3 Batch Normalization 在上一节，我们观察了各层的激活值分布，并从中了解到如果设定了合适的权重初始值，则各层的激活值分布会有适当的广度，从而可以顺利地进行学习。... -
7.8 小结
7.8 小结 7.8 小结 本章介绍了 CNN。构成 CNN 的基本模块的卷积层和池化层虽然有些复杂，但是一旦理解了，之后就只是如何使用它们的问题了。本章为了使读者在实现层面上理解卷积层和池化层，花了不少时间进行介绍。在图像处理领域，几乎毫无例外地都会使用 CNN。请扎实地理解本章的内容，然后进入最后一章的学习。 本章所学的内容 CNN在此前... -
8.6 小结
8.6 小结 8.6 小结 本章我们实现了一个（稍微）深层的 CNN，并在手写数字识别上获得了超过 99% 的高识别精度。此外，还讲解了加深网络的动机，指出了深度学习在朝更深的方向前进。之后，又介绍了深度学习的趋势和应用案例，以及对高速化的研究和代表深度学习未来的研究案例。 深度学习领域还有很多尚未揭晓的东西，新的研究正一个接一个地出现。今后，全世界... -
6.3 树的抽象数据类型
6.3 树的抽象数据类型 6.3 树的抽象数据类型 相对于线性结构，树的操作就完全不同了，这里我们给出一些基本和常用操作。 ADT 树( tree ) Data 树是由一个根结点和若干棵子树构成。树中结点具有相同数据类型及层次关系。 Operation InitTree (* T ): 构... -
6.6 二叉树的性质
6.6 二叉树的性质 6.6.1 二叉树性质1 6.6.2 二叉树性质2 6.6.3 二叉树性质3 6.6.4 二叉树性质4 6.6.5 二叉树性质5 6.6 二叉树的性质 二叉树有一些需要理解并记住的特性，以便于我们更好地使用它。 6.6.1 二叉树性质1 性质1：在二叉树的第i层上至多有2i-1个结点（i≥1）。 这个性质很好记忆，... -
8.4.1 折半查找
8.4.1 折半查找 8.4.1 折半查找 我们在讲树结构的二叉树定义（本书第6.5节）时，曾经提到过一个小游戏，我在纸上已经写好了一个100以内的正整数数字请你猜，问几次可以猜出来，当时已经介绍了如何最快猜出这个数字。我们把这种每次取中间记录查找的方法叫做折半查找，如图8-4-1所示。 图8-4-1 折半查找（Binary Search）技术... -
9.9.2 快速排序复杂度分析
9.9.2 快速排序复杂度分析 9.9.2 快速排序复杂度分析 我们来分析一下快速排序法的性能。快速排序的时间性能取决于快速排序递归的深度，可以用递归树来描述递归算法的执行情况。如图9-9-7所示，它是{50,10,90,30,70,40,80,60,20}在快速排序过程中的递归过程。由于我们的第一个关键字是50，正好是待排序的序列的中间值，因此递归树...