-
空标题文档
18.1 事件 如果我在现实生活中问你，“什么是事件”，你可能会说这是“发生的某件事情”。这是一个很好的定义，这个定义在编程中也同样适用。很多程序都需要对“发生的事情”做出反应。比如说： 移动或点击鼠标； 按键； 经过了一定时间。 目前为止，我们写的大多数程序自始至终都沿着一条可以预测的路径运行，可能中间会有一些循环或条件。不过，除此以... -
空标题文档
20.3 事件处理器的返回 通过前几章的 Pygame 程序，我们已经学习了事件处理器，另外了解了如何使用事件处理器查找键盘和鼠标活动（也就是事件）。这些内容对 PyQt 同样适用。 在 MyWindowClass 中，我们定义了窗口的事件处理器。因为按钮在主窗口中，所以事件处理器也要放在这里。 首先需要告诉主窗口，我们正在为一个特定的组件编写一个事... -
空标题文档
20.6 TempGUI 你已经在第 3 章“动手试一试”部分中建立了第一个温度转换程序。第 5 章中，我们又为它增加了用户输入，这样一来，需要转换的温度就不必硬编码写在程序中了。在第 6 章中，我们使用了 EasyGui 来得到输入并且显示输出。现在我们要使用 PyQt 来建立这个温度转换程序的一个图形化版本。 TempGUI 组件 我们的温度转换... -
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... -
4.3 数值微分
4.3 数值微分 4.3.1 导数 4.3.2 数值微分的例子 4.3.3 偏导数 4.3 数值微分 梯度法使用梯度的信息决定前进的方向。本节将介绍梯度是什么、有什么性质等内容。在这之前，我们先来介绍一下导数。 4.3.1 导数 假如你是全程马拉松选手，在开始的 10 分钟内跑了 2 千米。如果要计算此时的奔跑速度，则为 2/10 = 0.2... -
5.6 Affine/Softmax 层的实现
5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 5.6.2 批版本的 Affine 层 5.6.3 Softmax-with-Loss 层 5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 神经网络的正向传播中，为了计算加权信号的总和，使用了矩阵的乘积运算（NumPy 中是 np.dot... -
读入数据
5.7.3 误差反向传播法的梯度确认 5.7.4 使用误差反向传播法的学习 参数 X 是图像数据、t 是正确解标签 accuracy(self, x, t) 计算识别精度 numerical_gradient(self, x, t) 通过数值微分计算关于权重参数的梯度（同上一章） gradi... -
6.4 正则化
6.4 正则化 6.4.1 过拟合 6.4.2 权值衰减 6.4.3 Dropout 6.4 正则化 机器学习的问题中，过拟合 是一个很常见的问题。过拟合指的是只能拟合训练数据，但不能很好地拟合不包含在训练数据中的其他数据的状态。机器学习的目标是提高泛化能力，即便是没有包含在训练数据里的未观测数据，也希望模型可以进行正确的识别。我们可以制作复杂的... -
9.5 直接插入排序
9.5 直接插入排序 9.5.1 直接插入排序算法 9.5.2 直接插入排序复杂度分析 9.5 直接插入排序 扑克牌是我们几乎每个人都可能玩过的游戏。最基本的扑克玩法都是一边摸牌，一边理牌。假如我们拿到了这样一手牌，如图9-5-1所示。啊，似乎是同花顺呀，别急，我们得理一理顺序才知道是否是真的同花顺。请问，如果是你，应该如何理牌呢？ 图9-5... -
为 beego 做贡献
sort: 1 为 beego 做贡献 简介 Pull Requests Git命令简介 Fork 代码 Clone 代码 同步代码 创建 feature 分支 提交 commit 提交 PR name: 为 beego 贡献 sort: 1 为 beego 做贡献 简介 beego 是免费、开源的软件，这意味着任何人都可...