- 在深度学习过程中，避免不了使用梯度下降算法。但是对于“非凸问题”，训练得到的结果往往可能陷入局部极小值，而非全局最优解。那么这里就以Himmelblau 函数为例，探究待优化参数的初始值对梯度下降方向的影响，从而得到不同的局部极小值。 首先介绍一下Himmelblau 函数： 下图 为 Himmelblau 函数的等高线，大致可以看出，它共有 4 个局部极小值点，并且... 在深度学习过程中，避免不了使用梯度下降算法。但是对于“非凸问题”，训练得到的结果往往可能陷入局部极小值，而非全局最优解。那么这里就以Himmelblau 函数为例，探究待优化参数的初始值对梯度下降方向的影响，从而得到不同的局部极小值。 首先介绍一下Himmelblau 函数： 下图 为 Himmelblau 函数的等高线，大致可以看出，它共有 4 个局部极小值点，并且...
- 问题描述 回形取数就是沿矩阵的边取数，若当前方向上无数可取或已经取过，则左转90度。一开始位于矩阵左上角，方向向下。 输入格式 输入第一行是两个不超过200的正整数m, n，表示矩阵的行和列。接下来m行每行n个整数，表示这个矩阵。 输出格式 输出只有一行，共 m × n m \times n m×n个数，为输入矩阵回形取数得到的结果。数之间用一个空格分隔，行末不要有多... 问题描述 回形取数就是沿矩阵的边取数，若当前方向上无数可取或已经取过，则左转90度。一开始位于矩阵左上角，方向向下。 输入格式 输入第一行是两个不超过200的正整数m, n，表示矩阵的行和列。接下来m行每行n个整数，表示这个矩阵。 输出格式 输出只有一行，共 m × n m \times n m×n个数，为输入矩阵回形取数得到的结果。数之间用一个空格分隔，行末不要有多...
- 深度学习笔记：欠拟合、过拟合 防止过拟合（一）：正则化 防止过拟合（二）：Dropout 数据增强（Date Augmentation） 增加数据集大小是解决过拟合最重要的途径。但是收集样本数据和标注往往是代价昂贵的，在有限的数据集上，通过数据增强技术可以增加训练的样本数量，获得一定程度上的性能提升。 **数据增强(Data Augmentation)**是指在维持... 深度学习笔记：欠拟合、过拟合 防止过拟合（一）：正则化 防止过拟合（二）：Dropout 数据增强（Date Augmentation） 增加数据集大小是解决过拟合最重要的途径。但是收集样本数据和标注往往是代价昂贵的，在有限的数据集上，通过数据增强技术可以增加训练的样本数量，获得一定程度上的性能提升。 **数据增强(Data Augmentation)**是指在维持...
- 问题描述 给定两个仅由大写字母或小写字母组成的字符串(长度介于1到10之间)，它们之间的关系是以下4中情况之一： 1：两个字符串长度不等。比如 Beijing 和 Hebei 2：两个字符串不仅长度相等，而且相应位置上的字符完全一致(区分大小写)，比如 Beijing 和 Beijing 3：两个字符串长度相等，相应位置上的字符仅在不区分大小写的前提下才能... 问题描述 给定两个仅由大写字母或小写字母组成的字符串(长度介于1到10之间)，它们之间的关系是以下4中情况之一： 1：两个字符串长度不等。比如 Beijing 和 Hebei 2：两个字符串不仅长度相等，而且相应位置上的字符完全一致(区分大小写)，比如 Beijing 和 Beijing 3：两个字符串长度相等，相应位置上的字符仅在不区分大小写的前提下才能...
- 对于给定函数：y(w)=aw^2+bw+c 数学求导得：dy/dw=2aw+b 那么，（a,b,c,w）=(1,2,3,4)处的导数，dy/dw=2 * 1 *4 + 2=10 而在Tensorflow2.0中，梯度可以自动求取。具体代码如下： import tensorflow as tf a=tf.constant(1.) b=tf.constant(2.) c... 对于给定函数：y(w)=aw^2+bw+c 数学求导得：dy/dw=2aw+b 那么，（a,b,c,w）=(1,2,3,4)处的导数，dy/dw=2 * 1 *4 + 2=10 而在Tensorflow2.0中，梯度可以自动求取。具体代码如下： import tensorflow as tf a=tf.constant(1.) b=tf.constant(2.) c...
- 问题描述 回文串，是一种特殊的字符串，它从左往右读和从右往左读是一样的。小龙龙认为回文串才是完美的。现在给你一个串，它不一定是回文的，请你计算最少的交换次数使得该串变成一个完美的回文串。 交换的定义是：交换两个相邻的字符 例如mamad 第一次交换 ad : mamda 第二次交换 md : madma 第三次交换 ma : madam (回文！完... 问题描述 回文串，是一种特殊的字符串，它从左往右读和从右往左读是一样的。小龙龙认为回文串才是完美的。现在给你一个串，它不一定是回文的，请你计算最少的交换次数使得该串变成一个完美的回文串。 交换的定义是：交换两个相邻的字符 例如mamad 第一次交换 ad : mamda 第二次交换 md : madma 第三次交换 ma : madam (回文！完...
- 前言： 本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。如果觉得本专栏对您有帮助的话，可以给一个小小的三连，各位的支持将是我创作的最大动力！ 系列文章汇总：TensorFlow2 入门指南 Github项目地址：https://github.com/Keyird/TensorFlow2-for-beg... 前言： 本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。如果觉得本专栏对您有帮助的话，可以给一个小小的三连，各位的支持将是我创作的最大动力！ 系列文章汇总：TensorFlow2 入门指南 Github项目地址：https://github.com/Keyird/TensorFlow2-for-beg...
- 前言： 本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。如果觉得本专栏对您有帮助的话，可以给一个小小的三连，各位的支持将是我创作的最大动力！ 文章目录 一、分类问题简介 二、手写数字识别简介 三、面对初学者的实现方法 （1）导入库 （2）数据集准备 （3）模型搭建 （4）模... 前言： 本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。如果觉得本专栏对您有帮助的话，可以给一个小小的三连，各位的支持将是我创作的最大动力！ 文章目录 一、分类问题简介 二、手写数字识别简介 三、面对初学者的实现方法 （1）导入库 （2）数据集准备 （3）模型搭建 （4）模...
- 目录 1、训练过程（创建分类器） 1.1、目标对象数据样本 1.2、目标对象分类器配置 1.3、目标对象分类器训练 1.4、目标对象分类器输出和评估 2、分类与识别 目标对象分类是指将未知样品的形状、颜色、纹理等显著特征组成的向量与代表某一类样本的特征向量（Feature Vector）进行比较，根据其匹配程度识别未知样品类别归属的过程。 目标对象分类是机器... 目录 1、训练过程（创建分类器） 1.1、目标对象数据样本 1.2、目标对象分类器配置 1.3、目标对象分类器训练 1.4、目标对象分类器输出和评估 2、分类与识别 目标对象分类是指将未知样品的形状、颜色、纹理等显著特征组成的向量与代表某一类样本的特征向量（Feature Vector）进行比较，根据其匹配程度识别未知样品类别归属的过程。 目标对象分类是机器...
- 如果之前的训练任务为test-12345，模型文件job.pkl存放在output目录下。获取方法如下：import moxing as mox import os from naie.context import Context mox.file.copy(os.path.join(Context.get_job_path("test-12345"), "output/job... 如果之前的训练任务为test-12345，模型文件job.pkl存放在output目录下。获取方法如下：import moxing as mox import os from naie.context import Context mox.file.copy(os.path.join(Context.get_job_path("test-12345"), "output/job...
- NAIE平台在比赛期间提供免费的资源，比赛结束之后如果需要继续使用平台的话会计费，所以比赛结束之后需要停止运行中的任务，包括：训练任务、特征工程、WebIDE、Notebook。1、训练任务进入项目，点击上方“模型训练”菜单，可以看到算法列表，每个算法都要进去查看下是否有运行中的任务，点击进入一个算法，可以看到任务列表，现在RUNNING状态的任务，见下图红框，然后停止任务。2... NAIE平台在比赛期间提供免费的资源，比赛结束之后如果需要继续使用平台的话会计费，所以比赛结束之后需要停止运行中的任务，包括：训练任务、特征工程、WebIDE、Notebook。1、训练任务进入项目，点击上方“模型训练”菜单，可以看到算法列表，每个算法都要进去查看下是否有运行中的任务，点击进入一个算法，可以看到任务列表，现在RUNNING状态的任务，见下图红框，然后停止任务。2...
- 目录 图像梯度Sobel滤波器 图像梯度 图像梯度计算的是图像变化的速度。对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。一般情况下，图像的梯度计算是图像的边缘信息。 其实梯度就是导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值，也可以说是近似导数。该导数可以用微积分来... 目录 图像梯度Sobel滤波器 图像梯度 图像梯度计算的是图像变化的速度。对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。一般情况下，图像的梯度计算是图像的边缘信息。 其实梯度就是导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值，也可以说是近似导数。该导数可以用微积分来...
- @Author：Runsen 当阅读一篇课文时，我们可以根据前面的单词来理解每个单词的，而不是从零开始理解每个单词。这可以称为记忆。卷积神经网络模型（CNN）不能实现这种记忆，因此引入了递归神经网络模型（RNN）来解决这一问题。RNN是带有循环的网络，允许信息持久存在。 RNN的应用有： 情绪分析（多对一，顺序输入） 机器翻译（多对多，顺序输入和顺序输出... @Author：Runsen 当阅读一篇课文时，我们可以根据前面的单词来理解每个单词的，而不是从零开始理解每个单词。这可以称为记忆。卷积神经网络模型（CNN）不能实现这种记忆，因此引入了递归神经网络模型（RNN）来解决这一问题。RNN是带有循环的网络，允许信息持久存在。 RNN的应用有： 情绪分析（多对一，顺序输入） 机器翻译（多对多，顺序输入和顺序输出...
- https://github.com/lucidrains/halonet-pytorch import torchfrom halonet_pytorch import HaloAttention if __name__ == '__main__': model = HaloAttention(dim=256, # dimension of feature ma... https://github.com/lucidrains/halonet-pytorch import torchfrom halonet_pytorch import HaloAttention if __name__ == '__main__': model = HaloAttention(dim=256, # dimension of feature ma...
- 模型的介绍 根据问题特点选择适当的估计器estimater模型：分类(SVC,KNN,LR,NaiveBayes,…) 回归 (Lasso,ElasticNet,SVR,…) 聚类(KMeans,…) 降维(PCA,…) 机器学习模型按照可使用的数据类型分为监督学习和无监督学习两大类。 监督学习主要包括用于分类和用于回归的模型： 分类： 线性分类器（如LR... 模型的介绍 根据问题特点选择适当的估计器estimater模型：分类(SVC,KNN,LR,NaiveBayes,…) 回归 (Lasso,ElasticNet,SVR,…) 聚类(KMeans,…) 降维(PCA,…) 机器学习模型按照可使用的数据类型分为监督学习和无监督学习两大类。 监督学习主要包括用于分类和用于回归的模型： 分类： 线性分类器（如LR...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签