- 参考：http://blog.sina.com.cn/s/blog_54d460e40101ec00.html 概率指事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。 对于随机变量X的分布函数F（x），如果存在非负可积函数f(x)，使得对任意实数x,有 ... 参考：http://blog.sina.com.cn/s/blog_54d460e40101ec00.html 概率指事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。 对于随机变量X的分布函数F（x），如果存在非负可积函数f(x)，使得对任意实数x,有 ...
- Batch Normalization BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于Sigmoid函数来说，意味着激活输入值WU+B是大的负值或正值），所... Batch Normalization BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于Sigmoid函数来说，意味着激活输入值WU+B是大的负值或正值），所...
- 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 发现menet训练分配gpu代码： cvd ="4,5"# os.environ['CUDA_VISIBLE_DEVICES'].str... 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 发现menet训练分配gpu代码： cvd ="4,5"# os.environ['CUDA_VISIBLE_DEVICES'].str...
- Softmax 个人理解：在训练的时候，加上角度margin，把预测出来的值减小，往0那里挤压，离标注距离更大，减少训练得分，加大loss，增加训练收敛难度。 不明白的有个问题？减去m后，如果出现负数怎么办？ 以下有的内容参考： https://zhuanlan.zhihu.com/p/97475133 softmax... Softmax 个人理解：在训练的时候，加上角度margin，把预测出来的值减小，往0那里挤压，离标注距离更大，减少训练得分，加大loss，增加训练收敛难度。 不明白的有个问题？减去m后，如果出现负数怎么办？ 以下有的内容参考： https://zhuanlan.zhihu.com/p/97475133 softmax...
- 0 相关源码 将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。 1 项目总体概况 2 数据集概述 数据集 3 数据预处理 4 文本特征提取 官方文档介绍 提取，转换和选择特征 本节介绍了使用特征的算法，大致分为以下几组：提取：从“原始... 0 相关源码 将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。 1 项目总体概况 2 数据集概述 数据集 3 数据预处理 4 文本特征提取 官方文档介绍 提取，转换和选择特征 本节介绍了使用特征的算法，大致分为以下几组：提取：从“原始...
- 0 相关源码 1 k-平均算法(k-means clustering)概述 1.1 回顾无监督学习 ◆ 分类、回归都属于监督学习 ◆ 无监督学习是不需要用户去指定标签的 ◆ 而我们看到的分类、回归算法都需要用户输入的训练数据集中给定一个个明确的y值 1.2 k-平均算法与无监督学习 ◆ k-平均算法是无监督学习的一种 ◆ 它不需要人为指定一个因变量,即标... 0 相关源码 1 k-平均算法(k-means clustering)概述 1.1 回顾无监督学习 ◆ 分类、回归都属于监督学习 ◆ 无监督学习是不需要用户去指定标签的 ◆ 而我们看到的分类、回归算法都需要用户输入的训练数据集中给定一个个明确的y值 1.2 k-平均算法与无监督学习 ◆ k-平均算法是无监督学习的一种 ◆ 它不需要人为指定一个因变量,即标...
- 通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。 0 相关源码 1 PCA算法及原理概述 1.1 何为降维? ◆ 从高维度变为低维度的过程就是降维 ◆ 例如拍照就是把处在三维空间中的人或物从转换到作为二 维平面的 照片中 ◆ 降维有线性的、也有非线性... 通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。 0 相关源码 1 PCA算法及原理概述 1.1 何为降维? ◆ 从高维度变为低维度的过程就是降维 ◆ 例如拍照就是把处在三维空间中的人或物从转换到作为二 维平面的 照片中 ◆ 降维有线性的、也有非线性...
- 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati... 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati...
- 在WebIDE的terminal里面执行ps -aux > a.txt然后查看a.txt里面是否有WatherOBS，如果没有，在terminal里面执行下面的命令：python /usr/local/bin/Wathcer.py &如果有，则检查下WebIDE的SYNCHRONIZE OBS FILES下面有没有文件没有同步。 在WebIDE的terminal里面执行ps -aux > a.txt然后查看a.txt里面是否有WatherOBS，如果没有，在terminal里面执行下面的命令：python /usr/local/bin/Wathcer.py &如果有，则检查下WebIDE的SYNCHRONIZE OBS FILES下面有没有文件没有同步。
- WebIDE是一个常驻的docker环境给用户使用，是一个独享的环境，供开发人员进行算法开发、代码调试，如果用户3天不使用的话资源会释放，代码本身保存到obs上，不会删除；一次只能跑一个任务；提交训练的时候是从资源池里面申请一个资源给训练任务，训练任务结束后释放资源，所以结果需要保存到obs上进行持久化保存；可以同时并发提交5个训练任务；这2个环境是2个各自独立的环境，相互之间... WebIDE是一个常驻的docker环境给用户使用，是一个独享的环境，供开发人员进行算法开发、代码调试，如果用户3天不使用的话资源会释放，代码本身保存到obs上，不会删除；一次只能跑一个任务；提交训练的时候是从资源池里面申请一个资源给训练任务，训练任务结束后释放资源，所以结果需要保存到obs上进行持久化保存；可以同时并发提交5个训练任务；这2个环境是2个各自独立的环境，相互之间...
- 提交训练任务后，如果想看output目录下的结果，如果使用WebIDE，点击左边NAIE图标 -> Job Explorer -> 对应任务的output目录。如果使用编辑器，点击最左边的3个图标最后一个，如下图红框处，即“任务目录”，点开对应的训练的任务就可以看到每个任务目录下的output目录，这个地方后续会优化，直接在WebIDE中可以看到。 提交训练任务后，如果想看output目录下的结果，如果使用WebIDE，点击左边NAIE图标 -> Job Explorer -> 对应任务的output目录。如果使用编辑器，点击最左边的3个图标最后一个，如下图红框处，即“任务目录”，点开对应的训练的任务就可以看到每个任务目录下的output目录，这个地方后续会优化，直接在WebIDE中可以看到。
- 如果在特征工程中安装依赖的库，在cell中执行!pip install <库名>进行安装；如果在WebIDE中安装依赖的库，在算法代码的reqirements.txt中配置依赖的库名，如果需要指定版本号也可以配置版本号，如pandas==1.0.1，然后点击右上角的第一个图标：NAIE Install Reqirements就可以安装升级；如果在训练中安装/升级依赖... 如果在特征工程中安装依赖的库，在cell中执行!pip install <库名>进行安装；如果在WebIDE中安装依赖的库，在算法代码的reqirements.txt中配置依赖的库名，如果需要指定版本号也可以配置版本号，如pandas==1.0.1，然后点击右上角的第一个图标：NAIE Install Reqirements就可以安装升级；如果在训练中安装/升级依赖...
- 一、题目描述 在n>=2个点的集合Q中寻找最近点对。 “最近”是指通常意义下的欧几里得距离：即点p1（x1，y1）和p2（x2，y2）之间的距离为：sqrt（（x1-x2）2 +（y1-y2）2）。 二、算法设计与分析 算法主要思想就是分治。 情况1：点数小于等于二时：直接计算，求该两点之间的距离。 情况2：集合中有三个点：两两比较，求三个点... 一、题目描述 在n>=2个点的集合Q中寻找最近点对。 “最近”是指通常意义下的欧几里得距离：即点p1（x1，y1）和p2（x2，y2）之间的距离为：sqrt（（x1-x2）2 +（y1-y2）2）。 二、算法设计与分析 算法主要思想就是分治。 情况1：点数小于等于二时：直接计算，求该两点之间的距离。 情况2：集合中有三个点：两两比较，求三个点...
- YOLOv3：深度学习之计算机视觉神经网络Yolov3-5clessses训练自己的数据集全程记录(第二次) 目录 训练记录 训练记录 YOLOv3：深度学习之计算机视觉神经网络Yolov3-5clessses训练自己的数据集全程记录(第二次) 目录 训练记录 训练记录
- Problem Description 集训进行了将近2个礼拜，这段时间以恢复性训练为主，我一直在密切关注大家的训练情况，目前为止，对大家的表现相当满意，首先是绝大部分队员的训练积极性很高，其次，都很遵守集训纪律，最后，老队员也起到了很好的带头作用，这里特别感谢为这次DP专题练习赛提供题目和测试数据的集训队队长xhd同学. 特别高兴的是，跟随集训队训练的一批新队员表... Problem Description 集训进行了将近2个礼拜，这段时间以恢复性训练为主，我一直在密切关注大家的训练情况，目前为止，对大家的表现相当满意，首先是绝大部分队员的训练积极性很高，其次，都很遵守集训纪律，最后，老队员也起到了很好的带头作用，这里特别感谢为这次DP专题练习赛提供题目和测试数据的集训队队长xhd同学. 特别高兴的是，跟随集训队训练的一批新队员表...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签