合作开发对机房收费系统进行建模时第一次接触EA，本以为EA跟Rational Rose一样都仅仅是一个UML建模软件，随着对EA的熟悉发现EA的功能太强大了。EA跟Rational Rose大不一样，Rational Rose只是实现对软件的建模即构建系统的UML模型，而EA却不仅仅是实现这些功能。对于一个软件设计者来说，从需求分析
人工智能和深度学习也是密切相关的两个概念。深度学习是机器学习的一种，通过使用多层神经网络来模拟人类大脑的学习过程，从而实现对数据的自动分类和预测。人工智能和深度学习的关系是什么？深度学习是一种非常强大的机器学习技术，其核心在于使用多层神经网络对输入数据进行处理和提取特征，从而生成对应的输出。深度学习的成功得益于现代计算机硬件和大规模数据集的支持，使得其在图像识别、自然语言处理、语音识别、机器翻译等
对象是类的一个实例化的个体 类：具有共同属性与方法的对象的集合 属性：对象数据的描述 方法：对象的行为 构造方法：用于实例化对象 块：分为静态块，实例块 局部变量和成员变量的区别 1、在类中的位置不同 成员变量：在类中方法外面 局部变量：在方法或者代码块中，或者方法的声明上（即在参数列表中） 2、在 ...
转载
2021-09-09 21:00:00
77阅读
2评论
## 深度学习中的激活函数的作用
激活函数是深度学习中的重要组成部分，它的作用是为神经网络引入非线性因素，从而提高网络的表达能力。在深度学习中，激活函数可以帮助神经网络学习复杂的非线性关系，使得网络可以更好地拟合数据。本文将介绍激活函数的作用，并提供代码示例来说明它的运作原理。
### 1. 激活函数的作用
在深度学习中，激活函数的作用主要有以下几个方面：
#### 1.1 引入非线性
原创
2023-09-18 05:19:42
672阅读
训练网络时，通常先对网络的初始权值按照某种分布进行初始化，合适的网络初始权值能够使得损失函数在训练过程中的收敛速度更快，从而获得更好的优化结果。但是按照某类分布随机初始化网络权值时，存在一些不确定因素，并不能保证每一次初始化操作都能使得网络的初始权值处在一个合适的状态。不恰当的初始权值可能使得网络的 ...
转载
2021-08-26 17:04:00
1275阅读
2评论
深度学习中Flatten层的作用 一、总结 一句话总结： Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。 # now：model.output_shape==(None,64,32,32) model.add(Flat
转载
2020-08-12 07:34:00
1682阅读
2评论
子网掩码是一个32位地址，是与IP地址结合使用的一种技术。它的主要作用有两个，一是用于屏蔽IP地址的一部分以区别网络标识和主机标识，并说明该IP地址是在局域网上，还是在远程网上。二是用于将一个大的IP网络划分为若干小的子网络。使用子网是为了减少IP的浪费。因为随着互联网的发展，越来越多的网络产生，有的网络多则几百台，有的只有区区几台，这样就浪费了很多IP地址，所以要划分子网。使用子网可以提高网络应
Nginx模块名称模块作用ngx_http_access_module四层基于IP的访问控制，可以通过匹配客户端源IP地址进行限制ngx_http_auth_basic_module状态页，使用basic机制进行用户认证，在编译安装nginx的时候需要添加编译参数--withhttp_stub_status_module，否则配置完成之后监测会是提示语法错误ngx_http_stub_status
原创
2019-06-02 23:29:06
1504阅读
计算机新技术——我对多核技术的认识在计算机新技术课程上了解到了多核技术，是我对多核技术有了更大的兴趣，所以选择多核技术来写一篇自己的认识。相关技术名词解释 ：多核技术定义：多核技术就是把多个处理器集成在一个芯片内，是对称多处理系统的延伸，设计的主要思想是通过简化超标量结构设计，将多个 对简单的超标量处理器核集成到一个芯片上，从而避免线延的影响，并1充分开发线程级并行性，提高吞吐量。多核处理器定义：
随着现代科技的飞速发展，人工智能已经成为了人们关注的焦点之一。而在人工智能中，深度学习技术以其出色的表现和广泛的应用而备受瞩目。本文将介绍深度学习的基本原理、算法和应用。一、深度学习的基本原理深度学习是机器学习中的一种，它使用由多个层次组成的神经网络结构来学习复杂的数据表示形式。这些神经网络的结构通常由许多神经元组成，每个神经元通过对输入进行一系列数学运算来计算输出。深度学习中的“深度”指的是网络
转载
2023-08-14 14:18:05
0阅读
## 深度学习求导的作用
导数在深度学习中起着重要的作用。深度学习模型是由大量的参数组成的，通过最小化损失函数来调整这些参数。而求导则是损失函数优化过程中的关键步骤。
### 导数简介
导数是函数在某一点的变化率，表示了函数在该点的斜率。在深度学习中，我们经常遇到需要求解函数的导数的问题。导数有两种常见的计算方式：数值近似和解析求导。
### 数值近似法
数值近似法是通过计算函数在某一点两侧
原创
2023-08-02 10:04:03
160阅读
（1）在训练时要加上train()。在测试和使用时要加上eval()。它们两个函数用来控制【batchNorm层，dropout层等用于优化训练而添加的网络层】的开关。Train()会开启那些层，eval会关闭那些层。（2）dropout层的作用，在每一次的训练过程中，随机舍弃一定比例的神经元，每次训练舍弃的神经元都不同，可以有效防止模型在训练过程中过拟合。
原创
2023-07-14 20:34:29
114阅读
在刚入门机器学习中的低秩，稀疏模型时，被各种范数搅得一团糟，严重延缓了学习进度，经过一段时间的学习，现在将其完整的总结一下，希望遇到同样麻烦的同学能有所帮助。。。一、向量的范数首先定义一个向量为：a=[-5，6，8, -10]1.1 向量的1范数向量的1范数即：向量的各个元素的绝对值之和，上述向量a的1范数结果就是：29，MATLAB代码实现为：norm（a，1）；1.2 向量的2范数向量的2范数
# 深度学习算法中权重文件的作用
在深度学习的世界中，权重文件就像是神经网络的"记忆"，它们为模型的学习和预测提供了关键的参数。这篇文章将深入探讨权重文件在深度学习中的重要性，如何使用它们，以及它们如何影响模型的性能。
## 什么是权重文件？
在神经网络中，权重是连接各层的参数。这些参数通过反向传播算法进行训练，并根据输入数据调整，以最小化预测值与真实值之间的差距。训练完成后，这些权重会被保
1、pooling是在卷积网络（CNN）中一般在卷积层（conv）之后使用的特征提取层，使用pooling技术将卷积层后得到的小邻域内的特征点整合得到新的特征。一方面防止无用参数增加时间复杂度，一方面增加了特征的整合度。2、pooling是用更高层的抽象表示图像特征，至于pooling为什么可以这样做，是因为：我们之所以决定使用卷积后的特征是因为图像具有一种“静态性”的属性，这也就意味着在一个图像
系统瓶颈分析一、系统瓶颈分析示例例1：CPU的数据库操作，例如排序、执行aggregate functions（例如sam、min、max、count）等较多，可以考虑是否有索引以及索引建立的是否合理；尽量使用简单的表联接；水平分割大表格等方法来降低该值。例2：web服务器、应用服务器和数据库服务器，这样就可以在web端测出的响应时间减去以上各个分段测出的时间就可以知道瓶颈在哪并着手调优。例3：N
深度学习模型的调优，首先需要对各方面进行评估，主要包括定义函数、模型在训练集和测试集拟合效果、交叉验证、激活函数和优化算法的选择等。那如何对我们自己的模型进行判断呢？——通过模型训练跑代码，我们可以分别从训练集和测试集上看到这个模型造成的损失大小（loss），还有它的精确率（accuracy）。 目录前言1、定义模型函数2、交叉验证（Cross-validation）3、优化算法4、激活函数（ac
《CNN笔记总结系列之三》激励层 -------本文仅为学习笔记，不做任何商业用途-------
前言 《CNN笔记总结系列》前两部分简要介绍了CNN的数据输入层以及卷积计算层，这一部分紧接着上述内容进行激励层的介绍。一、激励层简要介绍 在神经网络中，神经元向后传递信息需要与阈值做比较来激活神经元从而向后传递信息，而同样在CNN卷积神经网络中，在卷积后同样需要激活过程，而把卷积
?彩色图，深度图——》信息缺乏。如，颜色相近导致位置信息丢失?深度图——》相近深度的物体，因为颜色或纹理的丢失，导致难区分 深度图并不可以直接使用， 因为深度图只能反映出了物体在三维空间中一个方向上的信息，即拍摄场景中各个点到相机的距离。这个信息并不全面，直接使用会丢失其余两个维度的信息。 ?彩色图和深度图，采集的是同一个场景，反应的是不同方面的特性。具有强相关性。彩图和深度图的边界具有
来源：知乎—沃丰科技地址：https://zhuanlan.zhihu.com/p/442235643众所周知，深度学习往往需要大量的标注样本进行训练才能达到一个满意的效果，但是在实际应用...
转载
2022-04-28 00:02:47
589阅读
