一. 什么是TaoTao，在英文中的意思是“The ultimate principle of universe”，即“道”，它是宇宙的终极奥义。“道生一，一生二，二生三，三生无穷。” ——《道德经》Tao同时也是我用Go语言开发的一个异步的TCP服务器框架（TCP Asynchronous Go server FramewOrk），秉承Go语言“Less is more”的极简主义哲学
转载
2023-10-13 19:39:32
116阅读
GRU介绍上篇文章提到了RNN（循环神经网络）的变体LSTM（长短期记忆网络），现在说一下它们的另一个变体GRU（Gate Recurrent Unit）——门控循环单元。虽然LSTM能够解决循环神经网络因长期依赖带来的梯度消失和梯度爆炸问题，但是在LSTM中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值，参数较多，训练起来比较困难。而在GRU模型中只有两个门：分别是更新门和
转载
2023-09-04 23:37:31
61阅读
我的Go+语言初体验——Go+语言构建神经网络实战手写数字识别0. 前言1. 神经网络相关概念2. 构建神经网络实战手写数字识别2.1 构建神经网络2.1.1 节点计算2.1.2 激活函数2.1.3 网络架构2.2 读取手写数字MNIST数据集2.3 训练神经网络2.3.1 前向计算2.3.2 反向传播2.4 评估神经网络3. 程序运行后记 0. 前言看了官方文档，发现 Go+ 完全兼容 Go
转载
2023-08-30 21:40:48
117阅读
轻量级神经网络架构综述深度神经网络已经被证明可以有效的解决图像、自然语言等不同领域的问题.同时伴随着移动互联网技术的不断发展,便携式设备得到了迅速的普及,用户提出了越来越多的需求.因此,如何设计高效、高性能的轻量级神经网络是解决问题的关键.本文详细阐述了三种构建轻量级神经网络的方法,分别是人工设计轻量级神经网络、神经网络模型压缩算法和基于神经网络架构搜索的自动化神经网络架构设计,同时简要总结和分析
转载
2023-08-05 22:43:05
104阅读
python和go比较： 那么，能不能结合两种语言的优势，采用混合框架呢？ 答案是可以的， 混合框架的优势： 结合两种语言的优点，既具有Python语言的多类库、多应用场景的优势，又兼具Go 语言的支持高并发、运行高效的特点。 1)支持传输超大附件（1G以上）； 2)支持数据库读写分离； 3)支持人工智能算法，特别是深度学习算法。 深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习又可
转载
2023-08-02 11:56:07
540阅读
1.Beego框架简述beego简介beego 是一个快速开发 Go 应用的 HTTP 框架，他可以用来快速开发 API、Web 及后端服务等各种应用，是一个 RESTful 的框架，主要设计灵感来源于 tornado、sinatra 和 flask 这三个框架，但是结合了 Go 本身的一些特性（interface、struct 嵌入等）而设计的一个框架。beego 的架构beego 的整体设计架
转载
2024-01-21 00:47:00
100阅读
CNN四大经典框架：AlexNet、VGGNet、Google Inception Net和ResNet总结 文章目录CNN四大经典框架：AlexNet、VGGNet、Google Inception Net和ResNet总结前言一、AlexNet二、VGGNet三、Google Inception Net四、ResNet总结 前言AlexNet、VGGNet、Google Inception N
转载
2023-08-11 20:34:21
356阅读
8.神经网络和深度学习8.1神经网络的术语 节点、感知器或神经元：神经网络的基本组成部分。每个节点或神经元接收输入数据并对数据执行操作。 执行完操作后，该节点或神经元可能会或不会传递操作到下一个节点/神经元 激活：与操作节点相关的输出或者值 激活函数：将节点输入转换成输出或激活操作的函数 权重或偏差：这些值定义了激活函数中输入和输出数据之间的关系 输入层：神经网络的输入层包含一系列节点，用于接收神
转载
2023-09-18 15:58:11
229阅读
神经网络的基本骨架 - nn.module的使用torch.nntorch.nn.Moduletorch.nn.``Module[来源]所有神经网络模块的基类。所有神经网络的模型也应该继承这个类。模块还可以包含其他模块，允许将它们嵌套在树结构中。您可以将子模块分配为常规属性：import torch.nn as nn
import torch.nn.functional as F
class M
转载
2023-12-23 19:30:29
56阅读
1 引言¶
GoogLeNet是在2014年由Google团队在论文《Going deeper with convolutions》中提出的一个卷积神经网络算法，并成功斩获当年的ImageNet大赛的冠军(上篇博客中的VGG网络获得第二名)。与VGG网络相比，GoogLeNet对网络结构做出了根据创新性的大胆改变，这些改变主要表现在以下几个方面：(1)引入了Inception结构(融合不同
转载
2023-12-20 06:27:55
65阅读
文章目录1 下载代码2 读readme.md2.1 所需环境注意事项2.2 文件下载3 预测阶段3.1 解决问题1 写在前面：在github上面学习代码是研究生必备技能，本篇博客就以学习Siamese Network（pytorch） 为例，分享如何在github上学习代码！首先介绍一下，这个博主bubbliiiing在github上面分享了很多自己的代码，非常nice！大家也要养成学习别人的知
转载
2023-09-07 13:23:08
134阅读
图神经网络GNN学习笔记：图注意力网络GAT图注意力网络简介注意力机制是什么？图注意力层(Graph Attentional Layer)多头图注意力层从GNN到GCN再到GAT参考资料 图注意力网络(Graph Attention Networks， GAT)，处理的是图结构数据。它通过注意力机制（Attention Mechanism）来对邻居节点做聚合操作，实现了对不同邻居权重的自适应分配
转载
2023-08-07 20:36:11
225阅读
0. 背景2023年年初，我们很可能是见证了一次新工业革命的起点，也可能是见证了AGI(Artificial general intelligence，通用人工智能)[1]孕育的开始。ChatGPT应用以及后续GPT-4大模型的出现，其震撼程度远超当年AlphaGo战胜人类顶尖围棋选手[2]。相对于AlphaGo在一个狭窄领域的建树，ChatGPT则是以摧枯拉朽之势横扫几乎所有脑力劳动行业。如今大
在底层使用操作系统的多路复用IO，在协程使用阻塞模型。epoll抽象层用于抽象linux,windows,mac下的网络多路复用。netpollinit()->epoll_create()。新建epoll，拿到文件描述符，新建一个pipe用于中断epoll，有管道数据到达事件注册到epoll中。epoll_ctl()->netpollopen()（监听事件）。传入socket的fd,
转载
2024-01-28 05:06:45
42阅读
深度学习之经典神经网络框架（一）：AlexNet论文：ImageNet Classification with Deep Convolutional Neural Networks 深层卷积神经网络，获得12年ImageNet LSVRC的冠军，本文设计的模型特点有：加入ReLU及两个高效的GPU使训练更快；使用Dropout、Data augmentation、重复池化，防止过拟合；LRN归一化
转载
2023-12-04 21:43:40
0阅读
随着深度学习的飞速发展，已经创建了整个神经网络架构，以解决各种各样的任务和问题。尽管存在无数的神经网络架构，但对于任何深度学习工程师来说，这里有11种必不可少的知识，它们分为四大类：标准网络，递归网络，卷积网络和自动编码器。 标准网络1 | 感知器感知器是所有神经网络中最基础的，是更复杂的神经网络的基本构建块。它仅连接输入单元和输出单元。 2 | 前馈网络前
转载
2023-09-15 16:21:38
0阅读
CNN网络架构
神经网络架构发展纵览
从1998年开始，近18年来深度神经网络的架构发展情况如下：
上图，横坐标是操作的复杂度，纵坐标是精度。 ResNet、GoogleNet、Inception等网络架构之后，在取得相同或者更高精度之下，其权重参数不断下降。 CNN网络发展情况如下图所示： LeNet5
转载
2024-01-12 14:48:56
84阅读
一.神经网络的大体结构可分为三个函数，分别如下：1.初始化函数 设定输入层节点，隐藏层节点和输出层节点的数量。2.训练 学习给定训练集样本后，优化权重。3.查询 给定输入，从输出节点给出答案所编写的代码框架可如下所示： 1 #神经网络类定义
2 class NeuralNetwork():
3 #初始化神经网络
4 def _init_():
5
转载
2023-10-03 17:24:58
75阅读
1.算法描述广义回归神经网络是径向基神经网络的一种，GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，还可以处理不稳定数据。虽然GRNN看起来没有径向基精准，但实际在分类和拟合上，特别是数据精准度比较差的时候有着很大的优势。 GRNN是RBF的一种改进，结构相似。区别就在于多了一层求和层，而去掉了隐含
转载
2023-08-12 19:32:39
177阅读
LSTM和GRU的基本结构循环神经网络 RNN 是一种很重要的网络结构模型，通过每个时刻利用当前的输入以及之前的输出，在同一个单元产生当前时刻的输出，从而可以用来处理具有一定时序的问题，比如语音信号处理，机器翻译，股票走势等等。RNN的基本单元如下：
左边表示RNN的R，即循环调用自身，而右边是RNN的展开形式，unrolled form，可以看成一个复制了很多个同样copy的链状结构的时序
转载
2024-01-28 01:14:19
8阅读
