大师网-带你快速走向大师之路 解决你在学习过程中的疑惑,带你快速进入大师之门。节省时间,提升效率

layer

layer是一款web弹层组件,致力于服务各个水平段的开发人员。

网站性能优化—浏览器渲染

10. 11. // Read (triggers layout) 12. var h2 = element2.offsetWidth; } 对于不支持will-change属性的浏览器,可以使用以下css做兼容处理: .

Docker images导出和导入

Docker images导出和导入 之前已配置好基础镜像,其他地方也需要用到这些镜像时怎么办呢?答案:镜像的导入和导出功能。 镜像的保存[root@wxtest1607 ~]# docker images REPOSITORY TAG IMAGE ID CREATED SIZE tomcat8 3.0 90457edaf6ff 6 hours ago 1.036 GB [root@wxtest1607 lixr]# docker save 9045 tomcat8-apr.tar [root@wxtest1607 lixr]# ls -lh 总用量 1.2G -rw-r--r-- 1 root root 1005M 8月 24 17:42 tomcat8-apr.tar 镜像的导入当前缺一台CentOS7服

在 Windows 10 的 Linux 子系统(WSL)中运行 Kali

在 Windows 10 的 Linux 子系统(WSL)中运行 Kali Windows Subsystem for Linux (WSL) 出来也有一段时间了。也有不少朋友通过 Katoolin 来给 Bash on Ubuntu on Windows,添加 Kali 工具,这次来谈一谈如何用原生的 Kali 替换 Ubuntu

Ubuntu下Nginx实现https访问

Ubuntu下Nginx实现https访问 HTTPS简介 什么是HTTPS?百科是这样解释的。HTTPS(全称:Hyper Text Transfer Protocol over Secure Socket Layer),是以安全为目标的HTTP通道。即HTTP下加入SSL层,HTTPS的安全基础是SSL,因此加密的详细内容就需要SSL。现在它被广泛用于互联网上安全敏感的通讯,例如交易支付等。 使用openssl生成证书 安装openssl ubuntu14.04默认已经安装 生成ca证书 创建证书目录 mkdir ~/ssl/

CALayer 图层

CALayer 图层 概念 CA - Core Animation (核心动画) 相对更底层. CALayer负责视图中显示内容和动画.当UIView需要显示到屏幕上时,会调用drawRect:方法进行绘图,并且会将所有内容绘制在自己的图层上,绘图完毕后,系统会将图层拷贝到屏幕上,于是就完成了UIView得显示.换句话说,UIView本身不具备显示的功能,是它内部的层才有显示功能. UIColor, UIImage是定义在UIKit框架中的.

CS231n (winter 2016) : Assignment2

y[i] gives the label for X[i]. Returns: If y is None, then run a test-time forward pass of the model and return: - scores: Array of shape (N, C) giving classification scores, where

自己写个 Prisma

自己写个 Prisma Sirajology的视频链接 前一段时间特别火的 Prisma 大家都玩了么,看了这篇文章后,你也可以自己写一个 Prisma 迷你版了。 这个 idea 最开始起源于 Google Research BlogHere's the initial Google DeepDream blog post: 他们用大量的图片数据来训练深度神经网络,使这个网络可以判断出图片中的事物,然后投入一个新的图片,让图片识别,不仅仅是识别,还要把图片修正为网络学到的

Implementing Recurrent Neural Network from Scratch

Implementing Recurrent Neural Network from Scratch All code can be find here. Just like we sum up the errors, we also sum up the gradients at each time step for one training example: . / word_dim), (hidden_dim, word_dim)) self.W = np.random.uniform(-np.sqrt(1. def predict(self, x): output = Softmax() layers = self.forward_propagation(x) return [np.argmax(output.predict(layer.mulv)) for layer in layers] Calculating the Loss To train our network we need a way to measure the errors it makes.

TensorFlow深度学习笔记 从线性分类器到深度神经网络

TensorFlow深度学习笔记 从线性分类器到深度神经网络 转载请注明作者:梦里风林Github工程地址:https://github.com/ahangchen/GDLnotes欢迎star,有问题可以到Issue区讨论官方教程地址视频/字幕下载 Limit of Linear Model 实际要调整的参数很多 如果有N个Class,K个Label,需要调整的参数就有(N+1)K个 Linear Model不能应对非线性的问题 Linear Model的好处 GPU就是设计用于大矩阵相乘的,因此它们用来计

入门神经网络:前馈

入门神经网络:前馈 下一篇传送门 英文原文,虽然也是我写的 Chinglish,但是因为之前在加拿大某小村校上学导致中文术语可能会表述不准。 文章和代码都在这儿,用来骗 欢迎Star GitHub repo 准备工作 读懂这篇文章,需要你有以下方面的知识 如何求导数 基本的矩阵乘法 如果有下列知识就更好了 懂一点机器学习的知识,比如线性回归 知道什么是 感知机(perceptron) 有任何没

tensorflow学习------文本分类详解

minimize(loss) tensoflow已经将这些发杂的算法封装为函数,我们只需要选取特定的函数即可。 tf.train.AdamOptimizer(learning_rate). Accuracy: 0.81 Accuracy: 0.81 表示置信度在81%,我们通过调整参数和增加数据量(本文没做),置信度会产生变化。 结束 就是这样!使用神经网络创建了一个模型来将文本分类到不同的类别中。采用GPU或者采取分布式的TF可以提升训练速度和效率~

DeepLearning-风格迁移

__init__() def forward(self, input): a, b, c, d = input.size() feature = input.view(a * b, c * d) gram = torch.mm(feature, feature.t()) gram /= (a * b * c * d) return gram style loss定义 class Style_Loss(nn.Module): def __init__(self, target, weight): super(Style_Loss, self).format(epoch)) print('Style Loss: {:.

Adversarial Multi-task Learning for Text Classific

Adversarial Multi-task Learning for Text Classific 论文 : Adversarial Multi-task Learning for Text Classification 最近决定每周读一篇GAN的论文。一方面,提升自己的阅读理解能力。另一方面,拓展自己的思路。作为GAN的初学者,有很多表述不当的地方欢迎大家批评指正! 标题:对抗多任务学习用于文本分类。所谓多任务学习(MTL)就是指学习某一类任务的通用知识(focus on learning the shared layers to extract th

深度学习Java类库deeplearning4j 学习笔记-MNIST手写数字分类问题

iterations(1) .learningRate(0.006) //specify the learning rate .updater(Updater.NESTEROVS).regularization(true).layer(0, new DenseLayer.Builder() //create the first, input layer with xavier initialization .nOut(1000) .weightInit(WeightInit.XAVIER) .build()) .pretrain(false).backprop(true) //use backpropagation to adjust weights . DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);