注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 微软中国研发集团虚拟化解决方案案例分析

  2. 微软中国研发集团虚拟化解决方案案例分析微软中国研发集团虚拟化解决方案案例分析

  3. 所属分类：专业指导

    • 发布日期：2009-03-21
    • 文件大小：393216
    • 提供者：wdafgn

  1. （n + 1）维五次拟拓扑重力中静态溶液的热力学

  2. 基于一些重要的理论（例如弦论和M理论）预测高时空的事实，因此，本文旨在构建高维（n≥5）的五次准拓扑重力理论。 （n + 1）维五阶准拓扑重力也可以导致球对称时空中最二级的线性化场方程。 这些方程无法精确求解，因此我们使用数值方法获得了一类新的（n + 1）维静态解。 对于较大的质量参数m值，这些解决方案会产生黑洞，在AdS中具有两个水平且时空不变。 对于dS解决方案，有两个值mext和mcri，它们会产生一个mext <m <mcri的具有三个视界的黑洞。 我们还计算了该黑洞的热

  3. 所属分类：其它

    • 发布日期：2020-05-04
    • 文件大小：369664
    • 提供者：weixin_38717169

  1. 拟PDF的完整非扰动重整化处方

  2. 在这项工作中，我们首次以RI'方案展示了非极化，螺旋和横向准PDF的非扰动重新归一化。 拟议的处方同时解决了重新规范化的所有方面：对数散度，有限的重新规范化以及存在于具有Wilson线的费米子算子的矩阵元素中的线性散度。 此外，对于非极化准PDF的情况，我们描述了如何使用twist-3标量算子消除不必要的混合。

  3. 所属分类：其它

    • 发布日期：2020-04-07
    • 文件大小：711680
    • 提供者：weixin_38747815

  1. 2006测试测量和自动化解决方案文集.pdf

  2. 2006测试测量和自动化解决方案文集pdf,该资料是基于计算机的测试测量和自动化应用方案2006年优秀论文的合订本，包含全部获奖论文。LabV正W特别奖 基丁虚拟仪器的发动机试验台架系统.… 行业:汽车 院校特别奖 基于LabⅤIEW的智能车仿真平台 64 行业:高校/教育 N系统联盟商特别奖 采用N模块化仪器构建业界领先的RFID测试系统. .67 行业:电信 一等奖 汽车 基于N产品的高压共轨柴油机电控单元测试系统的开发 作者:杭勇杨明陆娟 职务:高级工程师 公司:一汽无锡油泵油嘴研究所

  3. 所属分类：其它

    • 发布日期：2019-10-09
    • 文件大小：77594624
    • 提供者：weixin_38743481

  1. 艾默生安全仪表系统智能化方案.pdf

  2. 艾默生安全仪表系统智能化方案pdf,艾默生安全仪表系统智能化方案：安全仪表系统在实现更为安全、可靠的过程操作中扮演着举足轻重的作用。艾默生安全仪表系统智能化方案是一种一种全新的方案，将传感器、逻辑控制器和最终控制元件联系成为一个整体。从传感器到最终控制元件 艾默生的安全方案 提高工厂产量和安全性越 来越依赖适当的技术和经 验。随着规章制度越来越 严格,以及国际标准最优 方法的推行,安全仪表系 统在实现更为安全、可靠 的过程操作中扮演着举足 轻重的作用。 智能化方案 完备的解决方案 安全操作包括诸

  3. 所属分类：其它

    • 发布日期：2019-09-13
    • 文件大小：1048576
    • 提供者：weixin_38744153

  1. 台达楼宇自动化解决方案.pdf

  2. 台达楼宇自动化解决方案pdf,台达楼宇自动化解决方案：本文档是台达楼宇自动化解决方案手册，帮助用户更加了解台达在楼宇自动化行业的成功案例。台达楼宇自动化解决方案 智能系统 Delta BEMs Cloud Delta bems Video Wall Dashboard 管理系统 Integration Platform Delta Energy Online Facility management 随着自动化技术的日新月异与成本的降低,及人们对于建 SCADA Delta Centre CMS

  3. 所属分类：其它

    • 发布日期：2019-09-13
    • 文件大小：3145728
    • 提供者：weixin_38743481

  1. 实例详解机器学习如何解决问题

  2. 随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还 是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有 侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问 题。我们结合美团在机器学习上的实践，进行一个实战（InAction）系列的介绍（带“机器 学习InAction系列”标签的文章），介绍机器学习在解决工业界问题的实战中所需的基本技 术、经验和技巧。本文主要结合实际问题，概要地介绍机器学习解决实际问题的整个流

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：1048576
    • 提供者：abacaba

  1. 大屯热电厂原料煤掺配工程方案设想

  2. 循环流化床锅炉掺烧煤泥是处理煤泥等低质煤的有效手段之一，为了解决大屯热电厂燃煤供应中存在的环保风险及运输成本增高等问题，大屯热电厂急需建设与生产能力配套、高效环保、安全可靠的原料煤掺配工程。结合大屯热电厂的煤源、煤质、机组耗煤量、燃料运输等介绍其现有输煤系统，从厂区总平面布置、工艺选择、主设备技术条件、工艺布置、经济效益预测等构建大屯热电厂原料煤掺配工程方案设想，并从煤泥的掺烧方式、煤泥掺烧对循环流化床锅炉的影响、煤的干燥方法、工艺流程等方面重点阐述工艺选择。由分析表明，大屯热电厂原料煤掺配工程

  3. 所属分类：其它

    • 发布日期：2020-07-25
    • 文件大小：1048576
    • 提供者：weixin_38649657

  1. AI之过拟合、欠拟合及其解决方案

  2. 过拟合、欠拟合及其解决方案模型选择、过拟合和欠拟合训练误差和泛化误差模型选择验证数据集K折交叉验证过拟合和欠拟合模型复杂度训练数据集大小多项式函数拟合实验初始化模型参数定义、训练和测试模型三阶多项式函数拟合（正常）线性函数拟合（欠拟合）训练样本不足（过拟合）权重衰减方法L2L_2L2​范数正则化（regularization）高维线性回归实验从零开始的实现初始化模型参数定义L2范数惩罚项定义训练和测试观察过拟合使用权重衰减简洁实现丢弃法丢弃法从零开始的实现简洁实现 模型选择、过拟合和欠拟合 训练

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：228352
    • 提供者：weixin_38649657

  1. Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. Task03: 过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 目录 Task03: 过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 1、过拟合、欠拟合及其解决方案 1.1 训练误差和泛化误差 1.2 模型选择 1.3 过拟合和欠拟合 1.4 权重衰减 1.5 丢弃法 2、梯度消失、梯度爆炸 2.1 定义 2.2 随机初始化模型参数 2.3 考虑环境因素 3、循环神经网络进阶 3.1 门控循环单位（GRU） 3.2 长短期记忆（LSTM） 3.3 深度循环神经

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：711680
    • 提供者：weixin_38575536

  1. pytorch_task3过拟合欠拟合；梯度消失爆炸；循环神经网络

  2. Task3过拟合、欠拟合及其解决方案训练误差、泛化误差模型选择验证数据集K折交叉验证过拟合欠拟合概念模型复杂度解决过拟合权重衰减（加上L2范数惩罚项）丢弃法梯度消失、梯度爆炸初始化模型参数Xavier随机初始化协变量偏移标签偏移概念偏移循环神经网络循环神经网络构造RNN简洁实现实践one-hot向量 过拟合、欠拟合及其解决方案 训练误差、泛化误差 前者指模型在训练数据集上表现出的误差。 后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。 模型选择 验证数据

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：179200
    • 提供者：weixin_38665629

  1. 过拟合、欠拟合、梯度消失与梯度爆炸-Task3

  2. 1. 过拟合、欠拟合及其解决方案 本节主要讲了3个点，1. 过拟合、欠拟合的概念 2. 权重衰减 3. 丢弃法 其中权重衰减只讲了L2正则化，其实还有L1正则化、L12正则化等。 丢弃法其实就是Dropout，只是翻译成了中文。 Inverted-Dropout Inverted-Dropout是实现 dropout 的方法。假设对第i层进i行 dropout： p = 0.8 di = np.random.rand(ai.shape[0], ai.shape[1]) < p ai = n

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：49152
    • 提供者：weixin_38686677

  1. Dive into deep learning task 03- 过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. 1. 过拟合 欠拟合 特征复杂，但是训练 样本数不足时，会产生过拟合，即训练误差小，但是在测试集上的测试误差比较大，即泛化能力强 解决的办法是增加样本数量 或用L2范数进行征罚。 增加样本数量的方法比较简单，但是费人费物。 L2的范数也叫权重衰减。 对绝对值 比较大的权重参数进行拟合，从而改善范化误差。 本质 上是将权重值 向较小值 的区别压缩。 另一种方法是dropout （丢弃法） 丢弃法不改变输入的期望，按一定的概率 丢弃隐藏层中的单元。 p为丢弃率， 1-p 为保存率 欠拟合不是太容易发

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：46080
    • 提供者：weixin_38582793

  1. 《动手学深度学习》PyTorch实现（过拟合、欠拟合及其解决方案）

  2. 笔记整理 代码整理 L2 范数正则化（regularization） %matplotlib inline import torch import torch.nn as nn import numpy as np import sys sys.path.append(/home/kesci/input) import d2lzh1981 as d2l # L2范数正则化 def fit_and_plot_pytorch(wd): # 对权重参数衰减。权重名称一般是以weight结

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：783360
    • 提供者：weixin_38641150

  1. 小结3：过拟合欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. 文章目录过拟合、欠拟合及其解决方法过拟合问题（high variance）欠拟合问题（high bias）梯度消失及梯度爆炸循环网络进阶 过拟合、欠拟合及其解决方法 过拟合问题（high variance） 过拟合问题：是指模型太过复杂，对训练数据效果好，而对新样本泛化能力较弱。 （训练误差低 验证误差高） 产生过拟合的可能原因，可能为其中之一或者都有： 模型的复杂度过高。如网络太深，神经网络中；或者线性回归中模型的阶次 过多的变量特征 训练数据过少 如何解决过拟合： 降低模型复杂度 减少特征数

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：61440
    • 提供者：weixin_38598745

  1. 《动手学深度学习Pytorch版》Task3-过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸

  2. 过拟合、欠拟合 训练/泛化误差 训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。 欠拟合 模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting） 过拟合 模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting） 容易引起过拟合、欠拟合的其中两个因素： 模

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：701440
    • 提供者：weixin_38708461

  1. 《动手学pytorch》Task：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络

  2. 一、过拟合和欠拟合 训练误差和测试误差都大，欠拟合 underfitting。模型复杂度不够。 训练误差小于测试误差，过拟合 overfitting。 影响因素之一：训练数据集大小 影响欠拟合和过拟合的另一个重要因素是训练数据集的大小。一般来说，如果训练数据集中样本数过少，特别是比模型参数数量（按元素计）更少时，过拟合更容易发生。此外，泛化误差不会随训练数据集里样本数量增加而增大。因此，在计算资源允许的范围之内，我们通常希望训练数据集大一些，特别是在模型复杂度较高时，例如层数较多的深度学习模型

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：247808
    • 提供者：weixin_38646659

  1. pytorch实现task3——过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. 过拟合、欠拟合及解决方案在之前自己已经使用较多较熟练，故跳过。 梯度消失、梯度爆炸 深度模型有关数值稳定性的典型问题是消失（vanishing）和爆炸（explosion）。 当神经网络的层数较多时，模型的数值稳定性容易变差。 在神经网络中，通常需要随机初始化模型参数。随机初始化模型参数的方法有很多。在线性回归的简洁实现中，我们使用torch.nn.init.normal_()使模型net的权重参数采用正态分布的随机初始化方式。不过，PyTorch中nn.Module的模块参数都采取了较为合理的

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：74752
    • 提供者：weixin_38690739

  1. 动手学深度学习PyTorch版 | （3）过拟合、欠拟合及其解决方案

  2. 文章目录一、过拟合、欠拟合概念二、多项式函数拟合实验2.1 初始化模型参数2.2 定义、训练和测试模型三阶多项式函数拟合（正常）线性函数拟合（欠拟合）训练样本不足（过拟合）2.3 权重衰减L2 范数正则化（regularization）2.4 丢弃法丢弃法从零开始的实现简洁实现小结 一、过拟合、欠拟合概念 训练模型中经常出现的两类典型问题： 欠拟合：模型无法得到较低的训练误差 过拟合：模型的训练误差远小于它在测试数据集上的误差 在实践中，我们要尽可能同时应对欠拟合和过拟合。有很多因素可能导致这两

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：302080
    • 提供者：weixin_38526650

  1. 基于正则化的与说话人相关的本机矩阵估计的说话人自适应

  2. 在有足够的适应性数据时，基于本机的说话人适应优于传统的最大似然线性回归（MLLR）和本征语音方法。 然而，当仅提供几秒钟的适配数据时，它会遭受严重的过度拟合。 在本文中，研究了各种正则化方法以获得更健壮的依赖于说话者的本征电话矩阵估计。 逐元素的l1范数正则化（称为套索）鼓励本征电话矩阵稀疏，从而减少了有效自由参数的数量并提高了泛化能力。 平方的l2范数正则化促进估计矩阵向零方向逐元素收缩，从而减轻了过度拟合的情况。 按列的非平方l2范数正则化（称为组套索）在列级别上像套索一样起作用，从而鼓励了

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：287744
    • 提供者：weixin_38623080
« 12 3 4 5 »