您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 神经网络书集之:神经计算智能基础原理方法

  2. 神经计算智能基础原理方法,神经网络跟踪理论及应用,神经网络工程应用,神经网络及其在汽车工程中的应用
  3. 所属分类:网络基础

    • 发布日期:2009-05-23
    • 文件大小:15728640
    • 提供者:andy1a
  1. 网络基础知识大全,网络常用基础知识,局域网应用问题专题解答

  2. 网络基础知识大全 1 网络常用基础知识: 3 1)如何查看本机所开端口: 3 2)如何获得一个IP地址的主机名? 3 3)如何查看本机的ip地址? 3 4)再使用net命令的时候遇到一些错误代码,如何查看对应的错误信息? 4 5)利用telnet连接到对方主机上,想获得一些系统信息,用什么命令? 4 6)跟踪路由器的命令是什么? 4 7)简单介绍一下cookie! 4 8)安装2000的时候,速度会特别特别特别慢,怎么加快安装速度呢? 5 9)Windows2K密码忘记了,如何才能进入系统?
  3. 所属分类:网络基础

    • 发布日期:2009-11-09
    • 文件大小:143360
    • 提供者:sss1234sss
  1. NSF 2003关于网络基础研究的报告

  2. NSF2003年出的一个研究报告,关于计算机网络中的基础研究的,一般每十年出一次,有一定的参考意义。
  3. 所属分类:网络基础

    • 发布日期:2011-10-04
    • 文件大小:421888
    • 提供者:loujian_1989
  1. 计算网络基础

  2. 这是一本经典的外国计算机网络方面的书,涵盖有TCP/IP协议簇的内容,深入理解网络协议的编程
  3. 所属分类:网络基础

    • 发布日期:2012-11-21
    • 文件大小:3145728
    • 提供者:ppkingpping7
  1. 计算机网络基础知识

  2. 计算机网络基础知识。网络知识为你提供各种计算机网络基础知识,内容包括计算机网络技术、计算网络安全、计算网络维护、局域网组网、无线网络知识、路由器设置等等
  3. 所属分类:网络基础

    • 发布日期:2015-08-09
    • 文件大小:67584
    • 提供者:qq_30472189
  1. 计算机网络基础的课件PPT,第1章计算机网络概论第2章数据通信基础第3章计算机网络体系结构第4章计算机局域网络第5章结构化布线系统第6章网络操作系统与网络结构第7章网络的计算模式第8章网络的互连第9章Internet第10章计算机网络安全

  2. 计算机网络基础的课件PPT,第1章计算机网络概论第2章数据通信基础第3章计算机网络体系结构第4章计算机局域网络第5章结构化布线系统第6章网络操作系统与网络结构第7章网络的计算模式第8章网络的互连第9章Internet第10章计算机网络安全
  3. 所属分类:网络基础

    • 发布日期:2009-02-12
    • 文件大小:9437184
    • 提供者:hmt19880816
  1. 搭建神经网络基础综合

  2. 搭建神经网络基础综合 以下内容是根据torch官网和莫烦python学习所得 基本步骤 载入数据,训练集,预测集,标注集 搭建网络,即 class Net 实例化网络 net 创建 optimizer 确定损失函数 loss_func 开始训练 计算预测值 predict 计算损失函数值 loss 优化器 zerograd() 损失反馈 loss.backward() 优化器步进 optimizer.step() import torch from torch.autograd import V
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:30720
    • 提供者:weixin_38709511
  1. 深度学习d5:卷积神经网络基础;leNet;卷积神经网络进阶

  2. 卷积神经网络基础 卷积神经网络:包括卷积层、池化层 二维卷积层: 最常用,用于处理图像数据,将输入和卷积核做互相关运算,并加上一个标量偏置来得到输出。 其模型参数=卷积核+标量偏置。 训练模型的时候,通常我们先对卷积核随机初始化,然后不断迭代卷积核和偏差,即可通过数据学习核数组。每次迭代中,将输出与真实值进行比较,然后计算梯度进行更新。 可用来进行图像边缘检测。 互相关运算和卷积运算: 两者十分相似,将核数组上下翻转、左右翻转,再与输入数组做互相关运算,这一过程就是卷积运算。两者都是学习出来的,
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:43008
    • 提供者:weixin_38548394
  1. pytorch实现task5——卷积神经网络基础;leNet;卷积神经网络进阶

  2. 卷积神经网络基础 卷积神经网络包括卷积层和池化层。 二维卷积层 最常见的是二维卷积层,常用于处理图像数据。 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子,阴影部分分别是输入
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:61440
    • 提供者:weixin_38666300
  1. Task05:卷积神经网络基础;leNet;卷积神经网络进阶 学习笔记

  2. 卷积神经网络基础 本节我们介绍卷积神经网络的基础概念,主要是卷积层和池化层,并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层,常用于处理图像数据。 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:153600
    • 提供者:weixin_38628830
  1. 卷积神经网络基础与经典模型-Task4

  2. 1. 卷积神经网络基础 从本节讲解才知道,卷积神经网络中的Conv2d函数中,实现的滤波器与图像element-wise相乘并累加其实是互相关运算,二维互相关的解释如下: 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:156672
    • 提供者:weixin_38727579
  1. task05卷积神经网络基础

  2. 卷积神经网络基础¶ 本节我们介绍卷积神经网络的基础概念,主要是卷积层和池化层,并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层,常用于处理图像数据。 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:83968
    • 提供者:weixin_38731226
  1. 伯禹 动手学深度学习 打卡06之卷积神经网络基础

  2. 卷积神经网络基础 二维卷积层 本文介绍的是最常见的二维卷积层,常用于处理图像数据。 二维互相关计算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子,阴影部分分别是输入的第一个计算区域、核数组
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:336896
    • 提供者:weixin_38720322
  1. pytorch-卷积神经网络基础

  2. 卷积神经网络基础 本节我们介绍卷积神经网络的基础概念,主要是卷积层和池化层,并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层,常用于处理图像数据。 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:154624
    • 提供者:weixin_38750406
  1. DataWhale组队打卡学习营task05-1 卷积神经网络基础

  2. 卷积神经网络基础 二维卷积层 本节介绍的是最常见的二维卷积层,常用于处理图像数据。 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子,阴影部分分别是输入的第一个计算区域、核数组
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:373760
    • 提供者:weixin_38696339
  1. 笔记:动手学深度学习pytorch(卷积神经网络基础;leNet;卷积神经网络进阶)

  2. – 卷积神经网络基础 – 卷积层 – 1×\boldsymbol\times× 1 卷积层 形状为1×11 \times 11×1的卷积核,我们通常称这样的卷积运算为1×11 \times 11×1卷积,称包含这种卷积核的卷积层为1×11 \times 11×1卷积层。 1×11 \times 11×1卷积核可在不改变高宽的情况下,调整通道数。1×11 \times 11×1卷积核不识别高和宽维度上相邻元素构成的模式,其主要计算发生在通道维上。假设我们将通道维当作特征维,将高和宽维度上的元素当
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:818176
    • 提供者:weixin_38528180
  1. 云计算网络的应用场景

  2. 随着以云平台为IT基础搭建的业务场景越来越广泛的被应用于政企及运营商,区分云计算的网络流量类型也变得越来越重要,因为云计算会越来越多的以场景的方式落地于各个行业,不同业务的流量是不一样的,所以首先应该对各种行业应用下云计算网络的流量类型进行区分,同时对这些流量进行管理。用户与后台资源的网络稳定性对于最终体验是至关重要的,然而对于大部分传统企业和运营商来说,网络的QOS使用并不能完全满足网络稳定性的要求,对于大多数传统企业,数据中心多依靠于运营商的网络,所以多数的流量全部混合到核心网络当中去进行传
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:1048576
    • 提供者:weixin_38725086
  1. 云计算网络的应用场景

  2. 随着以云平台为IT基础搭建的业务场景越来越广泛的被应用于政企及运营商,区分云计算的网络流量类型也变得越来越重要,因为云计算会越来越多的以场景的方式落地于各个行业,不同业务的流量是不一样的,所以首先应该对各种行业应用下云计算网络的流量类型进行区分,同时对这些流量进行管理。用户与后台资源的网络稳定性对于最终体验是至关重要的,然而对于大部分传统企业和运营商来说,网络的QOS使用并不能完全满足网络稳定性的要求,对于大多数传统企业,数据中心多依靠于运营商的网络,所以多数的流量全部混合到核心网络当中去进行传
  3. 所属分类:其它

    • 发布日期:2021-02-20
    • 文件大小:1048576
    • 提供者:weixin_38703866
  1. 动手学 task5 卷积神经网络基础;leNet;卷积神经网络进阶

  2. 卷积神经网络基础 二维卷积层 填充和步幅 我们介绍卷积层的两个超参数,即填充和步幅,它们可以对给定形状的输入和卷积核改变输出形状。 填充 公式: 总的计算公式: 总结: 最后一个公式相比前一个公式没有加1的操作,乍一看公式不同(即什么时候加1什么时候不加1)其时,对第二个公式分解一下,即可归纳出什么时候都需要加1的操作。这样便于记忆) 多输入通道和多输出通道¶ 代码: print(X.shape) conv2d = nn.Conv2d(in_channels=2, out_chann
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:1048576
    • 提供者:weixin_38699352
  1. 《动手学深度学习》Task04 :卷积神经网络基础;leNet;卷积神经网络进阶

  2. Task04 :卷积神经网络基础;leNet;卷积神经网络进阶 1.卷积神经网络基础 下面是一些卷积神经网络的基本概念: 二维互相关运算 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子,阴影
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:885760
    • 提供者:weixin_38567813
« 12 3 4 5 6 7 8 9 10 ... 50 »