有用的網站

  安卓

http://androidxref.com/9.0.0_r3/ 源碼

https://android.googlesource.com/?format=HTML 源碼

https://www.androidos.net.cn/sourcecode

https://opensource.google/

https://www.debugease.com/  調試易

https://developer.android.google.cn/reference/android/provider/Settings 官網

https://developer.android.google.cn/ndk/

https://developer.android.com/guide/topics/ui/notifiers/notifications?hl=zh-cn

https://source.android.com/devices/tv/reference-tv-app 源碼

https://source.android.com/setup/build/downloading

https://apkpure.com/ apk下載

https://cloud.tencent.com/developer/section/1138641 騰訊雲

https://cloud.tencent.com/developer/article/1490306

https://mp.weixin.qq.com/s/sEE_lUzFh3_ACVqKu-j6HA 微信社區

https://blog.csdn.net/luoshengyang?viewmode=contents 老羅的Android

https://www.worldhello.net/ 私人博客

https://www.debugease.com/ 私人博客

http://jartto.wang/ 私人博客

http://gityuan.com/ 私人博客

https://www.jianshu.com/search?q=android%20notification&page=1&type=note 簡書

博客園

https://segmentfault.com/

https://www.google.co.kr/

https://developer.samsung.com/

https://www.sioe.cn/yingyong/yanse-rgb-16/  工具:顏色轉換

https://www.runoob.com/ 菜鳥教程

https://stackoverflow.com/

 

https://blog.sina.com.cn/s/blog_602f877001017qm2.html

https://www.jianshu.com/p/7d3711de825d ??

https://www.jianshu.com/p/3a4b5f1c09c1 ??

https://www.jianshu.com/p/4e50bf8c4984

https://www.jianshu.com/p/05dee82599f6

https://www.jianshu.com/p/ed798bc172f2

https://www.jianshu.com/p/089fb79e308b

 

anbox

http://www.imooc.com/article/278512

https://www.wolfcstech.com/2017/11/28/run_anbox/

https://www.wolfcstech.com/categories/

https://www.wolfcstech.com/categories/%E8%99%9A%E6%8B%9F%E5%8C%96/ 虛擬化

https://www.wolfcstech.com/2018/01/11/anbox_analysis002_io_model/

https://www.wolfcstech.com/2018/01/15/anbox_analysis003_sessionmanager_and_containermanager/

 

javascript

https://developer.mozilla.org/zh-CN/docs/learn/JavaScript

http://nodejs.cn/learn

https://validator.w3.org/nu/#textarea 工具

 

NFC

https://developer.tizen.org/development/guides/native-application/connectivity-and-wireless/nfc

https://developer.android.com/guide/topics/ui/notifiers/notifications?hl=zh-cn 網絡安全

https://developer.android.com/guide/topics/connectivity/nfc/nfc.html#p2p

https://www.shopnfc.com/en/content/7-nfc-compatibility

 

cpp

https://www.cplusplus.com/

http://c.biancheng.net/

 

 

matchine leaning

https://sourceforge.net/projects/kaldi/files/?source=navbar

http://www.doc88.com/p-7364981550707.html 基於i-vector的說話人識別

 

EFL

https://www.enlightenment.org/

 

python

https://wiki.python.org/moin/BeginnersGuide/Programmers

 

Docker

https://wiki.tizen.org/Setup_of_Tizen_Infrastructure_with_Docker

https://www.runoob.com/docker/docker-tutorial.html

https://www.docker.com/get-started#h_installation

 

Git

https://stackoverflow.com/questions/6802145/how-to-convert-a-git-shallow-clone-to-a-full-clone/17937889#17937889

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值