html学习笔记

<!DOCTYPE html>
<!--解释的语言,浏览器解释-->
<html lang="en">
<head>
<!--    推荐解码方式-->
  <meta charset="UTF-8">
<!--    网页上显示的标题-->
  <title>freetranslate</title>
</head>
<body>
<h1>刘运超你真帅</h1>
<p>段落解释,因为本来就是这么帅的<br>br再在这里实现换行</p>
<!--hr可以在这个位置显示一道横线-->
<hr>
<blockquote>
    <p>在这里用了blockquote,看看会发生什么</p>
    <strong>在这里加个strong强调一下,只是会加粗文字,可用于段落p之间</strong>
<!--    ol代表一个有序列表,即标注123的那种,里面用li,他的type属性可以排序,比如type="A"表示按大写字母排序-->
    <ol>
        <li>ablue</li>
        <li>teal</li>
    </ol>
</blockquote>
<ul>
    <li>无序1</li>
    <li>无序2</li>
</ul>
<!--描述列表dl 描述术语dt 描述内容dd,dt
和dd同级,都在dl下面-->
<dl>
    <dt>
    描述标题
    </dt>
    <dd>描述的内容,用于一个标题过后,内容很长,标题占一格的情况</dd>
</dl>



<small>很小的字</small>


<div><p>分割一块区域,自动添加空白</p>

<nav>这里添加链接&nbsp      没有空格,只有&才能加空格出来 https://daohang.qq.com,这个链接不是可点击的,只能看看</nav>
<!--也可以创电子邮件,没试出来有什么用-->
    <a href="https://daohang.qq.com">这个名字点击就会打开前面的链接,具体是新页面还是原来的页面有target属性决定,可选html</a>
<a href="mailto:contact@trilliummediadesign.com">contact@trilliummediadesign.com</a>


<a href="templates/index.html">打开index.html网页</a>
    <footer>页脚,没啥用处,可以配合small和版权显示</footer>
    
</div>







<!--&开头有几个特殊字符,比如空格引号,艾特号破折号竖线-->
&copy; 我的版权所有,翻版必究
</body>
</html>
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
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

打赏作者

追梦小狂魔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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