qq_37499519的博客

原创 solidity开发入门

原创 区块链的基本结构

每个区块由 上一个区块的哈希值、默克尔根等信息来验证区块是否被更改。通过激励制度确保有节点在运行。私钥包含了银行账户和 银行密码。多个交易打包成区块，地址相当于银行账户；

原创 RNN 循环神经网络

生活中存在许多与时序有关的数据，需要一个模型能够很好表示这种关系，循环神经网络就诞生了 。 数据例如 1).一个句子，词与词之间的先后顺序不同，表达的含义也不同 2).语音信号：传感器采集的声波信号与时间有关 3).视频：每一帧图像的排列顺序 4),股票k线图，气象数据图，辐照数据等 普通RNN的结构： 每一个单元的输入包含两部分（一是上一时刻的状态，二是当前时刻的输入） 输出也是两部分（当前时...

原创 tensorflow.keras实现Inception V3模型

参考简书链接：深度神经网络Google Inception Net-V3结构图 - 简书 模型结构如下： 代码如下： from tensorflow.keras import Sequential,layers,Model # 处理后的值 def my_cnn2d(input_value,my_filters,my_kernel_size,my_strides=1,my_padding='valid'): x=layers.Conv2D(filters=my_filters,ke..

原创 tensorflow.keras实现VGGNet-16模型

网络结构： 代码实现 from tensorflow.keras import Sequential,layers model=Sequential() model.add(layers.Conv2D(input_shape=(224,224,3),filters=64,kernel_size=(3,3),activation='relu',padding='same')) model.add(layers.Conv2D(filters=64,kernel_size=(3,3),...

原创 tensorflow.keras实现AlexNet模型

AlexNet网络结构： 创新点： 1.使用GPU加速 2.使用了ReLU激活函数 代码如下 from tensorflow.keras import Sequential,layers model=Sequential() model.add(layers.Conv2D(filters=96,input_shape=(224,224,3),kernel_size=(11,11),activation='relu',strides=(4,4),paddin...

原创 tensorflow.keras实现LeNet5模型

LeNet网络结构： INPUT：输入图片大小32*32 C1层：卷积核大小：6个5×5，feature_map大小：28×28，通道数6 S2（subsampling下采样）：池化层大小：2×2 步长为2，得到 的feature_map大小:14×14 通道数：6 C3层：卷积核大小：16个5×5×6，feature_map大小：10×10，通道数16 S4（subsampling下采样）：池化层大小：2×2 步长为2，得到 的feature_map大小:5×5通道数:16 C5层：...

原创 卷积神经网络CNN

卷积核：用于提取图像的特征，不同的卷积核用来提取不同的图像特征 卷积运算：Input ×Kernel（在视野域中按元素对应位置相乘再求和）例如： 注意（卷积核使用的参数w是重复使用的） 步长（stride）：卷积核每次移动的单位数（对于图片就是像素点数） 步长为1时，卷积核移动步骤，图解 padding（在输入矩阵的上下左右边缘填充0元素的行数）例如padding为1时： 绿色的方块即为填充的行 padd...

原创 前馈神经网络

前馈神经网络： 前向传播（FP）： 思想：假设只有三层（输入层，隐藏层，输出层） 1.输入层的输出经过激活函数后作为隐藏层的输入， 2.隐藏层的输出经过激活函数后作为输出层的输入 式子： L1=f(W1*X+b1) 输入层 y_hat=f(W2*L1+b2) 输入层 目标函数 min f=sum((y_true-y_hat)**2) 梯...

原创 机器学习学习概述，scikitlearn实现机器学习算法

机器学习基础 数据集分类 训练集：用来训练模型的数据 验证集：用来调整模型的超参数 测试集：用来评估模型的泛化能力（在新的样本集上，模型的表现能力） 误差分析： 误差是指样本预测标签值 和 样本真实标签值 之间的差距 我们要做的就是使误差尽可能的小，这样预测值就很接近真实标签值了 误差分类： 训练误差 泛化误差 测试误差 ...

原创 人工智能发展历程、机器学习分类、人工智能设计到的数学知识

人工智能的发展： 分为三个阶段 1)1956年人工智能诞生。 2)上世纪90年代的专家系统阶段 3)大数据背景下的深度学习神经网络阶段（Alpha go 战胜围棋高手李世石） 机器学习的定义： 在数据中获取经验，再通过经验进行预测的行为。 机器学习的分类 1)有监督学习 （supervised Learning）：数据含有标记，预测结果和标记进行对比误差 -算法：线性回归、SVM(支持向量机)、逻辑回归、决策树、朴...

原创 vue中的组件之间通信思路（子传父）

组件之间的通信分为三种父组件给子组件传值，子组件给父组件传值，兄弟组件之间传值。 下面介绍 2.子组件给父组件传值 子组件通过自定义事件this.$emit('myEven',传递的参数) 例如 <template> <view> <!-- 使用父组件传递的message --> {{message}} <button @click="sendMessageToFather"></button> </view.

原创 vue中的组件之间通信思路（父传子）

在基于vue开发的项目中经常会遇到父子组件传值的情况，因此记录下来方便以后复习查看。 首先要创建一个子组件componentsTest.vue文件 在该文件中写入下面代码

原创 vue生命周期中的钩子函数详解

vue的生命周期 在项目中一般用到以下生命周期钩子函数 beforeCreated(){ //在vue实例初始化之前 } created(){ //vue实例初始化后，在这个阶段可以访问data中的数据，一般在这个阶段将服务器传来的数据赋值给data中的数据 } beforeMounted(){ //vue实例挂载到页面之前 } mounted(){ //vue实例已经挂载到页面上，在这个阶段可以访问呢dom，操作dom元素， } beforeUpdated(){ //数据更新