学习1

环境的搭建

  1. 通过pycharm-community软件来进行代码的编写。
  2. 通过Webstorm软件来进行代码的编写。
    注意:最好使用谷歌浏览器或火狐浏览器来进行调试。

代码的编写

  1. HTML 中的脚本必须位于 标签之间。也可以把脚本保存到外部文件中。外部 JavaScript 文件的文件扩展名是 .js。
  2. js基本语句格式:

     <script type="text/javascript">
     javascript语句
     </script>      
    

    注意:body的最后放js部分

  3. 一些快捷键的使用:
    • ctrl+/ 注释.
    • 复制当前行: ctrl+d.
    • 删除当前行 :ctrl+x.
    • tab键是快捷键:如 a.log按tab可实现console.log(a).

语法的使用

变量的类型:

 1. number  
 2. string      
 3. boolean  
 4. object
 5. undefined
 6. null

可使用typeof来测定变量的类型:

<script  type ="text/javascript">
    a=3.14;
   console.log(typeof  a);
</script>

上述结果为number类型。

逻辑运算符

1.与运算&&
2.或运算||
3.非运算!
关系运算符的使用优先级为!>&&>||.
关系运算符结果都是boolean.

举例:

   var s1='hello';
   var s2=new String('hello');
    console.log(s1==s2);//比较s1和s2是否相等
    console.log(s1===s2);//比较s1和s2是否严格相等
    console.log(new String(s1).length)//在控制台显示已经转化为对象的s1的长度。

上述的输出结果为true和false.

    var name='';
    var s='lll';
    console.log( name  || 'admin');//从左往右运行,直到遇到true停止运行;
    name&&console.log(s)&&name;//从左往右运行,直到遇到false停止运行;

上述的输出结果分别是admin和无。

<script type ="text/javascript">
    var a=12,b=13;
    console.log('a='+a +', '+'b='+b);//连接符
    console.log('a="${a}",b=${b}');//可代替连接符
</script>

注意:上述两种方式输出的结果相同,最好使用第二种语句来编写代码。

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
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