欢迎使用Markdown编辑器写博客
本Markdown编辑器使用[StackEdit][6]修改而来,用它写博客,将会带来全新的体验哦:
- Markdown和扩展Markdown简洁的语法
- 代码块高亮- 图片链接和图片上传
- LaTex数学公式
- UML序列图和流程图
- 离线写博客
- 导入导出Markdown文件
- 丰富的快捷键
快捷键
- 加粗
Ctrl + B
- 斜体
Ctrl + I
- 引用
Ctrl + Q
- 插入链接
Ctrl + L
- 插入代码
Ctrl + K
- 插入图片
Ctrl + G
- 提升标题
Ctrl + H
- 有序列表
Ctrl + O
- 无序列表
Ctrl + U
- 横线
Ctrl + R
- 撤销
Ctrl + Z
- 重做
Ctrl + Y
Markdown及扩展
Markdown 是一种轻量级标记语言,它允许人们使用易读易写的纯文本格式编写文档,然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]
使用简单的符号标识不同的标题,将某些文字标记为粗体或者斜体,创建一个链接等,详细语法参考帮助?。
本编辑器支持 Markdown Extra , 扩展了很多好用的功能。具体请参考Github.
表格
Markdown Extra 表格语法:
项目 | 价格 |
---|---|
Computer | $1600 |
Phone | $12 |
Pipe | $1 |
可以使用冒号来定义对齐方式:
项目 | 价格 | 数量 |
---|---|---|
Computer | 1600 元 | 5 |
Phone | 12 元 | 12 |
Pipe | 1 元 | 234 |
定义列表
-
Markdown Extra 定义列表语法:
项目1
项目2
- 定义 A
- 定义 B 项目3
- 定义 C
-
定义 D
定义D内容
代码块
代码块语法遵循标准markdown代码,例如:
@requires_authorization
def somefunc(param1='', param2=0):
'''A docstring'''
if param1 > param2: # interesting
print 'Greater'
return (param2 - param1 + 1) or None
class SomeClass:
pass
>>> message = '''interpreter
... prompt'''
脚注
生成一个脚注1.
目录
用 [TOC]
来生成目录:
数学公式
使用MathJax渲染LaTex 数学公式,详见math.stackexchange.com.
- 行内公式,数学公式为: Γ(n)=(n−1)!∀n∈N Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N 。
- 块级公式:
更多LaTex语法请参考 这儿.
UML 图:
可以渲染序列图:
或者流程图:
离线写博客
即使用户在没有网络的情况下,也可以通过本编辑器离线写博客(直接在曾经使用过的浏览器中输入write.blog.csdn.net/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。
用户写博客的过程中,内容实时保存在浏览器缓存中,在用户关闭浏览器或者其它异常情况下,内容不会丢失。用户再次打开浏览器时,会显示上次用户正在编辑的没有发表的内容。
博客发表后,本地缓存将被删除。
用户可以选择 把正在写的博客保存到服务器草稿箱,即使换浏览器或者清除缓存,内容也不会丢失。
注意:虽然浏览器存储大部分时候都比较可靠,但为了您的数据安全,在联网后,请务必及时发表或者保存到服务器草稿箱。
浏览器兼容
- 目前,本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
- IE9以下不支持
- IE9,10,11存在以下问题
- 不支持离线功能
- IE9不支持文件导入导出
- IE10不支持拖拽文件导入
[]: https://github.com/benweet/stackedit
对于神经网络,全称应该是人工神经网络,是对生物神经网络的模拟。大概的,对生物神经网络的模拟主要分为3个部分,即结构,神经元和突触。首先,我们从神经元聊起。
1神经元
1.1 感知器
要理解一个事物,我感觉最好的办法就是理解他的发展过程。从他的发展历史来看,就能更加深入的理解他为什么是这个样子。
对神经元,我想从感知器聊起。感知器是早期神经网络中的神经元的模型,用来模拟神经元对事件的决策。感知器在上个世纪60年代由Frank Rosenblatt发明,虽然现在使用更为广泛的是S型神经元、ReLU等,但是了解感知器,能够对这门技术的发展有一个更好的理解。
感知器是这样一个简单的模型,如下图所示:
感知器接受若干个输入,产生一个输出,输出的计算方式如下:
, 这是一个向量的形式,表示对所有的输入给不同的权重,输入到感知器中;b是一个阈值(偏置),可以用来表示感知器输出0或者1的难易程度。
例如,我们要用感知器来决策周末要不要去爬山,输入有这么3项,分别为周末的天气晴朗(x1),女朋友想去(x2),有基友相约开黑(x3)。输出1表示要去爬山。
如果我们觉得天气晴朗是最关键的因素,那么我们可以设置w1 = 5, w2=1, w3=-1, b= -1
如果我们觉得有基友约开黑这种事情千万不能错过的话,可以设置权重和偏置为 w1 = 1 w2=1, w3=-5, b= -1
总的来说,通过感知器,设置不同的权重和偏置,我们可以对不同的事情做出不同的决策。通过修改权重和偏置,我们可以找到最适合我们应用的感知器模型,用来解决现实的问题。
但是感知器有它的问题,因为训练神经网络的核心在于得到网络中合适的权重和偏置,通常我们需要不断的调整权重和偏置,使得训练样本的结果不断的接近正确的结果。这就需要一个对权重和偏置的微小调整对输出的影响也是微小的(是不是感觉有点懵,没关系,先跳过,后面介绍了梯度下降和反向传播算法你就豁然开朗了)。我们把输入Z=wx+b, 画出输入与输出的曲线,如图:
从图中可以看出,感知器的曲线是非连续的,在Z=0时有一个阶跃。当我们改变权重和偏置使得Z从正数变成负数或者从负数变成正数时,会对输出造成一个反转。这样会使得神经网络的训练变得非常困难。由此,S型神经元随之提出。
1.2 S型神经元
S型神经元其实与感知器非常的相似,模型也大致如下:
区别在于,S型神经元引入了一个激活函数,sigmoid function, 该函数的定义为:
对S型神经元,可以更为清晰的表示其输出为:
我们先看看S型神经元的曲线:
从图中可以看出,S型神经元是连续的,比感知器要平滑。
- 这里是 脚注 的 内容. ↩