- 博客(32)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Ubuntu系统网络连不上&线缆已拔出&服务启动
Bug: 选中VMware DHCP Service，点击重启动，显示信息：启动后又停止。，查看下图两个VM的服务是否处于正在运行的状态（1处），如果不是，点击重启动（2处）。更改虚拟网络编辑器设置，更改设置，选中VMnet0-选择桥式连接-自动，其余全不选。 问题分析：主要还是VMware的虚拟网络的配置问题，解决方法看第4步。虚拟机设置----网络适配器----桥式模式/NAT模式。ubuntu中，设置----网络。的设置如下，选择1or2都可以。编辑----虚拟网络编辑器。
2023-07-11 20:41:12
4506
10
转载 公网IP、私网IP、动态IP、静态IP
公网又名广域网、外网，指的就是我们平时说的互联网。私网又名内网、局域网，指的是路由器或交换机下创建的局部互联网络。网络的功能说的简单些就是使多台计算机实现互联，可以互相传输数据。广域网实现广域的互联，局域网实现局域的互联。像我们平时上网看新闻、看电影，上的都是互联网，也可以说是公网。而路由器或交换机为一个家庭、一个小区、一个企业创建的内部互联网络就是局域网。
2023-05-23 15:04:06
3520
原创 解决VScode中：C/C++编译器错误导致头文件报错问题
如要解决VScode中：C/C++编译器错误导致的头文件报错问题。同时包括VScode下载安装，C/C++编译器下载安装，环境配置等。
2022-09-27 21:46:33
17381
原创 《深度学习入门》第八章：深度学习
同志们，最后一章了哦~~~~本章主要介绍采用深度学习方法实现对MNIST数据集的识别。大家可能好奇，MNIST数据集以及书中第三章的编程代码怎么没有，我也是查了网上很多资料，都没有和书上匹配的，就在刚才，突然发现书皮后面有个二维码，就是下图，扫码就可以下载，真是呜呜呜了~~~当时找的好辛苦！！！...
2022-03-05 11:40:40
2511
1
原创 《深度学习入门》第七章：卷积神经网络
当当当当！！！终于到正题了！！！1. CNN（convolutional neural network, CNN）：同样通过组装层实现，不过新出现了卷积层（convolution层）和池化层（pooling层）2. 为什么要用卷积层（convolution）：全连接层缺点：数据的形状被“忽视”，如：输入数据是图像时，其高、长、通道方向上的3维数据需要拉平至1维数据。而3维形状中含有重要的空间信息，如：空间上相邻的像素为相似的值、RGB的各个通道之间分别有密切的关联性、相距较远的像素之间没有什
2022-03-04 22:54:39
781
原创 《深度学习入门》第六章：与学习相关的技巧
复习知识：最优化：寻找最优参数，解决这个问题的过程的方法即最优化。随机梯度下降法（stochastic gradient descent ,SGD）：为找到最优参数，将参数的梯度作为线索，沿梯度的方向更新参数，并重复步骤多次，从而逐渐靠近最优参数的过程。即：用右边的值更新左边的值，SGD是朝着梯度方向只前进一定距离的简单方法。缺点：如果函数的形状非均向（anisotropic），比如呈延伸状，搜索的路径就会非常低效。根本原因是：梯度的方向并没有指向最小值的方向。如下图：改进方法：Momen
2022-03-04 20:41:22
412
原创 《深度学习入门》第五章：误差反向传播法
好久没更了，不过这回是学完了整本书，一下子更新4章完事儿。欢迎大家给出意见和建议呀！！！1. 误差反向传播法：是能够高效计算权重参数的梯度方法，可以通过反向传播高效计算导数。正确理解该方法：一是基于数学式：严密简洁；二是基于计算图（该章重点）：直观。2. 计算图：大致如下图所示，虚灰线代表正向传播，黑实线代表反向传播：将局部导数从右向左传递，原理是基于链式法则的（可以通过黑实线下面数字高效计算导数）。反向传播导数运算原理如下：3. 链式法则：引入复数运算来解释，如下图所示:
2022-03-04 18:41:48
722
原创 “西瓜书核心知识点”---第三章：线性模型
写在前面：本章内容不是很重要，关于线性及二分类和多分类问题，重点我认为和更新的另一篇专栏《深度学习入门》的第四章知识点差不多，所以大家感兴趣可以参考我的另一篇知识点总结。链接如下：https://blog.csdn.net/weixin_44775494/article/details/122833085...
2022-02-08 23:18:19
574
1
原创 《深度学习入门》第四章：神经网络的学习
“学习”目的：从训练数据中自动获取最优权重、偏置参数，使得损失函数达到最小。▲注：若有100个训练数据，要把100个损失函数的总和作为学习的指标。即：假设有N个数据，tnk表示第n个数据的第k个元素的值，ynk是神经网络的输出，tnk是监督数据。得到E为单个数据的平均损失函数。▲注：为使损失函数达到最小，需要计算权重、偏置参数的导数（准确的说是梯度），然后以这个导数为指引，逐步更新参数的值。●若导数值为负，改变参数向正向变化，减小损失函数值；若导数值为正，改变参数向负向变化，减小损失函数值。.
2022-02-08 23:14:16
2012
原创 《深度学习入门》第三章：神经网络
写在前面：由于本书的前两章内容比较基础，所以专栏中没有整理相关知识点，但不影响对本书的学习哦~~~感知机：可以表示复杂函数，但是设定权重的工作还是由人来完成。神经网络：自动的从数据中学习到合适的权重参数。● 朴素感知机：单层网络（权重层数），指激活函数为 阶跃函数。●多层感知机：神经网络，即使用sigmoid函数等平滑的激活函数的多层网络。这里是引用激活函数：将输入信号的总和转换为输出信号，作用在于决定如何来激活输入信号的总和。●Sigmoid函数：很早就被使用。●ReLU
2022-02-08 23:02:17
687
原创 “西瓜书核心知识点”---第二章：模型评估与选择
1.错误率(error rate)：分类错误的样本占样本总数的比例，精度=1-错误率。误差：学习器的实际预测输出与样本真是输出之间的差异。训练误差or经验误差：学习器在训练集上的误差。泛化误差：学习器在新样本上的误差。泛化误差越小越好。学的“太好了”（将训练样本本身的特点当成所有样本都会有的一般性质）就会导致泛化能力下降，即“过拟合”。“欠拟合”：对训练样本的一般性质尚未学好。2.评估泛化误差：使用“测试集”来测试学习器对新样本的判别能力，得到“测试误差”即近似为“泛化误差”。注意：测试集样
2022-01-23 23:01:48
2319
原创 Matlab--k-means聚类算法实现
**Matlab–k-means聚类算法实现**第一次在CSDN写自己的博客，希望开门大吉 哈哈哈也希望分享的内容大家能够喜欢。本次创作内容为-----k-means聚类算法实现。自己用matlab写的时候，遇到很多问题，一些常见matlab语法等等，查找很多博主分享的知识，获益许多，由此形成了这次的完整代码，运行成功的！本次编写内容为：编程实现k-means聚类算法，并将实验结果显示出来。代码如下，也欢迎大家一起交流，共同学习和进步！E1 = [0,0]; %数学期望sigma =
2021-11-22 21:32:25
3819
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人