xml.dom.minidom —- 最小化的 DOM 实现 DOM 对象 DOM 示例 minidom 和 DOM 标准 xml.dom.minidom —- 最小化的 DOM 实现 源代码: Lib/xml/dom/minidom.py xml.dom.minidom 是文档对象模型接口的最小化实现，具有与其他语言类似的 API...

20.7. xml.dom.minidom — 最小化的 DOM 实现 20.7.1. DOM 对象 20.7.2. DOM 示例 20.7.3. minidom 和 DOM 标准 20.7. xml.dom.minidom — 最小化的 DOM 实现 源代码: Lib/xml/dom/minidom.py xml.dom.min...

15. 使类和成员的可访问性最小化 15. 使类和成员的可访问性最小化 　　将设计良好的组件与设计不佳的组件区分开来的最重要的因素是，隐藏内部数据和其他实现细节的程度。一个设计良好的组件隐藏了它的所有实现细节，干净地将它的 API 与它的实现分离开来。然后，组件只通过它们的 API 进行通信，并且对彼此的内部工作一无所知。这一概念，被称为信息隐藏或封...

术语中英文对照表 第一章：RV64 裸机应用 第二章：批处理系统 第三章：多道程序与分时多任务 第四章：地址空间 术语中英文对照表 第一章：RV64 裸机应用 中文 英文 出现章节 执行环境 Execution Environment 应用程序运行环境与平台支持 系统调用 System Call 应用程序运行环境与...

7.1. 优化与深度学习 7.1.1. 优化与深度学习的关系 7.1.2. 优化在深度学习中的挑战 7.1.2.1. 局部最小值 7.1.2.2. 鞍点 7.1.3. 小结 7.1.4. 练习 7.1.5. 参考文献 7.1. 优化与深度学习 本节将讨论优化与深度学习的关系，以及优化在深度学习中的挑战。在一个深度学习问题中，我们通常会预...

安装准备 获取安装源 发布包完整性校验 简介 前提条件 操作指导 物理机的安装要求 硬件兼容支持 最小硬件要求 虚拟机的安装要求 虚拟化平台兼容性 最小虚拟化空间要求 安装准备 介绍安装前需要考虑软硬件兼容性状况，以及相关的配置和准备工作。 安装准备 获取安装源 发布包完整性校验 简介 前提条件 操作指导 ...

7.1 优化与深度学习 7.1.1 优化与深度学习的关系 7.1.2 优化在深度学习中的挑战 7.1.2.1 局部最小值 7.1.2.2 鞍点 小结 参考文献 7.1 优化与深度学习 本节将讨论优化与深度学习的关系，以及优化在深度学习中的挑战。在一个深度学习问题中，我们通常会预先定义一个损失函数。有了损失函数以后，我们就可以使用优化算法试...

一、线性回归 1.1 问题 1.2 求解 1.3 算法 一、线性回归 1.1 问题 给定数据集 ，其中 。 线性回归问题试图学习模型 ： 该问题也被称作多元线性回归(multivariate linear regression ) 对于每个 ，其预测值为 。采用平方损失函数，则在训练集 上，模型的损失函数为： 优化...

一、参数范数正则化 1.1 L2 正则化 1.1.1 整体影响 1.1.2 物理意义 1.1.3 示例 1.2 L1 正则化 1.2.1 整体效果 1.2.2 物理意义 1.3 L1/L2正则化与最大后验估计 一、参数范数正则化 一些正则化方法通过对目标函数 添加一个参数范数正则化项 来限制模型的容量capacity 。 正...

安装准备 获取安装源 发布包完整性校验 简介 前提条件 操作指导 物理机的安装要求 硬件兼容支持 最小硬件要求 虚拟机的安装要求 虚拟化平台兼容性 最小虚拟化空间要求 安装准备 介绍安装前需要考虑软硬件兼容性状况，以及相关的配置和准备工作。 获取安装源 在安装开始前，您需要获取openEuler的发布包和校验文件。 请按...