项目简介 Features Demo 原Domo目录 文档 设计文档 开发文档 贡献代码 模型获得 1. 直接使用Paddle Fluid训练 2. Caffe转为Paddle Fluid模型 3. ONNX 4. 部分测试模型和测试图片下载 问题解决 Copyright and License 旧版 Mobile-Deep-Le...

直通天堂 直通天堂 最近比较苦逼比较惨，这系列又可以继续了… 維多利亞時代英国最伟大的作家 查尔斯·狄更斯 在 《双城记》中曾说过： 这是一个最好的时代，也是一个最坏的时代；这是明智的时代，这是愚昧的时代；这是信任的纪元，这是怀疑的纪元；这是光明的季节，这是黑暗的季节；这是希望的春日，这是失望的冬日；我们应有尽有，我们一无所有；这里直通天...

有一些网友看了前两天的《Linux下应该知道的技巧 》希望我能教教他们用awk和sed，所以，出现了这篇文章。我估计这些80后的年轻朋友可能对awk/sed这类上古神器有点陌生了，所以需要我这个老家伙来炒炒冷饭。况且，AWK是贝尔实验室1977年搞出来的文本出现神器，今年是蛇年，是AWK的本命年，而且年纪和我相仿，所以非常有必要为他写篇文章 。 之所...

10.11 注意力机制 10.11.1 计算背景变量 10.11.1.1 矢量化计算 10.11.2 更新隐藏状态 10.11.3 发展 小结 参考文献 10.11 注意力机制 在10.9节（编码器—解码器（seq2seq））里，解码器在各个时间步依赖相同的背景变量来获取输入序列信息。当编码器为循环神经网络时，背景变量来自它最终时间步的隐...

3.4 softmax回归 3.4.1 分类问题 3.4.2 softmax回归模型 3.4.3 单样本分类的矢量计算表达式 3.4.4 小批量样本分类的矢量计算表达式 3.4.5 交叉熵损失函数 3.4.6 模型预测及评价 小结 3.4 softmax回归 前几节介绍的线性回归模型适用于输出为连续值的情景。在另一类情景中，模型输出可以...

3.4. softmax回归 3.4.1. 分类问题 3.4.2. softmax回归模型 3.4.2.1. softmax运算 3.4.3. 单样本分类的矢量计算表达式 3.4.4. 小批量样本分类的矢量计算表达式 3.4.5. 交叉熵损失函数 3.4.6. 模型预测及评价 3.4.7. 小结 3.4.8. 练习 3.4. sof...

6.3. 语言模型数据集（周杰伦专辑歌词） 6.3.1. 读取数据集 6.3.2. 建立字符索引 6.3.3. 时序数据的采样 6.3.3.1. 随机采样 6.3.3.2. 相邻采样 6.3.4. 小结 6.3.5. 练习 6.3. 语言模型数据集（周杰伦专辑歌词） 本节将介绍如何预处理一个语言模型数据集，并将其转换成字符级循环神经网络...

使用PyTorch进行深度学习 深度学习构建模块：仿射变换, 非线性函数以及目标函数 仿射变换 非线性函数 Softmax和概率 目标函数 优化和训练 使用PyTorch创建网络组件 示例: 基于逻辑回归与词袋模式的文本分类器 使用PyTorch进行深度学习 译者：bdqfork 校对者：FontTian 作者 : Ro...

Git的诞生 Git的诞生 很多人都知道，Linus在1991年创建了开源的Linux，从此，Linux系统不断发展，已经成为最大的服务器系统软件了。 Linus虽然创建了Linux，但Linux的壮大是靠全世界热心的志愿者参与的，这么多人在世界各地为Linux编写代码，那Linux的代码是如何管理的呢？ 事实是，在2002年以前，世界各地的志愿...