wxc-button 按钮 wxc-cell 单元格 wxc-ep-slider 神奇滑动 wxc-lightbox 幻灯片 wxc-overlay 蒙层 wxc-popover 气泡菜单 wxc-popup 弹层 wxc-result 结果页 wxc-slide-nav 视窗增大

3.14. 正向传播、反向传播和计算图 3.14.1. 正向传播 3.14.2. 正向传播的计算图 3.14.3. 反向传播 3.14.4. 训练深度学习模型 3.14.5. 小结 3.14.6. 练习 3.14. 正向传播、反向传播和计算图 前面几节里我们使用了小批量随机梯度下降的优化算法来训练模型。在实现中，我们只提供了模型的正向传播...

新一代即时编译器 新一代即时编译器 对需要长时间运行的应用来说，由于经过充分预热，热点代码会被 HotSpot 的探测机制准确定位捕获，并将其编译为物理硬件可直接执行的机器码，在这类应用中 Java 的运行效率很大程度上是取决于即时编译器所输出的代码质量。 HotSpot 虚拟机中包含有两个即时编译器，分别是编译时间较短但输出代码优化程度较低的客户端...

row_conv row_conv paddle.static.nn.row_conv ( input, future_context_size, param_attr=None, act=None ) [源代码] api_attr 声明式编程模式（静态图) 该接口为行卷积（Row-convolution operator）或称之为超前卷积...

row_conv row_conv 注意：该API仅支持【静态图】模式 paddle.fluid.layers. row_conv (input, future_context_size, param_attr=None, act=None)[源代码] 该接口为行卷积（Row-convolution operator）或称之为超前卷积（...

row_conv row_conv paddle.fluid.layers. row_conv (input, future_context_size, param_attr=None, act=None)[源代码] 该接口为行卷积（Row-convolution operator）或称之为超前卷积（lookahead convolutio...

append_backward append_backward paddle.fluid.backward. append_backward (loss, parameter_list=None, no_grad_set=None, callbacks=None)[源代码] 该接口将向主程序（main_program ）追加反向部分 。 ...

为什么正则化能够降低过拟合 为什么正则化能够降低过拟合 我们通过实验发现正则化能帮助减少过拟合。这是令人高兴的事，然而不幸的是，我们没有明显的证据证明为什么正则化可以起到这个效果！一个大家经常说起的解释是：在某种程度上，越小的权重复杂度越低，因此能够更简单且更有效地描绘数据，所以我们倾向于选择这样的权重。尽管这是个很简短的解释，却也包含了一些疑点。让...

6.4. 循环神经网络的从零开始实现 6.4.1. one-hot向量 6.4.2. 初始化模型参数 6.4.3. 定义模型 6.4.4. 定义预测函数 6.4.5. 裁剪梯度 6.4.6. 困惑度 6.4.7. 定义模型训练函数 6.4.8. 训练模型并创作歌词 6.4.9. 小结 6.4.10. 练习 6.4. 循环神经网络的...

使用PyTorch进行图像风格转换 简介 基本原理 导包并选择设备 加载图片 损失函数 内容损失 风格损失 导入模型 梯度下降 使用PyTorch进行图像风格转换 译者：bdqfork 作者 : Alexis Jacq 简介 本教程主要讲解如何实现由Leon A. Gatys，Alexander S. Ecker和...