书栈网 · BookStack 本次搜索耗时 0.020 秒,为您找到 1323 个相关结果.
  • 贡献

    关于 Github Issues 和 Pull Requests 漏洞报告 请求新功能 请求贡献代码 Pull Requests 合并请求 添加新的样例 关于 Github Issues 和 Pull Requests 找到一个漏洞?有一个新的功能建议?想要对代码库做出贡献?请务必先阅读这些。 漏洞报告 你的代码不起作用,你确定问题在...
  • Faasm Toolchain

    814 2020-03-26 《Faasm Document》
    Faasm Toolchain Runtime Building Building Toolchain Rebuilding Toolchain Troubleshooting the build Usage Shared Libraries SIMD Toolchain Updates Faasm Toolchain Althou...
  • Custom layer - antirectifier

    This example demonstrates how to write custom layers for Keras. This example demonstrates how to write custom layers for Keras. We build a custom activation layer called 'Antir...
  • 名称作用域

    名称作用域 当处理更复杂的模型(如神经网络)时,该图可以很容易地与数千个节点混淆。 为了避免这种情况,您可以创建名称作用域来对相关节点进行分组。 例如,我们修改以前的代码来定义名为loss 的名称作用域内的错误和mse 操作: with tf . name_scope ( "loss" ) as scope : error = ...
  • Getting started with Katib

    Getting started with Katib Katib setup Installing Katib Setting up persistent volumes Accessing the Katib UI Examples Example using random algorithm TensorFlow example PyTorc...
  • 5-5,损失函数losses

    5-5,损失函数losses 一,损失函数和正则化项 二,内置损失函数 三,自定义损失函数 5-5,损失函数losses 一般来说,监督学习的目标函数由损失函数和正则化项组成。(Objective = Loss + Regularization) 对于keras模型,目标函数中的正则化项一般在各层中指定,例如使用Dense的 kernel_r...
  • 设计理念

    Angel的设计理念 灵活性 性能 易用性 扩展性 稳定 Angel的设计理念 Angel的整体设计理念,是简约而不简单 ,做一个灵活而强大的参数服务器,并在此之上,提供多种机器学习算法,和PS服务,扩展为一个分布式机器学习平台。 因此,在开发之时,Angel从如下5个方向,对整体进行了改进和设计,并在它们之间进行了平衡。包括: 易...
  • 5-2,特征列feature_column

    5-2,特征列feature_column 一,特征列用法概述 二,特征列使用范例 5-2,特征列feature_column 特征列 通常用于对结构化数据实施特征工程时候使用,图像或者文本数据一般不会用到特征列。 一,特征列用法概述 使用特征列可以将类别特征转换为one-hot编码特征,将连续特征构建分桶特征,以及对多个特征生成交叉特征等...
  • Edward中文文档

    2396 2018-05-26 《Edward中文文档》
    Edward中文文档 关于Edward-cn 我们开始吧! 安装 注 Resources Edward中文文档 Edward的设计反映了概率建模的基础。 它定义了可互换的组件,并且可以使用概率模型进行快速实验和研究。 Edward被命名的梗是George Edward Pelham Box 。Edward的设计遵循了Box先生的统计学和机...
  • 模型的部署

    一、常用移动端深度学习框架 ———————— 2018.12.07 分割线 ———————— 二、性能对比 (截至2018.09) 1. NCNN / FeatherCNN / MACE 2. paddle-mobile (MDL) 三、框架评价 四、几款移动端深度学习框架分析 1.腾讯的FeatherCNN和ncnn 2.百度的 paddl...