分类
发现
榜单
服务器优惠
AI论文
免费AI编程助手
搜索
注册
登录
分类
发现
榜单
服务器优惠
AI论文
免费AI编程助手
搜索
注册
登录
搜索
书栈网 · BookStack
本次搜索耗时
0.024
秒,为您找到
141866
个相关结果.
搜书籍
搜文档
4 - 在线HA安装
2848
2019-06-11
《Rancher v2.0 使用手册》
4 - 在线HA安装 四层代理与七层代理的区别 Rancher HA部署架构 方案一、全局Nginx(tcp)-Ingress(http)-Rancher 方案二、全局Nginx(http)-Ingress(http)-Rancher 方案三、全局Nginx(http)-Rancher(nodeport) 4 - 在线HA安装 注意 R...
工作原理
2266
2018-09-19
《RT-Thread 软件包手册》
工作原理 SSL/TLS 握手流程 DTLS 握手流程 工作原理 mbedtls 软件包是对 SSL/TLS 协议的实现。SSL(安全套接层)和 TLS(传输安全层)均是为了保证传输过程中信息的安全,是在明文传输基础上进行的加密,然后以密文的形式传输数据。 mbedTLS 建立安全通信连接需要经过以下几个步骤: 初始化 SSL/TLS 上...
UDP
2475
2018-02-01
《SDN网络指南》
UDP IP分片 UDP UDP是一种对象数据报的传输层协议,它不提供可靠性,其数据报被封装在IP数据报中,封装格式如下图所示: 首部格式为 源端口号和目的端口号分表表示了发送进程和接收进程 UDP长度字段包括了UDP首部和UDP数据的字节长度 UDP检验和覆盖了UDP首部和UDP数据(IP首部检验和只覆盖了IP首部,不覆盖数据报中的...
8. 顶层的组件
898
2018-07-23
《Python 2 语言参考》
8. 顶层的组件 8.1. 完整的Python 程序 8.2. 文件输入 8.3. 交互式输入 8.4. 表达式输入 8. 顶层的组件 Python 解释器可以从多个源获取输入:从以标准输入或者程序参数传递给它的脚本,交互式输入,模块源文件等。本章给出这些情况下使用的语法。 8.1. 完整的Python 程序 虽然语言的规范不需要规定语...
工作原理
1151
2018-09-19
《RT-Thread 软件包手册》
工作原理 IoT 客户端框架 工作原理 IoT 客户端框架 Azure IoT 中心为了方便设备连接提供了丰富的连接协议,如 MQTT、HTTP 等,同时 Azure IoT 中心只支持安全连接。与 IoT 中心的连接由设备客户端来完成,每一个连接到 IoT 中心的设备都会创建一个 IoT 中心客户端实例,当连接关闭时,将这个实例释放掉即可。 ...
代码分层设计
1443
2022-03-12
《GoFrame v2.0 开发文档》
一、基本介绍 二、MVC 设计模式 简要介绍 痛点描述 三、3-Tier Architecture 表示层 - UI 业务逻辑层 - BLL 数据访问层 - DAL 模型定义层 - Model 三层架构设计与MVC 四、更进一步了解 代码分层的意义在于将程序逻辑进一步解耦,将层级之间的数据流和依赖关系设计为单向链路,使得系...
4.1 模型构造
3225
2020-06-10
《《动手学深度学习》(PyTorch版)》
4.1 模型构造 4.1.1 继承Module类来构造模型 4.1.2 Module的子类 4.1.2.1 Sequential类 4.1.2.2 ModuleList类 4.1.2.3 ModuleDict类 4.1.3 构造复杂的模型 小结 4.1 模型构造 让我们回顾一下在3.10节(多层感知机的简洁实现)中含单隐藏层的多层感知机...
一、LeNet
1228
2020-06-01
《AI算法工程师手册》
一、LeNet 一、LeNet 1998年LeCun 推出了LeNet 网络,它是第一个广为流传的卷积神经网络。 LeNet 网络包含了卷积层、池化层、全连接层,这些都是现代CNN 网络的基本组件。 输入层:二维图像,尺寸为32x32 。 C1、C3、C5 层:二维卷积层。 其中C5 将输入的 feature map ...
5.5 深度学习
2437
2019-11-07
《周志华《机器学习》学习笔记》
5.5 深度学习 5.5 深度学习 理论上,参数越多,模型复杂度就越高,容量(capability)就越大,从而能完成更复杂的学习任务。深度学习(deep learning)正是一种极其复杂而强大的模型。 怎么增大模型复杂度呢?两个办法,一是增加隐层的数目,二是增加隐层神经元的数目。前者更有效一些,因为它不仅增加了功能神经元的数量,还增加了激活...
反向传播背后的四个基本等式
1621
2018-07-20
《神经网络与深度学习(完整版)》
反向传播背后的四个基本等式 问题 反向传播背后的四个基本等式 反向传播(backpropagation)能够帮助解释网络的权重和偏置的改变是如何改变代价函数的。归根结底,它的意思是指计算偏导数\partial C / \partial w^l<em>{jk}和。但是为了计算这些偏导数,我们首先介绍一个中间量,,我们管它叫做层的神经元的错误量(err...
1..
«
92
93
94
95
»
..100