Paradox 是一个用 Python 3 和 numpy 实现一个简单的深度学习框架，了解流行框架的原理。
示例代码：
import numpy as np
import matplotlib.pyplot as plt
import paradox as pd
# 随机生成点的个数。
points_sum = 200
x_data = []
y_data = []
# 生成y = 2 * x + 1直线附近的随机点。
for _ in range(points_sum):
x = np.random.normal(0, 2)
y = x * 2 + 1 + np.random.normal(0, 2)
x_data.append(x)
y_data.append(y)
x_np = np.array(x_data)
y_np = np.array(y_data)
# 定义符号。
X = pd.Constant(x_np, name='x')
Y = pd.Constant(y_np, name='y')
w = pd.Variable(0, name='w')
b = pd.Variable(1, name='b')
# 使用最小二乘误差。
loss = pd.reduce_mean((w * X + b - Y) ** 2)
# 创建loss计算引擎，申明变量为w和b。
loss_engine = pd.Engine(loss, [w, b])
# 梯度下降optimizer。
optimizer = pd.GradientDescentOptimizer(0.00005)
# 迭代100次最小化loss。
for epoch in range(100):
optimizer.minimize(loss_engine)
loss_value = loss_engine.value()
print('loss = {:.8f}'.format(loss_value))
# 获取w和b的训练值。
w_value = pd.Engine(w).value()
b_value = pd.Engine(b).value()
# 绘制图像。
plt.title('Paradox implement Linear Regression')
plt.plot(x_data, y_data, 'ro', label='Data')
plt.plot(x_data, w_value * x_data + b_value, label='Regression')
plt.legend()
plt.show()
运行结果：
-
paradox 数据库是borland公司的产品，以.db为扩展名,其中 1） 文件目录＝＝数据库 2） .db文件＝＝数据表 以下是Jave连接paradox数据库的几种方式： <1> 利用JDBC驱动 前提：Paradox_JDBC30.jar包（收费） 连接代码如下： String driver = "com.hxtt.sql.paradox.ParadoxDriver"; String u
-
其数据结构的字段类型变化参照表1。 ---- 表1： 在DBF的字段类型 转换成Paradox字段类型 ------------------------------------------ C Alpha F（浮点型） Number N Number
-
Paradox数据库是一个关系型数据库，现在看来它已经非常的古老了，而且在这之前没有听说过，但依然还有一些现行的系统中使用它，而且早期Delphi的程序用它比较多，好了这个关系先不深究了。现在客户给的数据库文件需要导入到我们的系统中，我们采用的策略是上传数据库文件，通过程序来连接读取该文件。数据库文件扩展名为.DB，乍一看让我想到了sqlite，但是通过花费一些时间查找以及验证，才终于确定，原来它
-
paradox 数据库是borland公司的产品，以.db为扩展名,其中 1） 文件目录＝＝数据库 2） .db文件＝＝数据表 以下是Jave连接paradox数据库的几种方式： <1> 利用JDBC驱动 前提：Paradox_JDBC30.jar包（收费） 连接代码如下： String driver = "com.hxtt.sql.paradox.ParadoxDriver"; Strin
-
以欧陆风云4为例，在...\Documents\Paradox Interactive\Europa Universalis IV\mod目录下用记事本打开文件CN_chinese_mod.mod，检查其中的path是否为绝对路径，如果是绝对路径，很有可能和本地路径不一致。可以将其修改为相对路径，如：path="mod/eu4_chinese"。
-
自我介绍 问项目（主要是谈项目的细节） cpu的体系结构 与内存之间的交互 手写环形缓冲区的逻辑 包括读缓冲区 写缓冲区的操作（c++） 手写自旋锁的逻辑 （c++） 算法：排序链表 要求使用归并排序
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
torch是什么 torch就是诸多深度学习框架中的一种 业界有几大深度学习框架：1）tensorflow，谷歌主推，时下最火，小型试验和大型计算都可以，基于python，缺点是上手相对较难，速度一般；2）torch，facebook主推，用于小型试验，开源应用较多，基于lua，上手较快，网上文档较全，缺点是lua语言相对冷门；3）mxnet，大公司主推，主要用于大型计算，基于python和R，缺
-
我太菜了，C++需要恶补才行，面试完基本上就知道自己寄，面试官特别好给我说了很多，也让我充分认识到自己的不足 如果是项目的话，会问你项目背景以及项目最终的实现结果等等 如果是自己学习的项目的话，会问你对这个项目的学习心得 最后问对C++对掌握程度 实现vector
-
5.8 二面 简单自我介绍 先问了下adam优化器的算法公式，有点忘了 糊弄了一下😢 然后让我详细介绍项目 扯了10min 让我讲一些数学求导原理（项目相关） 扯下一个项目 场景优化题 attention块中可以优化哪些地方 qkv 矩阵乘优化，kvcache引入后，qkT变成gemm和gemv两种优化 softmax似乎也有优化手段，但我答错了 面试官让我回去看看flash attention
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。