《留学生》专题

1.4 Linux 该如何学习 为什么大家老是建议学习Linux最好能够先舍弃X Window的环境呢？ 这是因为X window了不起也只是Linux内的“一套软件”而不是“Linux核心”。 此外，目前发展出来的X-Window对于系统的管理上还是有无法掌握的地方，举个例子来说，如果 Linux本身捉不到网卡的时候，请问如何以X Window来捉这个硬件并且驱动他呢？ 还有，如果需要以Tarb

TensorBoard 涉及到的运算，通常是在训练庞大的深度神经网络中出现的复杂而又难以理解的运算。 为了更方便 TensorFlow 程序的理解、调试与优化，我们发布了一套叫做 TensorBoard 的可视化工具。你可以用 TensorBoard 来展现你的 TensorFlow 图像，绘制图像生成的定量指标图以及附加数据。 当 TensorBoard 设置完成后，它应该是这样子的： 数据序列

"Doing thenumbers" factor 将一个正数分解为多个素数. bash$ factor 27417 27417: 3 13 19 37 bc Bash 不能处理浮点运算, 并且缺乏特定的一些操作,这些操作都是一些重要的计算功能.幸运的是, bc 可以解决这个问题. bc 不仅仅是个多功能灵活的精确的工具, 而且它还提供许多编程语言才具备的一些方便的

通过网络传输的数据必须加密，以防止被 hacker（黑客）读取或篡改，并且保证发出的数据和收到的数据检验和一致。 鉴于 Go 母公司的业务，我们毫不惊讶地看到 Go 的标准库为该领域提供了超过 30 个的包： hash 包：实现了 adler32、crc32、crc64 和 fnv 校验； crypto 包：实现了其它的 hash 算法，比如 md4、md5、sha1 等。以及完整地实现了 aes

这个教程的目标读者是对机器学习和TensorFlow都不太了解的新手。如果你已经了解MNIST和softmax回归(softmax regression)的相关知识，你可以阅读这个快速上手教程。 当我们开始学习编程的时候，第一件事往往是学习打印"Hello World"。就好比编程入门有Hello World，机器学习入门有MNIST。 MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。事实上，一些特定领域已经应用机器学习几十年了，比如光学字符识别 （Optical Character Recognition，OCR）。但是直到 1990 年代，第一个影响了数亿人的机器学习应用才真正成熟，它就是垃圾邮件过滤器（sp

到此我们已经全面了解了一些关键概念，如Internet、WWW、客户端、服务器、本地应用、移动网页应用，前后端开发以及技术架构等。 现在让我们再来回顾一下引言部分提出的问题： 为什么要学？是不是适合你？怎么学？ 我们的建议是： 1. 如果你偏感性一点，喜欢与人交流多于服务器命令行交互，那么你适合学习客户端开发技术，而在客户端技术里，HTML5将在PC端替代Flash和Silverlight插件，在

当你开始思考你应该如何学习WebGL和Three.js的时候，相信你至少对相关的关键词了解过了，希望通过WebGL或Three.js实现你想要的Web3D功能，也许你也会去思考通过WebGL或Three.js能不能实现你想要的功能，也许你是因为领导临时分配任务，还不太清楚WebGL和Three.js是什么，个人建议是不要做过多思考，先看看相关的具体技术教程，随着时间的推移你自然会明白Canvas、

OpenCV中的数学工具

描述 (Description) 数学函数包括用于执行数字运算的方法，例如圆形，平方根，功率值，模数，百分比等。 下表显示了LESS中使用的数学函数 - Sr.No. 功能说明 例 1 ceil 它将数字向上舍入到下一个最高整数。 ceil(0.7) 它将数字四舍五入到 - 1 2 floor 它将数字向下舍入到下一个最小整数。 floor(3.3) 它将数字四舍五入到 - 3 3 per

在上一章，我们学习了深度神经网络通常比浅层神经网络更加难以训练。我们有理由相信，若是可以训练深度网络，则能够获得比浅层网络更加强大的能力，但是现实很残酷。从上一章我们可以看到很多不利的消息，但是这些困难不能阻止我们使用深度神经网络。本章，我们将给出可以用来训练深度神经网络的技术，并在实战中应用它们。同样我们也会从更加广阔的视角来看神经网络，简要地回顾近期有关深度神经网络在图像识别、语音识别和其他应

感知机学习问题转化为求解损失函数的最优化问题，最优化的方法就是随机梯度下降法。 1. 学习算法的原始形式 给定一个训练数据集$$T={(x{(1)},y{(1)}),(x{(2)},y{(2)}),...,(x{(m)},y{(m)})}$$，其中，$$x{(i)}in X= Rn$$，$$y^{(i)}in Y=lbrace+1,-1rbrace$$，$$i=1,2,...,m$$，求参数$$w

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。事实上，一些特定领域已经应用机器学习几十年了，比如光学字符识别 （Optical Character Recognition，OCR）。但是直到 1990 年代，第一个影响了数亿人的机器学习应用才真正成熟，它就是垃圾邮件过滤器（sp

本章的目标是开发一个 Web 爬虫，它测试了第 6.1 节中提到的“到达哲学”猜想。 7.1 起步 在本书的仓库中，你将找到一些帮助你起步的代码： WikiNodeExample.java包含前一章的代码，展示了 DOM 树中深度优先搜索（DFS）的递归和迭代实现。 WikiNodeIterable.java包含Iterable类，用于遍历 DOM 树。我将在下一节中解释这段代码。 WikiFet

卷积神经网络(CNN) 卷积神经网络(Convolutional Neural Network,CNN)是将二维离散卷积运算和人工神经网络相结合的一种深度神经网络。它的特点是可以自动提取特征。有关卷积神经网络的数学原理和训练过程请见我的另一篇文章《机器学习教程 十五-细解卷积神经网络》。 手写数字识别 为了试验，我们直接采用http://yann.lecun.com/exdb/mnist/中的手写