《深圳电信》专题

举一个例子, 让我们看一看 Gradle 自带的 Copy task. 为了创建一个 Copy task, 你需要在你的构建脚本里先声明它: 例子 15.7. 创建一个 copy task build.gradle task myCopy(type: Copy) 它创建了一个没有默认行为的 copy task. 这个 task 可以通过它的 API 来配置(参考 Copy). 接下来例子展示了不同

你经常需要在构建文件里找到你定义的 tasks, 举个例子, 为了配置它们或者使用它们作为依赖. 有许多种方式都可以来实现定位. 首先, 每一个任务都必须是一个 project 的有效属性, 并使用任务名来作为属性名: 例子 15.4. 通过属性获取 tasks build.gradle task hello println hello.name println project.hello.nam

我们已经在第 6 章学习了定义任务的形式 (keyword 形式). 当然也会有一些定义形式的变化来适应某些特殊的情况. 比如下面的例子中任务名被括号括起来了. 这是因为之前定义简单任务的形式 (keyword 形式) 在表达式里是不起作用的. 例子 15.1. 定义 tasks build.gradle task(hello) << { println "hello" } task(co

第三阶段的开始 从这一章开始,不再有大幅大幅的代码了, 而只有代码的节选, 完整代码需要到 nutz-book-project中获取.

13.3. 示例: 深度相等判断 来自reflect包的DeepEqual函数可以对两个值进行深度相等判断。DeepEqual函数使用内建的==比较操作符对基础类型进行相等判断，对于复合类型则递归该变量的每个基础类型然后做类似的比较判断。因为它可以工作在任意的类型上，甚至对于一些不支持==操作运算符的类型也可以工作，因此在一些测试代码中广泛地使用该函数。比如下面的代码是用DeepEqual函数比较

大家都知道立方体的顶点数据经过顶点着色器、光栅、片元着色器等渲染管线单元处理后会得到立方体每个面的片元数据， 每个片元不仅包含RGB像素值，还有透明度分量A，片元的深度值Z，屏幕坐标(X,Y)等数据。 屏幕坐标(X,Y) 屏幕坐标指的是每一个片元的像素值在显示器canvas画布上的显示位置，如果一个网页上有多个canvas画布，或者打开多个包含canvas画布的网页窗口， 每一个引入WebGL的c

代码见nn_overfit.py 优化 Regularization 在前面实现的RELU连接的两层神经网络中，加Regularization进行约束，采用加l2 norm的方法，进行负反馈： 代码实现上，只需要对tf_sgd_relu_nn中train_loss做修改即可： 可以用tf.nn.l2_loss(t)对一个Tensor对象求l2 norm 需要对我们使用的各个W都做这样的计算（参考t

问题 你想复制一个对象，包含其所有子对象。 解决方案 clone = (obj) -> if not obj? or typeof obj isnt 'object' return obj if obj instanceof Date return new Date(obj.getTime()) if obj instanceof RegExp flags

让我们深入研究一下箭头函数。 箭头函数不仅仅是编写简洁代码的“捷径”。它还具有非常特殊且有用的特性。 JavaScript 充满了我们需要编写在其他地方执行的小函数的情况。 例如： arr.forEach(func) —— forEach 对每个数组元素都执行 func。 setTimeout(func) —— func 由内建调度器执行。 ……还有更多。 JavaScript 的精髓在于创建一个

本章到目前为止介绍的循环神经网络只有一个单向的隐藏层，在深度学习应用里，我们通常会用到含有多个隐藏层的循环神经网络，也称作深度循环神经网络。图6.11演示了一个有$L$个隐藏层的深度循环神经网络，每个隐藏状态不断传递至当前层的下一时间步和当前时间步的下一层。 具体来说，在时间步$t$里，设小批量输入$\boldsymbol{X}_t \in \mathbb{R}^{n \times d}$（样本数

除了前面介绍的 while 语句，Python 还从其它语言借鉴了一些流程控制功能，并有所改变。 4.1. if 语句 也许最有名的是 if 语句。例如: >>> x = int(input("Please enter an integer: ")) Please enter an integer: 42 >>> if x < 0: ... x = 0 ... print('N

本书将全面介绍深度学习从模型构造到模型训练的方方面面，以及它们在计算机视觉和自然语言处理中的应用。

这个文档是从侯捷网站提供的繁体板简体化过来的。由于排版问题，有些繁体的术语在换行时候没有被替换，所以遇到问题大家可以对照原文比较一下。

Java 虚拟机屏蔽了与具体操作系统平台相关的信息，使得 Java 语言编译程序只需生成在 Java 虚拟机上运行的目标代码，就可以在多种平台上不加修改地运行。

本书将全面介绍深度学习从模型构造到模型训练的方方面面，以及它们在计算机视觉和自然语言处理中的应用。Github 地址：https://github.com/d2l-ai/d2l-zh