Python——验证椭圆曲线加密点乘运算

return x3,y3 def tongG(): a=int(input("请输入椭圆曲线的a:")) b=int(input("请输入椭圆曲线的b:")) p=int(input("请输入模数p:")) x=int(input("请输入生成元G的x坐标:"))

swing GeneralPath::cubicTo绘制平滑曲线

cTo() 函数绘制如下的平滑曲线 绘制平滑曲线的关键是控制点的计算，sp 为线段的起始点，ep 为线段的终点，c1，c2 为贝塞尔曲线的控制点，其坐标计算如下 下面就用个简单的程序介绍怎么绘制平滑曲线，主要部分为 for 循环里控制点 c1,

《深度学习应用开发》学习笔记-30

终于进了一步，看到了MNIST手写数字识别，使用一个神经元。 MNIST数据集来自于NIST 美国国家标准和技术研究所。 找学生和工作人员手写的。 规模：训练集55000，验证集5000，测试集10000。大小约10M。 数据集可以在网站上去下载，同时tf自己里面已经集成了这个数据集。

AI、机器学习、深度学习的关系

《深度学习应用开发》学习笔记-28

这个房价预测的例子基本就结束了，下面是用TensorBoard来将算法，和模型训练过程的一些信息进行可视化。可视化是一件有意见的工作，有助于信息的理解和推广。可视化在modelarts的老版的训练作业下，是收费的，但这个服务在新版的训练作业里已经没有了，也行是因为这个可视化服务的

《深度学习应用开发》学习笔记-23

从人的角度来看，12个特征比1个特征要复杂了很多， 但对计算机来说，无所谓。 在tf里，12元的线性回归方程的实现，比1元的线性方程的实现，代码上也只是多了一点点复杂度而已。 这就是计算机的优势。 只是最后训练的结果，为什么都是nan，像老师说的，脸都黑了哦~ 这次先到这里，请听下回分解~

《深度学习应用开发》学习笔记-20

落了很长时间没学，捡起来继续。编号也忘了从哪里接上，就从20开始吧。 前面弄完了一元线性回归，现在是波士顿房价预测-多元线性回归。 数据方面，12+1共13个指标，506行数据。 前面12个是多个维度的数据，维度还是比较全面的，是输入值/特征。 比如：城镇人均犯罪率、师生比例、住宅比例、边界是否为河流等

深度学习的概念

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 深度学习是学习样本数据的内在规律和表示层次，

模型选择----欠拟合与过拟合

将这一现象称作欠拟合（underfitting），就是学习得太差了；另一类是模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting），学习得太好了，死记硬背，导致换个数，题目就不会做了。在实践中，我们要尽可能同时应对欠拟合和过拟合。虽然有很多因素

《Python深度学习实战：基于TensorFlow和Keras的聊天机器人》 —2.1.5　拟合模型

2.1.5　拟合模型完成了模型的定义和编译，现在需要将模型在一些数据上执行来完成预测。这里你需要指定轮数（Epoch），它指的是训练过程在整个数据集和批量大小上运行的迭代次数，批量大小就是在权重更新之前评估的实例个数。对于现在这个问题，程序将会运行少数的几轮（10），在每一轮中程序会完成50

深度学习卷积操作

卷积操作就是filter矩阵跟filter覆盖的图片局部区域矩阵对应的每个元素相乘后累加求和。

深度学习之Dropout

Dropout（Dropout）(Srivastava et al., 2014) 提供了正则化一大类模型的方法，计算方便但功能强大。在第一种近似下，Dropout可以被认为是集成大量深层神经网络的实用Bagging方法。Bagging涉及训练多个模型，并在每个测试样本上评估多个

深度学习之推断

在Bagging的情况下，每一个模型在其相应训练集上训练到收敛。在Dropout的情况下，通常大部分模型都没有显式地被训练，因为通常父神经网络会很大，以致于到宇宙毁灭都不可能采样完所有的子网络。取而代之的是，在单个步骤中我们训练一小部分的子网络，参数共享会使得剩余的子网络也能有好

使用神经网络进行测井曲线预测

样本，网络可以学习到输入与输出之间的非线性关系，并用于预测未知数据。 让我们以一个实例来说明神经网络在测井曲线预测中的应用。假设我们有一组包含测井曲线数据的数据集，其中包括电阻率、自然伽马射线和孔隙度等测井曲线。我们的目标是根据已有的测井曲线数据来预测未来的测井曲线值。 首先，我

深度学习之随机梯度下降

几乎所有的深度学习算法都用到了一个非常重要的算法：随机梯度下降 (stochastic gradient descent, SGD)。随机梯度下降是第4.3节介绍的梯度下降算法的一个扩展。机器学习中的一个循环问题是大的数据集是好的泛化所必要的，但大的训练集的计算代价也更大。机器学

深度学习之基于梯度的学习

复杂一些，但仍然可以很高效而精确地实现。会介绍如何用反向传播算法以及它的现代扩展算法来求得梯度。       和其他的机器学习模型一样，为了使用基于梯度的学习方法我们必须选择一个代价函数，并且我们必须选择如何表示模型的输出。现在，我们重温这些设计上的考虑，并且特别强调神经网络的情景。

深度学习修炼（一）——从机器学习转向深度学习

于颜料来说，各种深度学习框架已经提供了我们所需的各种颜料。我们要做的，就是利用不同的颜料，在空白的纸上，一笔一划画出我们所需的网络。 深度学习改变了传统互联网业务。第一次听到这个名词时可能大家都会对这方面的知识感到一头雾水，到底什么是深度学习？实际上，深度学习已经应用到生活中的

深度学习的应用

计算机视觉香港中文大学的多媒体实验室是最早应用深度学习进行计算机视觉研究的华人团队。在世界级人工智能竞赛LFW（大规模人脸识别竞赛）上，该实验室曾力压FaceBook夺得冠军，使得人工智能在该领域的识别能力首次超越真人。语音识别微软研究人员通过与hinton合作，首先将RBM和D

深度学习的应用

计算机视觉香港中文大学的多媒体实验室是最早应用深度学习进行计算机视觉研究的华人团队。在世界级人工智能竞赛LFW（大规模人脸识别竞赛）上，该实验室曾力压FaceBook夺得冠军，使得人工智能在该领域的识别能力首次超越真人。语音识别微软研究人员通过与hinton合作，首先将RBM和D