检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
导读在人工智能的学习中，一定避不开的就是算法和模型的学习与使用。对于刚刚接触的小白来说来说，不太能分清这两个的区别。因为在人工智能中“算法”与“模型”这两个词很多时候交替使用，可近似等价。那么问题来了，二者是一个东西吗？如果你学习过C++或C语言编程，如果你对基本的排序算法有一定
@Author：Runsen 动态计算图 在深度学习中使用 PyTorch 的主要原因之一，是我们可以自动获得定义的函数的梯度/导数。 当我们操作我们的输入时，会自动创建一个计算图。该图显示了如何从输入到输出的动态计算过程。 为了熟悉计算图的概念，下面将为以下函数创建一个：
文件I/O是较为基础的知识内容，在前端日常开发中挺少见的，这次简单的实现了一个小功能，算是自己前进的一小步。 总结 在学习一门新的技术的时候，如果发现自己通过文档学习无法达到实际功能开发的程度的时候，建议在学习之后，做一些小功能辅助练习和应用学到的知识点。 作者：非职业「传道授业解惑」的开发者叶一一
@[toc] 前言 本篇博客是MySQL的学习笔记，若文章中出现相关问题，请指出！ 所有博客文件目录索引：博客目录索引(持续更新) 一、windows安装MySQL 1.1、Mysql介绍 官网：Mysql 官方文档：Mysql-doc MySQL5.7官方手册 MyS
到了华为云平台对我们学习的便利，学习了如何部署代码，实践过程中虽然也遇到了问题，但是通过实验手册和群里的询问也成功解决了问题所在，对于初学云服务的我来说是提供了很大的帮助，十分有学习意义。 对于华为云服务有了一定的了解，我也会朝着这个方向继续前进，不断地学习进步。感谢华为云能给我这么一次体验。
在此非常感谢能有机会参与到训练营活动中。学习视频中讲解老师流利的授课表达十分突出。在两次直播课上也学到了许多干货。学习群中组织者对问题一一耐心解答，学员们互帮互助形成了良好的学习氛围。期间我抱着赢取HCIA考试券的信念完成了课程的学习和实践，完成了2个沙箱试验，并取得了黑白棋实
@[toc] 前言 本篇博客是MyBatisPlus实际应用的学习笔记，若文章中出现相关问题，请指出！ 所有博客文件目录索引：博客目录索引(持续更新) 导航 MyBatis-Plus 工具接口及类 BaseMapper BaseMapper是mp提供给我们用于增强ma
概述 当我们把设计稿和技术选型定下来之后，接下来就要开始着手画这个依赖图了。依赖图的组成最简单的就是节点Node 和节点之间的连线。这一节我们要处理的就是节点位置信息的处理。为了确定节点的位置信息，首先要给节点分层，分层的信息取决于节点之间的依赖关系。问题分析
看到一篇资料在谈到使用云资源学习AI的性价比时，列举了一个比较有意思的网页：DAWNBench，这是斯坦福大学发起的基于AI任务的训练时间和成本等因素下，各大云厂商的表现指标，ModelArts也在其列，地址：https://dawn.cs.stanford.edu/benchmark/index
print(df.head()) # 根据位置返回对象的前n行信息(默认值为5) ，用于快速测试数据集 print(df.describe()) # 生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括 NaN值。 # 数据预处理 data = df.dropna(0)
import accuracy_score # 加载乳腺癌数据集 cancer_data = load_breast_cancer() X = cancer_data.data y = cancer_data.target # 将数据集拆分为训练集和测试集 X_train, X_test
本节叙述正定核的充要条件。通常所说的核函数就是正定核函数。为证明此定理先介绍有关的预备知识。 先定义映射 （内积空间的定义可参见学习笔记|希尔伯特空间） 定义运算* （3）f*g=g*f 证明： （1） （2） （3） （4） 因为Gr
全球人工智能领域的顶级学术会议AAAI 2021将于2月2日-9日在线上召开。论文录用结果显示，华为云的7篇AI科研成果被收录。华为云被接收的研究涉及联邦学习、深度学习、机器学习、自然语言处理、迁移学习、知识计算等技术领域，充分展现了华为云在人工智能领域的基础研究实力。技术创新和应用落地是这些论文的亮点，相关技术目前已在油气勘探、药物研发、AI
RandomForestClassifier 2. 准备数据 接下来，我们准备一个示例数据集，例如鸢尾花数据集： iris = load_iris() X = iris.data y = iris.target 3. 划分训练集和测试集 然后，我们将数据集划分为训练集和测试集： X_train, X_test
动态调整学习率 学习率的选择是深度学习中一个困扰人们许久的问题，学习速率设置过小，会极大降低收敛速度，增加训练时间；学习率太大，可能导致参数在最优解两侧来回振荡。但是当我们选定了一个合适的学习率后，经过许多轮的训练后，可能会出现准确率震荡或loss不再下降等情况，说明当前学习率已不
的折叠：每个小集合中， 各个类别的样例比例大致和完整数据集中相同。 StratifiedShuffleSplit是 ShuffleSplit 的一个变种，会返回直接的划分，比如： 创建一个划分，但是划分中每个类的比例和完整数据集中的相同。 用于分组数据的交叉验证迭代器 如何进一步测试模型的泛化能力？
AI 竞赛不同，它严格关注如何改进数据而不是模型，从我个人的经验来看，这通常是改进人工智能系统的最佳方式。考虑到有大量的开源机器学习模型库（包括预训练的深度学习模型），模型方面对大多数商业应用程序来说或多或少是一个已解决的问题。我们需要的是新工具和创新技术来系统地改进数据，Andre
scala学习之旅scala文法结构参考如下地址点击阅读了不少scala的书籍和文章，几乎没有一个系统结构性讲解scala的。所以这也是写本系列文章的目的下面简单按照几个结构进行整理和学习：scala语法结构函数式算子组合算子争取能梳理一个系统的文章路径，提供快速学习scala（
前言：学习一种东西，厘清术语非常重要，术语背后就是编程语言和编程技术的发展史。 编程语言和编程技术,技术是日新月异，技术变化是为支撑现代企业快速便捷开发而产生不同的开发技术；技术是术；编程语言、数据结构、算法才是道。 正文：JavaBean： 是一种JAVA语言写成的可重用组件。
这并不是机器人首次打败人类事件 机器学习和深度学习的对比 现在的你应该已经对机器学习和深度学习有所了解，接下来我们将会学习其中一些重点，并比较两种技术。 数据依赖性 深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
