首页
学习
活动
专区
工具
TVP
发布

从流域到海域

专栏作者
439
文章
498678
阅读量
59
订阅数
单调队列及其LeetCode应用详解
队列(Queue)是另一种操作受限的线性表,只允许元素从队列的一端进,另一端出,因此具有先进先出(FIFO)的特性。
Steve Wang
2022-05-10
1.6K0
单调栈详解及其LeetCode应用详解
栈(Stack)是一种操作受限的线性表,只允许一端进,同一端出,因而具有后进先出(LIFO)的特性。
Steve Wang
2022-05-10
3.3K0
Java面试高频知识点汇总 网络协议专题
TCP提供面向连接的服务。数据传送之前必须先建立连接,数据传送结束后要释放连接。TCP不提供广播或者多播服务。
Steve Wang
2020-09-24
3820
面试Java基础问题汇总 part2
Synchronized关键字同步语句块使用的是monitorenter和monitorexit指令,其中monitorenter指令指向同步代码块的开始位置,monitorexit指令指示结束位置。
Steve Wang
2020-09-17
4110
牛顿法和梯度下降法的比较
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
Steve Wang
2019-10-22
9530
C++ const各种用法总结
原文链接:https://www.toutiao.com/i6644404128439075332/
Steve Wang
2019-09-23
1.9K0
为什么使用交叉熵作为损失函数?
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Solo95/article/details/91345229
Steve Wang
2019-07-02
1.8K0
改善深层神经网络 - 第二课第一周作业 1.2 Regularization
A3 = [[0.36974721 0.00305176 0.04565099 0.49683389 0.36974721]]
Steve Wang
2019-05-28
6940
改善深层神经网络 - 第二课第二周作业 Optimization+Methods
注意到Gradient descent和Momentum准确度一致,凸显了Adam的优越。
Steve Wang
2019-05-28
1.1K0
改善深层神经网络 - 第二课第一周作业 1.1 Initialization
来自吴恩达深度学习视频改善深层神经网络 - 第一周作业。如果直接看代码对你来说有困难,参见: https://blog.csdn.net/u013733326/article/details/79847918 这里实现了三种初始化的方法,分别是全零,较大权值,he初始化,并绘图做了效果对比。 https://github.com/Hongze-Wang/Deep-Learning-Andrew-Ng/tree/master/homework 戳这里看完整版 import numpy as np
Steve Wang
2019-05-28
5140
改善深层神经网络 - 第二课第一周作业 1.3 3.Gradient+Checking
There is a mistake in the backward propagation! difference = 0.2850931566540251
Steve Wang
2019-05-28
7610
Building your Deep Neural Network: Step by Step
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Solo95/article/details/84572078
Steve Wang
2019-05-28
5280
TensorFlow入门 - 使用TensorFlow甄别图片中的时尚单品
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Solo95/article/details/80067525
Steve Wang
2019-05-28
4410
使用动量的梯度下降法
如图所示,普通的梯度下降法如图中蓝色画线所示,它在接近最优值红点时,会上下摆动,导致不能很快的收敛到红点,而且如果摆动的幅度过大还会导致发散(紫色画线所示),这也是为什么不能采用很大的learning_rate来加快学习速度。
Steve Wang
2019-05-26
6400
为什么正则化可以防止过拟合?
J(w[l],b[l])=1m∑i=1ml(y′,y)+λ2m∑l=1L∣∣w[l]∣∣F2J(w^{[l]}, b^{[l]})= \frac{1}{m}\sum_{i=1}^ml(y^{'},y) + \frac{\lambda}{2m} \sum_{l=1}^L||w^{[l]}||^2_FJ(w[l],b[l])=m1​i=1∑m​l(y′,y)+2mλ​l=1∑L​∣∣w[l]∣∣F2​ F表示Frobenius范数(缩减的L2范数),加上第二项(即正则项)惩罚了权值矩阵使其不能取太大值。
Steve Wang
2019-05-26
1.3K0
在浏览器地址栏输入百度网址之后的故事(面试必考)
面试的时候,面试官经常会问这样的问题,我在浏览器地址栏输入”www.baidu.com”,之后发生了哪些事情呢,这个问题其实是想问你与网页访问有关的网络协议,下面我们就来简单梳理一下,如何比较得体的回答这个问题。 Step 1:地址解析。 如果是首次访问百度,输入地址回车后,浏览器访问系统Host文件从中寻找www.baidu.com对应的IP地址(Windows默认的host文件基本是空的,所以这步执行不会成功)。没有找到对应IP地址,则主机向DNS服务器发送请求,DNS服务器解析到域名对应的IP并返回。
Steve Wang
2018-02-05
1.4K0
没有更多了
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档