开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在调用BatchUpdatePresentation时不断得到429的错误率超出限制

，这是因为请求频率过高导致的。HTTP状态码429表示请求过多，超出了服务器的处理能力。

为了解决这个问题，可以采取以下几个步骤：

调整请求频率：降低请求的频率，避免短时间内发送过多的请求。可以通过增加请求之间的时间间隔或者使用延迟算法来控制请求的发送速率。
使用指数退避算法：在遇到429错误时，可以使用指数退避算法来动态调整请求的发送频率。即在每次遇到429错误后，等待一段时间再发送下一次请求，等待时间可以根据指数退避算法进行动态调整。
使用并发控制：通过限制并发请求数量，控制同时发送的请求数量，避免过多的请求同时发送到服务器。可以使用线程池或者队列来控制并发请求数量。
优化请求内容：检查请求中的数据量和负载，确保请求的内容合理且不过大。如果请求中包含大量数据或者负载过大，可以考虑对数据进行压缩或者分批处理，减少请求的负载。
使用缓存：对于一些不经常变动的数据或者结果，可以使用缓存来减少对服务器的请求。通过缓存可以避免重复请求相同的数据，减少对服务器的压力。
监控和调优：定期监控系统的性能和请求的错误率，及时发现并解决问题。可以使用监控工具来实时监测系统的性能指标，如请求响应时间、错误率等，以便及时调整系统配置和优化性能。

总结起来，解决调用BatchUpdatePresentation时不断得到429错误的方法包括调整请求频率、使用指数退避算法、并发控制、优化请求内容、使用缓存以及监控和调优。这些方法可以帮助降低错误率并提高系统的稳定性和性能。

腾讯云相关产品和产品介绍链接地址：

腾讯云API网关：https://cloud.tencent.com/product/apigateway
腾讯云CDN加速：https://cloud.tencent.com/product/cdn
腾讯云云服务器CVM：https://cloud.tencent.com/product/cvm
腾讯云云数据库MySQL版：https://cloud.tencent.com/product/cdb_mysql
腾讯云云存储COS：https://cloud.tencent.com/product/cos
腾讯云人工智能AI：https://cloud.tencent.com/product/ai
腾讯云物联网IoT Hub：https://cloud.tencent.com/product/iothub
腾讯云移动开发移动推送：https://cloud.tencent.com/product/umeng_push
腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
腾讯云元宇宙：https://cloud.tencent.com/product/virtual-world

相关搜索:Imgur阻止我的IP？在我的Amplify站点上工作完全正常，但当在本地测试时，我得到"Imgur暂时超出容量...“(React)KDB -在更新表时，一次调用函数的数量有限制吗？为什么在将混入与jade/pug一起使用时，我得到的最大调用堆栈大小超出了为什么在尝试删除带有m2m关系的项时，我得到'NoneType‘对象不可调用？在android/java中调用createNewFile()时，为什么会得到: java.io.IOException:没有这样的文件或目录在DO服务器上的django产品中进行api请求调用时，我得到了429状态，但从本地主机运行时没有出现这样的错误在使用axios调用登录API时，当我的凭据在catch中出错时，我没有得到任何响应在分支末尾存储字符串的Trie超出了调用堆栈限制在创建状态或设置状态时不断调用颤动按钮按下的函数在机器人测试中调用python关键字时得到错误的输出

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

BigData | 大数据处理基本功（上）

SLA，即Service-Level Agreement，中文名称为服务等级协议，就是系统服务提供者（Provider）对客户（Customer）的一个服务承诺，主要承诺的内容有4个：可用性（Availability）、准确性（Accuracy）、系统容量（Capacity）以及延迟（Latency）。

02

CVPR2020 Oral | 旷视研究院提出双边分支网络BBN：攻坚长尾分布的现实世界任务

随着深度卷积神经网络（CNN）研究的推进，图像分类的性能表现已经取得了惊人的进步，这一成功与高质量的大规模可用数据集密不可分，比如 ImageNet ILSVRC 2012、MS COCO 和 Places 数据集。这些视觉识别数据集的类别标签分布是大致均匀的，相对而言，真实世界的数据集却总是存在偏重情况，呈现出长尾分布模式，即少量类别（头部类别）具有大量数据，而大部分类别（尾部类别）仅有少量样本，如图 1 所示。

03

旷视提双边分支网络BBN：攻坚长尾分布的现实世界任务 | CVPR 2020 Oral

作者 | 旷视研究院出品 | AI科技大本营（ID:rgznai100）导读：本文是旷视 CVPR 2020 论文系列解读文章，也是 CVPR 2020 Oral展示论文之一，它揭示了再平衡方法解决长尾问题的本质及不足：虽然增强了分类器性能，却在一定程度上损害了模型的表征能力。针对其不足，本文提出了一种针对长尾问题的新型网络框架——双边分支网络（BBN），以兼顾表征学习和分类器学习。通过该方法，旷视研究院在细粒度识别领域权威赛事 FGVC 2019 中，获得 iNaturalist Challenge 赛道的世界冠军。该网络框架的代码已开源。

03

回顾经典: AlexNet, CaffeNet — Winner of ILSVRC 2012

最近和同事交流很多来参加面试的应聘者的情况，很多都是介绍自己用了什么来做什么，但是对于内部的原理，都兵没有深入研究，现在深度学习框架都提供了非常便利的API，你可以轻松实现和搭建基础的网络，甚至可以直接照搬开源代码跑。

01

样本增广自动化-AutoAugment论文解读

五期飞跃计划还剩3个名额，联系小编，获取你的专属算法工程师学习计划（联系小编SIGAI_NO2）

03

大幅减少训练迭代次数，提高泛化能力：IBM提出「新版Dropout」

Dropout (Hinton et al.[2012]) 是提高深度神经网络（DNN）泛化能力的主要正则化技术之一。由于其简单、高效的特点，传统 dropout 及其他类似技术广泛应用于当前的神经网络中。dropout 会在每轮训练中随机忽略（即 drop）50% 的神经元，以避免过拟合的发生。如此一来，神经元之间无法相互依赖，从而保证了神经网络的泛化能力。在推理过程中会用到所有的神经元，因此所有的信息都被保留；但输出值会乘 0.5，使平均值与训练时间一致。这种推理网络可以看作是训练过程中随机生成的多个子网络的集合。Dropout 的成功推动了许多技术的发展，这些技术使用各种方法来选择要忽略的信息。例如，DropConnect (Wan et al. [2013]) 随机忽略神经元之间的部分连接，而不是神经元。

02

使用RNN进行图像分类

本文介绍了一种使用递归神经网络实现MNIST手写数字分类的方法。该方法包括以下步骤：首先，将MNIST数据集导入到神经网络模型中；其次，使用反向传播算法训练模型；然后，使用训练好的模型对MNIST手写数字进行分类；最后，对分类结果进行了评估和比较。实验结果表明，该方法能够有效地对MNIST手写数字进行分类，具有较好的准确性和可靠性。

06

深度残差神经网络ResNet 学习笔记

ResNet——MSRA何凯明团队的Residual Networks，在2015年ImageNet上大放异彩，在ImageNet的classification、detection、localization以及COCO的detection和segmentation上均斩获了第一名的成绩，而且Deep Residual Learning for Image Recognition也获得了CVPR2016的best paper，实在是实至名归。

03

如何实现流量控制和熔断降级？

Sentinel 是阿里巴巴开源的一款高可用性和流量控制的分布式系统。它最初是为了解决阿里巴巴内部的微服务架构中的流量控制和熔断降级问题而开发的。Sentinel 旨在提供实时的流量控制、熔断降级、系统负载保护等功能，以保障应用的高可用性和稳定性。以下是 Sentinel 的详细介绍：

06

计算机视觉经典网络回归--AlexNet

AlexNet模型来源于论文-ImageNet Classification with Deep Convolutional Neural Networks，作者Alex Krizhevsky，Ilya Sutskever，Geoffrey E.Hinton.

01

大幅减少训练迭代次数，提高泛化能力：IBM提出「新版Dropout」

Dropout (Hinton et al.[2012]) 是提高深度神经网络（DNN）泛化能力的主要正则化技术之一。由于其简单、高效的特点，传统 dropout 及其他类似技术广泛应用于当前的神经网络中。dropout 会在每轮训练中随机忽略（即 drop）50% 的神经元，以避免过拟合的发生。如此一来，神经元之间无法相互依赖，从而保证了神经网络的泛化能力。在推理过程中会用到所有的神经元，因此所有的信息都被保留；但输出值会乘 0.5，使平均值与训练时间一致。这种推理网络可以看作是训练过程中随机生成的多个子网络的集合。Dropout 的成功推动了许多技术的发展，这些技术使用各种方法来选择要忽略的信息。例如，DropConnect (Wan et al. [2013]) 随机忽略神经元之间的部分连接，而不是神经元。

03

如何使用 Google 的 AutoAugment 改进图像分类器

通过使用优化的数据增强方法，在CIFAR-10、CIFAR-100、SVHN和ImageNet上得到了目前最好的结果。您可以从这里找到和使用它们。

02

归一化 Normalization 的发展历程

LRN 最早应该是出现在 2012 年的 AlexNet 中的，其主要思想是：借鉴“侧抑制”（Lateral Inhibitio）的思想实现局部神经元抑制，即使得局部的神经元产生竞争机制，使其中相应值较大的将变得更大，响应值较小的将变得更小。此外，作者在论文中指出使用 LRN 能减少其 AlexNet 在 ILSVRC-2012 上的 top-1 错误率 1.4% 和 top-5 错误率 1.2%，效果较为显著。

02

【重磅】百度开源分布式深度学习平台，挑战TensorFlow (教程)

【新智元导读】今天百度开源深度学习平台Paddle。业内人士纷纷点赞：Paddle代码简洁、设计干净，没有太多的abstraction，速度比Tensorflow、Theano快，显存占用小，可多机多卡并行，支持CPU和GPU、文档比较全……Hacker News有评论，在不支持TensorFlow的中国，百度的Paddle或有机会获胜。百度一直说自己深耕深度学习，其技术水平如何，本次开源或可提供一些线索。百度深度学习 PaddlePaddle （Parallel Distributed Deep Lea

07

org.springframework.web.client.HttpClientErrorException: 429 Too Many Requests

用户在在指定的时间里发送了太多的请求。用于限制速率。属于客户端异常，既客户端没有遵守服务端给定的一定频率内的限制访问次数。

01

如何配置 SLO

无论是对外提供 IaaS PaaS SaaS 的云公司，还是提供信息技术服务的乙方公司，亦或是金融制造等各行各业的数据中心、运维部门，我们的一个非常重要的合同承诺或考核评估指标就是：SLA（即：Service-Level Agreement 服务等级协议）。

01

笔记 |《深度学习原理与TensorFlow实践》学习笔记（三）

作者 | 王清目录图像识别的经典课题计算机视觉图像识别课题卷积神经网络原理前深度学习时代卷积操作Convolution 池化Pooling ReLURectified Linear Units 多层卷积 Dropout 经典模型介绍及TensorFlow代码解析 AlexNet 震惊世界的突破 VGGNet更深的结构更优秀 GoogLeNet Inception 更全面的结构更优秀 GoogLeNet Inception-V2加入Batch Normalization Inception-V3

05

从零开始构造一个识别猫狗图片的卷积网络

在深度学习的项目实践中，往往会遇到两个非常难以克服的难题，一是算力，要得到精确的结果，你需要设计几千层，规模庞大的神经网络，然后使用几千个GPU,把神经网络布置到这些GPU上进行运算；第二个难以克服的困难就是数据量，要想得到足够精确的结果，必须依赖于足够量的数据来训练网络模型。本节我们先看看第二个问题如何解决。

02

深度学习进阶学习LeNet、AlexNet、GoogLeNet、VGG、ResNetInception-ResNet-v2

2006年Hinton他们的Science Paper再次引起人工神经网络的热潮，当时提到，2006年虽然Deep Learning的概念被提出来了，但是学术界的大家还是表示不服。当时有流传的段子是Hinton的学生在台上讲paper时，台下的机器学习大牛们不屑一顾，质问你们的东西有理论推导吗？有数学基础吗？搞得过SVM之类吗？回头来看，就算是真的，大牛们也确实不算无理取闹，是骡子是马拉出来遛遛，不要光提个概念。

01

Bristlecone| 量子处理器| Google Quantum AI Lab| 技术前沿

Google Quantum AI实验室的目标是构建一个可用于解决实际问题的量子计算机。我们的策略是使用能够与大规模通用纠错量子计算机兼容的系统来开发短期内可以使用的应用。为了使量子处理器能够运行超出经典计算范围的算法，它不仅需要大量的量子位，更重要的是处理器在读出和逻辑运算（比如单、双比特门）时必须具有很低的错误率。

02

[深度概念]·华山论剑-卷积网络发展史

LeNet：1998，Gradient based learning applied to document recognition

04

CNN网络介绍与实践：王者荣耀英雄图片识别

本文介绍了如何用深度学习实现王者荣耀的英雄识别。首先介绍了传统的英雄识别方法，然后介绍了使用CNN提取特征进行识别的方法。最后，介绍了一种使用LSTM进行序列标注的方法。

03

四种GPU的性能分析

导语：Pedro Gusmão 等人对于英伟达的四种 GPU 在四种不同深度学习框架下的性能进行了评测。本次评测共使用了 7 种用于图像识别的深度学习模型。第一个评测对比不同 GPU 在不同神经网络和深度学习框架下的表现。这是一个标准测试，可以在给定 GPU 和架构的情况下帮助我们选择合适的框架。第二个测试则对比每个 GPU 在不同深度学习框架训练时的 mini-batch 效率。根据以往经验，更大的 mini-batch 意味着更高的模型训练效率，尽管有时会出现例外。在本文的最后我们会对整个评测进行简

07

《微服务设计》第 8 章　监控

第 8 章　监控将系统拆分成更小的、细粒度的微服务会带来很多好处。然而，它也增加了生产系统的监控复杂性 ssh-multiplexers 这样的工具，在多个主机上运行相同的命令。用一个大的显示屏，和一个 grep "Error" app.log，我们就可以定位错误了 ---- 8.3　多个服务，多个服务器你如何在多个主机上的、成千上万行的日志中定位错误的原因？如何确定是一个服务器异常，还是一个系统性的问题？如何在多个主机间跟踪一个错误的调用链，找出引起这个错误的原因？答案是，从日志到应用程序指标，集中收

02

吴恩达高徒语音专家Awni Hannun：序列模型Attention Model中的问题与挑战

【导读】注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。本文以序列模型训练为例，深入浅出地介绍了注意力机制在应用中的两个重要问题：一是解决训练和生成时输入数据分布不一致；二是训练效率，并给出了相应的解决方法。作者是Awni Hannun，斯坦福大学在读博士，师从吴恩达，曾经休学两年跟随导师吴恩达在百度硅谷实验室工作，是百度Deep Speech语音识别项目主要参与者。专知内容组整理编

06

深度学习经典网络解析：7.ResNet

如果说你对深度学习略有了解，那你一定听过大名鼎鼎的ResNet，正所谓ResNet 一出，谁与争锋？现如今2022年，依旧作为各大CV任务的backbone，比如ResNet-50、ResNet-101等。ResNet是2015年的ImageNet大规模视觉识别竞赛（ImageNet Large Scale Visual Recognition Challenge, ILSVRC）中获得了图像分类和物体识别的冠军，是中国人何恺明、张祥雨、任少卿、孙剑在微软亚洲研究院（AI黄埔军校）的研究成果。

03

卷积神经网络的python实现

这篇文章介绍如何使用Michael Nielsen 用python写的卷积神经网络代码，以及比较卷积神经网络和普通神经网络预测的效果。

02

四大深度学习框架+四类GPU+七种神经网络：交叉性能评测

选自add-for 作者：Pedro Gusmão 机器之心编译参与：李泽南、黄小天最近，Pedro Gusmão 等人对于英伟达的四种 GPU 在四种不同深度学习框架下的性能进行了评测。本次评测共使用了 7 种用于图像识别的深度学习模型。第一个评测对比不同 GPU 在不同神经网络和深度学习框架下的表现。这是一个标准测试，可以在给定 GPU 和架构的情况下帮助我们选择合适的框架。第二个测试则对比每个 GPU 在不同深度学习框架训练时的 mini-batch 效率。根据以往经验，更大的 mini-ba

四大经典卷积网络介绍

原标题：独家 |《TensorFlow实战》作者黄文坚：四大经典CNN网络技术原理

01

如何使用TensorFlow实现卷积神经网络

编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。卷积神经网络简介卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号、

05

模型攻击：鲁棒性联邦学习研究的最新进展

现代机器学习算法在实际应用场景中可能会受到各种对抗性攻击，包括数据和模型更新过程中中毒（ Data and Model Update Poisoning）、模型规避（Model Evasion）、模型窃取（Model Stealing）和对用户的私人训练数据的数据推理性攻击（Data Inference Attacks）等等。在联邦学习的应用场景中，训练数据集被分散在多个客户端设备（如桌面、手机、IoT 设备）之间，这些设备可能属于不同的用户 / 组织。这些用户 / 组织虽然不想分享他们的本地训练数据集，但希望共同学习得到一个全局最优的机器学习模型。由于联邦学习框架的这种分布式性质，在使用安全聚合协议（Secure Aggregation）的情况下，针对机器学习算法的故障和攻击的检测纠正更加困难。

06

一看就懂的Tensorflow实战（TensorBoard基础篇）

TensorBoard是Tensorflow自带的一个强大的可视化工具，也是一个web应用程序套件。在众多机器学习库中，Tensorflow是目前唯一自带可视化工具的库，这也是Tensorflow的一个优点。学会使用TensorBoard，将可以帮助我们构建复杂模型。

02

如何使用TensorFlow实现卷积神经网络

编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。卷积神经网络简介卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号

01

keras doc 9 预处理等

用以生成一个batch的图像数据，支持实时数据提升。训练时该函数会无限生成数据，直到达到规定的epoch次数为止。

02

从LeNet到SENet——卷积神经网络回顾

AI 科技评论按：本文为浙江大学范星为 AI 科技评论撰写的独家稿件，未经许可不得转载。从 1998 年经典的 LeNet，到 2012 年历史性的 AlexNet，之后深度学习进入了蓬勃发展阶段，百花齐放，大放异彩，出现了各式各样的不同网络，包括 LeNet、AlexNet、ZFNet、VGG、NiN、Inception v1 到 v4、Inception-ResNet、ResNet、WRN、FractalNet、Stochastic Depth、DenseNet、ResNeXt、Xception、SE

04

布隆过滤器

数据结构是个很有意思的东西，很多设计非常巧妙的数据结构能够大大降低某项操作的时间或者空间复杂度。所以我来开个专题来讲一些高级的，用途广泛的数据结构。搞数据结构专题的好处就是能够普及一些数据结构的原理和思想，第二个就是能够省下我很多考虑分享主题的时间。低级的数据结构，比如Hash，Set，链表队列之类的我就不讲了默认大家都会了。今天是第一篇，我们来讲讲布隆过滤器。

02

微服务监控：确保分布式系统的可观察性与稳定性

在当前的软件开发领域，微服务架构已经变得非常流行。它将大型、复杂的应用程序拆分为一系列小型的、独立的服务，每个服务都运行在自己的进程中，并使用轻量级通信机制进行通信。这种架构风格带来了很多好处，包括更好的可扩展性、更高的灵活性和更快的上市时间。然而，随着服务数量的增加，监控这些服务的挑战也越来越大。本文将详细探讨微服务监控的各个方面，包括其重要性、关键监控指标、常用工具以及最佳实践。

01

由散列表到BitMap的概念与应用（二）

在前一篇文章中我们介绍了散列表和BitMap的相关概念与部分应用。本文将会具体讲解BitMap的扩展：布隆过滤器（Bloom filter）。

03

[译] Deep Residual Learning for Image Recognition (ResNet)

题目：图像识别领域的深度残差学习文章地址：《Deep Residual Learning for Image Recognition》 arXiv.1512.03385 ResNet Githu

08

Deep Learning回顾#之LeNet、AlexNet、GoogLeNet、VGG、ResNet

作者：我爱机器学习链接：https://zhuanlan.zhihu.com/p/22094600 来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

01

siamfc-pytorch代码讲解（二）：train&siamfc

这是第二篇的siamfc-pytorch代码讲解，主要顺着程序流讲解代码，上一篇讲解在这里： siamfc-pytorch代码讲解（一）：backbone&head show me code !!

01

小白学图像 | Group Normalization详解+PyTorch代码

BN于2015年由 Google 提出，Google在ICML论文中描述的非常清晰，即在每次SGD时，通过mini-batch来对相应的activation做规范化操作，使得结果（输出信号各个维度）的均值为0，方差为1。最后的“scale and shift”操作则是为了训练所需而“刻意”加入的BN能够有可能还原最初的输入，从而保证数据中有用信息的留存。

02

Leslie Valiant：机器学习所面临的挑战

9月6日，以“AI赋能，驱动未来”为主题的2018中国人工智能峰会（CAIS 2018）在南京国际博览会议中心成功召开。本次峰会汇聚了Leslie Valiant、吴恩达、周志华、李波等人工智能领域的多位顶级大咖以及京东、ARM、华为、小米、拜腾等企业代表。其中，2010年图灵奖得主、英国皇家学会会士，美国科学院院士，哈佛大学教授Leslie Valiant带来了主题为《Challenges for Machine Learning》的演讲。

02

利用Theano理解深度学习——Logistic Regression

一、Logistic Regression 1、LR模型 image.png 2、损失函数 image.png 3、随机梯度下降法为了求解LR模型中的参数，在上面定义了LR模型的损失函数，即NLL。

Squeeze-and-Excitation Networks论文翻译——中英文对照

本文介绍了视觉特征提取和分类算法研究方面的最新进展，包括深度卷积神经网络、CNN的架构、新型卷积层、数据增强、迁移学习、半监督学习、自监督学习等方面的研究。

00

业界 | 谷歌推出72-qubit量子处理器Bristlecone，意图实现「量子霸权」

选自Google Research Blog 作者：Julian Kelly 机器之心编译参与：黄小天、刘晓坤今天，谷歌在洛杉矶举办的美国物理学会年度会议上推出了他们的 72-qubit 超导量子处理器 Bristlecone。本文介绍了他们的成果、近期目标和未来展望。谷歌量子 AI 实验室的目标是构建一个可以解决实际问题的量子计算机，其策略是使用与大规模通用纠错量子计算机向前兼容的系统探索近期应用。为了使量子处理器可运行超出经典模拟能力之外的算法，仅有大量的量子比特是不够的。关键的是，处理器在读出

07

布隆过滤器与缓存击穿

公司用户中心，有大量的用户请求，为防止缓存击穿，需要设计一个缓存策略，将恶意请求过滤掉。

03

基于PaddlePaddle实现的DeepSpeech2端到端中文语音识模型

本项目是基于PaddlePaddle的DeepSpeech 项目开发的，做了较大的修改，方便训练中文自定义数据集，同时也方便测试和使用。DeepSpeech2是基于PaddlePaddle实现的端到端自动语音识别（ASR）引擎，其论文为《Baidu’s Deep Speech 2 paper》，本项目同时还支持各种数据增强方法，以适应不同的使用场景。支持在Windows，Linux下训练和预测，支持Nvidia Jetson等开发板推理预测。

01

一步步提高手写数字的识别率(3)

在前面的两篇文章《一步步提高手写数字的识别率(1)》和《一步步提高手写数字的识别率(2)》中，我们分别介绍了使用Softmax回归和神经网络来实现手写数字识别，其准确率分别在92和98%左右，这在机器学习领域是一个非常不错的准确率，如果我们采用卷积神经网络，准确率还可以进一步提升。

01

如何实时主动监控你的网站接口是否挂掉并及时报警

最近我在公司负责的业务已经正式投入上线了，既然是线上环境，那么就需要保证其可用性。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭