万象云档 本次搜索耗时 1.837 秒,为您找到 450 个相关结果.
  • CodeIgniter 是什么?

    CodeIgniter 是什么? ,CodeIgniter 是一个应用程序框架 ,CodeIgniter 是免费的 ,CodeIgniter 是轻量级的 ,CodeIgniter 是快速的 ,CodeIgniter 使用 M-V-C 架构 ,CodeIgniter 生成干净的 URL ,CodeIgniter 功能强大 ,CodeIgnite...
  • 基与字符级RNN(Char-RNN)的人名生成

    基与字符级RNN(Char-RNN)的人名生成 数据准备 创建网络 训练 训练前的准备 网络的训练 绘制损失 网络采样 练习 基与字符级RNN(Char-RNN)的人名生成 译者:@jianchengss 作者 : Sean Robertson 在 上一个教程 里我们使用RNN把名字分类到它所属的语言中, 这次我们改变一...
  • 15.8 远程方法

    15.8 远程方法 15.8.1 远程接口概念 15.8.2 远程接口的实现 15.8.3 创建根与干 15.8.4 使用远程对象 15.8.5 RMI的替选方案 15.8 远程方法 为通过网络执行其他机器上的代码,传统的方法不仅难以学习和掌握,也极易出错。思考这个问题最佳的方式是:某些对象正好位于另一台机器,我们可向它们发送一条消息,并获得...
  • 训练玩马里奥的 RL 智能体

    训练玩马里奥的 RL 智能体 RL 定义 环境 初始化环境 预处理环境 智能体 行动 缓存和回忆 学习 神经网络 TD 估计和 TD 目标 更新模型 保存检查点 全部放在一起 日志记录 开始吧! 总结 训练玩马里奥的 RL 智能体 原文:https://pytorch.org/tutorials/intermediat...
  • 跟着例子学习 PyTorch

    跟着例子学习 PyTorch Tensors Warm-up: numpy PyTorch: Tensors Autograd PyTorch: Variables and autograd PyTorch: Defining new autograd functions TensorFlow: Static Graphs nn module...
  • 前言

    568 2025-05-08 《PHPer 面试指南》
    GitBook链接 关于作者 贡献 支持 转载合作 协议/License 作为一位程序员,面试过多次,也面试过很多人,最近又在找工作,总结一下面试经验和面试题,希望可以帮到正在找工作的小伙伴们。 先说一下面试时的心态,刚入门的程序员,技术实力不高,又大多不善言谈,面试一旦遇到难题,很容易心态失衡、惊慌失措、语无伦次,最终丢掉了 Offer。 ...
  • 1.2.2 计算思维的具体例子

    1.2.2 计算思维的具体例子 1.2.2 计算思维的具体例子 基于计算机的能力和局限,计算机科学家提出了很多关于计算的思想和方法,从而建立 了利用计算机解决问题的一整套思维工具。下面我们简要介绍计算机科学家在计算的不同阶 段所采用的常见思想和方法。 问题表示 用计算机解决问题,首先要建立问题的计算机表示。问题表示与问题求解是紧密相关的, 如果问...
  • 使用torchtext的文本分类

    使用torchtext 的文本分类 使用 N 元组加载数据 定义模型 启动实例 用于生成批量的函数 定义函数来训练模型并评估结果 分割数据集并运行模型 使用测试数据集评估模型 测试随机新闻 使用torchtext 的文本分类 原文:https://pytorch.org/tutorials/beginner/text_sentimen...
  • 08 ChatGPT+营销

    559 2025-05-09 《ChatGPT:AI革命》
    08 ChatGPT+营销 08 ChatGPT+营销 从产品介绍中提炼卖点 ChatGPT具有一定的阅读理解和总结能力,我们可以在处理与文案相关的工作时利用这一能力来提高效率。下面是一个例子。 Q:以下是一本图书的内容简介,请提炼几个卖点。 本书是为满足广大职场人士学习新型自动化办公技术的需求而编写的应用型教程,循序渐进地讲解了如何利用Exce...
  • LSTM 单词语言模型上的动态量化(beta)

    LSTM 单词语言模型上的动态量化(beta) 简介 1.定义模型 2.加载文本数据 3.加载预先训练的模型 4.测试动态量化 总结 LSTM 单词语言模型上的动态量化(beta) 原文:https://pytorch.org/tutorials/advanced/dynamic_quantization_tutorial.html ...