-
字符串的新增方法
String.fromCodePoint() String.raw() 实例方法：codePointAt() 实例方法：normalize() 实例方法：includes(), startsWith(), endsWith() 实例方法：repeat() 实例方法：padStart()，padEnd() 实例方法：trimStart()，tri... -
针对NLP的Pytorch深度学习
针对NLP的Pytorch深度学习 针对NLP的Pytorch深度学习 译者：@JingTao 、@friedhelm739 作者 : Robert Guthrie 本教程将带你浏览基于Pytorch深度学习编程的核心思想.其中很多思想(例如计算图形抽象化以及自动求导) 并不是Pytorch特有的,他们和任何深度学习工具包都是相关的. ... -
扩展 PyTorch
扩展 PyTorch 扩展 torch.autograd 扩展 torch.nn 增加一个Module 。 编写自定义的 C 扩展 译者署名 扩展 PyTorch 扩展 torch.autograd 扩展 torch.nn 增加 Module 编写自定义 C 扩展 本篇文章中包含如何扩展torch.nn ，torch.auto... -
14.1 元表案例
14.1 元表案例 undefined14 元表案例 undefined__tostring元方法 undefined如何保护元表 undefined__index元方法 undefined__newindex元方法 14.1 元表案例 undefined14 元表案例 在table中，我可以重新定义的元方法有以下几个: __add ( ... -
自动求导机制
自动求导机制 反向排除 subgraphs (子图) requires_grad volatile autograd (自动求导) 如何编码 history (历史信息) 变量上的 In-place Operations (就地操作) In-place Operations (就地操作) 的正确性检查 自动求导机制 译者： @那伊抹微... -
十六、朴素贝叶斯
十六、朴素贝叶斯 伯努利朴素贝叶斯 校准预测概率 高斯朴素贝叶斯分类器 多项式逻辑回归 多项式朴素贝叶斯分类器 从零编写朴素贝叶斯分类器 十六、朴素贝叶斯 作者：Chris Albon 译者：飞龙 协议：CC BY-NC-SA 4.0 伯努利朴素贝叶斯 伯努利朴素贝叶斯分类器假设我们的所有特征都是二元的，它们仅有两个值（例... -
如何保证缓存与数据库的双写一致性？
缓存与数据库一致性问题 面试题 面试官心理分析 面试题剖析 Cache Aside Pattern 最初级的缓存不一致问题及解决方案 比较复杂的数据不一致问题分析 缓存与数据库一致性问题 面试题 如何保证缓存与数据库的双写一致性？ 面试官心理分析 你只要用缓存，就可能会涉及到缓存与数据库双存储双写，你只要是双写，就一定会有数据一致性的... -
torch.onnx
torch.onnx 示例:从Pytorch到Caffe2的端对端AlexNet模型 局限 支持的运算符 Functions torch.onnx 译者：@Haofan Wang 校对者：@aleczhang torch.onnx 模块可以将模型导出成 ONNX IR 形式.被导出的模型可以通过 ONNX 库被重新导入, 然后转化... -
自动求导机制
自动求导机制 向后排除子视图： requires_grad autograd 如何编码历史信息： Variable 上的 In-place 操作： In-place 正确性检测： 译者署名 自动求导机制 从后向中排除子图 requires_grad volatile 自动求导如何编码历史信息 Variable 上的 In-pl... -
HBase 和 Schema 设计
HBase 和 Schema 设计 34. Schema 创建 34.1. Schema 更新 35. 表 Schema 的经验法则 HBase 和 Schema 设计 贡献者：Raymondcode 关于各种非 RDBMS 数据存储建模的优缺点，可以在 Ian Varley 的硕士论文 No Relation: The Mixed B...
