-
空标题文档
7.3 埋点和输出日志 实现分布式服务跟踪系统的主要思路是通过服务调用链各服务处理节点生成相应的日志信息，通过同一请求中生成的日志具有同一个ID将不同系统或服务“孤立的”日志串在一起，重组还原出更多有价值的信息。 也就是说，在每一个URL请求都会生成一个全局唯一的ID，鹰眼平台中称为TraceID，这个ID会出现在该请求中所有服务调用、数据库、缓存、消... -
7.4 卷积层和池化层的实现
7.4 卷积层和池化层的实现 7.4.1 4 维数组 7.4.2 基于 im2col 的展开 7.4.3 卷积层的实现 7.4.4 池化层的实现 7.4 卷积层和池化层的实现 前面我们详细介绍了卷积层和池化层，本节我们就用 Python 来实现这两个层。和第 5 章一样，也给进行实现的类赋予 forward 和 backward 方法，并使... -
空标题文档
火花 不是你——是他们！ “世界上有两种人，”当我们离开宽街走向国王大街的时候安迪说道，“一种粗鲁无礼，一种不粗鲁。你猜怎么样？” “怎样？”我问。 “粗鲁无礼的人可以再被细分为两大类：一种与你有分歧，一种没有。” 他说得对（见下图）。 这张图看起来像是孩子的涂鸦。确实如此！但如果你用这个图表进行分析，你会得出一个更深层的结论。它就是： ... -
空标题文档
16.6 大规模程序设计 让我们在21点模拟程序中添加一个功能：分析结果。我们有许多方式来实现这个新添加的功能。我们的考虑包括两个维度，这带来了大量的组合。考虑其中一个维度是如何设计新功能。 添加一个函数。 使用命令模式。 另一个维度是如何包装新的功能。 编写一个新的顶层脚本文本。我们会基于文件的名称，比如simulate.py和analyze... -
3.6 手写数字识别
3.6 手写数字识别 3.6.1 MNIST 数据集 3.6.2 神经网络的推理处理 3.6.3 批处理 3.6 手写数字识别 介绍完神经网络的结构之后，现在我们来试着解决实际问题。这里我们来进行手写数字图像的分类。假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播 （forward p... -
5.6 Affine/Softmax 层的实现
5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 5.6.2 批版本的 Affine 层 5.6.3 Softmax-with-Loss 层 5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 神经网络的正向传播中，为了计算加权信号的总和，使用了矩阵的乘积运算（NumPy 中是 np.dot... -
3.4 3 层神经网络的实现
3.4 3 层神经网络的实现 3.4.1 符号确认 3.4.2 各层间信号传递的实现 3.4.3 代码实现小结 3.4 3 层神经网络的实现 现在我们来进行神经网络的实现。这里我们以图 3-15 的 3 层神经网络为对象，实现从输入到输出的（前向）处理。在代码实现方面，使用上一节介绍的 NumPy 多维数组。巧妙地使用 NumPy 数组，可以用很... -
空标题文档
第二部分 洞悉思维本质，创建情感机器的6大维度 04 意识 “意识”是一个“手提箱”式词汇，它被我们用来表示许多不同的精神活动。而这些精神活动并没有单一的原因或起源，当然，这也正是为何人们发现很难“理解意识是什么”的原因所在。心灵的每个阶段都是一个同时存在多种可能性的剧场，而意识则将这些可能性相互比较，通过注意力的强化和抑制作用... -
7.2 卷积层
7.2 卷积层 7.2.1 全连接层存在的问题 7.2.2 卷积运算 7.2.3 填充 7.2.4 步幅 7.2.5 3 维数据的卷积运算 7.2.6 结合方块思考 7.2.7 批处理 7.2 卷积层 CNN 中出现了一些特有的术语，比如填充、步幅等。此外，各层中传递的数据是有形状的数据（比如，3 维数据），这与之前的全连接网络不同，因此... -
3.3 多维数组的运算
3.3 多维数组的运算 3.3.1 多维数组 3.3.2 矩阵乘法 3.3.3 神经网络的内积 3.3 多维数组的运算 如果掌握了 NumPy 多维数组的运算，就可以高效地实现神经网络。因此，本节将介绍 NumPy 多维数组的运算，然后再进行神经网络的实现。 3.3.1 多维数组 简单地讲，多维数组就是“数字的集合”，数字排成一列的集合、排成...