-
3.5 优点
3.5 优点 BCG的简洁性可能是它最大的优点，它在一张图上显示了大量直观信息；以容易理解的格式捕捉了多元化战略的复杂性。其他许多种管理工具都无法以简洁的视图达到增长率/份额矩阵所提供的信息深度和广度。它很直观，很容易用来快速地识别需要进一步深入分析的领域。 BCG矩阵对应该根据过去的业绩决定内部投资方向，或者应该因为过往业绩奖励管理者这种常见思路提出... -
2.2 安装Docker
2.2 安装Docker 2.2.1 Ubuntu环境下安装Docker 2.2.2 CentOS环境下安装Docker 2.2.3 通过脚本安装 2.2.4 Mac OS环境下安装Docker 2.2.5 Windows环境下安装Docker 2.2 安装Docker Docker在主流的操作系统和云平台上都可以使用，包括Linux操作系统... -
第17章 Docker核心实现技术
第17章 Docker核心实现技术 第17章 Docker核心实现技术 作为一种容器虚拟化技术，Docker深度应用了操作系统的多项底层支持技术。 早期版本的Docker是基于已经成熟的Linux Container（LXC）技术实现的。自Docker 0.9版本起，Docker逐渐从LXC转移到新的libcontainer（https://gith... -
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... -
8.6 小结
8.6 小结 8.6 小结 本章我们实现了一个（稍微）深层的 CNN，并在手写数字识别上获得了超过 99% 的高识别精度。此外，还讲解了加深网络的动机，指出了深度学习在朝更深的方向前进。之后，又介绍了深度学习的趋势和应用案例，以及对高速化的研究和代表深度学习未来的研究案例。 深度学习领域还有很多尚未揭晓的东西，新的研究正一个接一个地出现。今后，全世界... -
让我们开始吧
让我们开始吧 让我们开始吧 通过前面的介绍，希望读者了解本书大概要讲的内容，产生继续阅读的兴趣。 最近出现了很多深度学习相关的库，任何人都可以方便地使用。实际上，使用这些库的话，可以轻松地运行深度学习的程序。那么，为什么我们还要特意花时间从零开始实现深度学习呢？一个理由就是，在制作东西的过程中可以学到很多。 在制作东西的过程中，会进行各种各样的实验... -
7.7 具有代表性的 CNN
7.7 具有代表性的 CNN 7.7.1 LeNet 7.7.2 AlexNet 7.7 具有代表性的 CNN 关于 CNN，迄今为止已经提出了各种网络结构。这里，我们介绍其中特别重要的两个网络，一个是在 1998 年首次被提出的 CNN 元祖 LeNet[20]，另一个是在深度学习受到关注的 2012 年被提出的 AlexNet[21]。 7... -
空标题文档
18.5 期货期权的下限 看跌-看涨期权平价关系式式（18-1）给出了欧式看涨期权和看跌期权的下限。因为看跌期权的价格p不能为负值，由式（18-1）得出 即 类似地，因为看涨期权的价格c不能为负值，由式（18-1）得出 即 以上得出的下限与第11章中推导出的欧式股票期权的下限类似。当期权为深度实值状态时，欧式看涨和看跌期权会与它们... -
致谢
致谢 致谢 首先，笔者要感谢推动了深度学习相关技术（机器学习、计算机科学等）发展的研究人员和工程师。本书的完成离不开他们的研究工作。其次，笔者还要感谢在图书或网站上公开有用信息的各位同仁。其中，斯坦福大学的 CS231n [5] 公开课慷慨提供了很多有用的技术和信息，笔者从中学到了很多东西。 在本书执笔过程中，曾受到下列人士的帮助：teamLab 公...