-
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... -
9.8.3 非递归实现归并排序
9.8.3 非递归实现归并排序 9.8.3 非递归实现归并排序 我们常说，“没有最好，只有更好。”归并排序大量引用了递归，尽管在代码上比较清晰，容易理解，但这会造成时间和空间上的性能损耗。我们排序追求的就是效率，有没有可能将递归转化成迭代呢？结论当然是可以的，而且改动之后，性能上进一步提高了，来看代码。 /* 对顺序表L作归并非递归排序 */ vo... -
9.8.2 归并排序复杂度分析
9.8.2 归并排序复杂度分析 9.8.2 归并排序复杂度分析 我们来分析一下归并排序的时间复杂度，一趟归并需要将SR[1]～SR[n]中相邻的长度为h的有序序列进行两两归并。并将结果放到TR1[1]～TR1[n]中，这需要将待排序序列中的所有记录扫描一遍，因此耗费O(n)时间，而由完全二叉树的深度可知，整个归并排序需要进行次，因此，总的时间复杂度为O... -
8.2 深度学习的小历史
8.2 深度学习的小历史 8.2.1 ImageNet 8.2.2 VGG 8.2.3 GoogLeNet 8.2.4 ResNet 8.2 深度学习的小历史 一般认为，现在深度学习之所以受到大量关注，其契机是 2012 年举办的大规模图像识别大赛 ILSVRC（ImageNet Large Scale Visual Recognition C... -
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... -
1.5 NumPy
1.5 NumPy 1.5.1 导入 NumPy 1.5.2 生成 NumPy 数组 1.5.3 NumPy 的算术运算 1.5.4 NumPy 的 N 维数组 1.5.5 广播 1.5.6 访问元素 1.5 NumPy 在深度学习的实现中，经常出现数组和矩阵的计算。NumPy 的数组类（numpy.array ）中提供了很多便捷的方法，在... -
第 5 章 误差反向传播法
第 5 章 误差反向传播法 第 5 章 误差反向传播法 上一章中，我们介绍了神经网络的学习，并通过数值微分计算了神经网络的权重参数的梯度（严格来说，是损失函数关于权重参数的梯度）。数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。本章我们将学习一个能够高效计算权重参数的梯度的方法——误差反向传播法。 要正确理解误差反向传播法，我个人认为有两种方... -
第 6 章 与学习相关的技巧
第 6 章 与学习相关的技巧 第 6 章 与学习相关的技巧 本章将介绍神经网络的学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法等。此外，为了应对过拟合，本章还将介绍权值衰减、Dropout 等正则化方法，并进行实现。最后将对近年来众多研究中使用的 Batch Normalization 方法进行简单的介绍...