-
RelativeLayout VS LinearLayout
RelativeLayout VS LinearLayout RelativeLayout VS LinearLayout 在老版本的SDK中，创建一个默认的Android项目，系统默认创建的是LinearLayout作为activity_main.xml的根布局。而在新版本的SDK中，系统已经使用RelativeLayout来作为默认的根布局。其原因... -
1.6 Matplotlib
1.6 Matplotlib 1.6.1 绘制简单图形 1.6.2 pyplot 的功能 1.6.3 显示图像 1.6 Matplotlib 在深度学习的实验中，图形的绘制和数据的可视化非常重要。Matplotlib 是用于绘制图形的库，使用 Matplotlib 可以轻松地绘制图形和实现数据的可视化。这里，我们来介绍一下图形的绘制方法和图像的显... -
4.5 学习算法的实现
4.5 学习算法的实现 4.5.1 2 层神经网络的类 4.5 学习算法的实现 关于神经网络学习的基础知识，到这里就全部介绍完了。“损失函数”“mini-batch”“梯度”“梯度下降法”等关键词已经陆续登场，这里我们来确认一下神经网络的学习步骤，顺便复习一下这些内容。神经网络的学习步骤如下所示。 前提 神经网络存在合适的权重和偏置，调整权重... -
第 7 章 卷积神经网络
第 7 章 卷积神经网络 第 7 章 卷积神经网络 本章的主题是卷积神经网络（Convolutional Neural Network，CNN ）。CNN 被用于图像识别、语音识别等各种场合，在图像识别的比赛中，基于深度学习的方法几乎都以 CNN 为基础。本章将详细介绍 CNN 的结构，并用 Python 实现其处理内容。 -
9.9.2 快速排序复杂度分析
9.9.2 快速排序复杂度分析 9.9.2 快速排序复杂度分析 我们来分析一下快速排序法的性能。快速排序的时间性能取决于快速排序递归的深度，可以用递归树来描述递归算法的执行情况。如图9-9-7所示，它是{50,10,90,30,70,40,80,60,20}在快速排序过程中的递归过程。由于我们的第一个关键字是50，正好是待排序的序列的中间值，因此递归树... -
6.3 Batch Normalization
6.3 Batch Normalization 6.3.1 Batch Normalization 的算法 6.3.2 Batch Normalization的评估 6.3 Batch Normalization 在上一节，我们观察了各层的激活值分布，并从中了解到如果设定了合适的权重初始值，则各层的激活值分布会有适当的广度，从而可以顺利地进行学习。... -
6.6 二叉树的性质
6.6 二叉树的性质 6.6.1 二叉树性质1 6.6.2 二叉树性质2 6.6.3 二叉树性质3 6.6.4 二叉树性质4 6.6.5 二叉树性质5 6.6 二叉树的性质 二叉树有一些需要理解并记住的特性，以便于我们更好地使用它。 6.6.1 二叉树性质1 性质1：在二叉树的第i层上至多有2i-1个结点（i≥1）。 这个性质很好记忆，... -
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...