-
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... -
8.1 加深网络
8.1 加深网络 8.1.1 向更深的网络出发 8.1.2 进一步提高识别精度 8.1.3 加深层的动机 8.1 加深网络 关于神经网络，我们已经学了很多东西，比如构成神经网络的各种层、学习时的有效技巧、对图像特别有效的 CNN、参数的最优化方法等，这些都是深度学习中的重要技术。本节我们将这些已经学过的技术汇总起来，创建一个深度网络，挑战 MNI... -
高级话题引导
高级话题引导 高级话题引导 Guide to the Advanced Chapters 我们已经熟悉了元字符、流派、语法包装（syntactic packaging）之类的概念，现在应该详细介绍本书开头提到的第三点了，也就是工具软件的正则引擎如何把一个正则表达式应用到文本当中。在第 4 章“正则表达式的匹配原理 ”中，我们会看到匹配引擎的实现方式如... -
总结
总结 总结 Summary 如果你希望一遍就能读懂本章的所有内容，大概得做点准备。至少，这些东西不那么容易理解。我花了些时间才理解它，花了更长的时间才真正弄懂。我希望这章简要的讲解能够降低读者理解的难度。我尝试过简单地解释，同时不要调入太简单的陷阱（不幸的是，太过直白的解释总是妨碍了真正的理解）。本章有许多这样的陷阱，所以我在其中安排了许多对其他页的... -
第6章 打造高效正则表达式
第6章 打造高效正则表达式 第6章 打造高效正则表达式 Crafting an Efficient Expression Perl、Java、.NET、Python和PHP（这里没有列全，其他语言请参考第145页的表格）使用的都是表达式主导的NFA引擎，细微的改变就可能对匹配的结果及方式产生重大的影响。DFA中不存在的问题，对NFA来说却很重要。因为... -
扩展示例
扩展示例 用PHP解析CSV 检查tagged data的嵌套正确性 扩展示例 Extended Examples 用这两个例子作为本章的结束。 用PHP解析CSV CSV Parsing with PHP 这里有一个用PHP解析CSV（逗号分隔值）的程序，原来的例子在第6章（☞271）。这个正则表达式使用了占有优先量词（☞142），而不是... -
空标题文档
詹姆斯•邦德对阵戈登•盖柯 “想更好地理解这里的区别，”我对安迪说，“你可以代入几个有名的电影人物。” 我拿过一张餐巾纸，画出下面这个图表： 两好两坏：四种不同的精神病态者 位于右上方的是被我称为优优型的人群。他们为社会服务，是有功用的精神病态者——对他们来说，詹姆斯•邦德是榜样。 安迪抬了抬眉毛。 “好吧，让我们对他做个回顾。”我说。 ... -
空标题文档
如何让货运车“飞奔起来” 这是普通的一天，全美最大的铁路运输公司——联合太平洋（Union Pacific）、诺福克南方铁路和BNSF等“一级”铁路公司——在长14万英里的铁路网络上运输着约24,000辆机车和365,000节火车厢。GE正推出一系列工业互联网工具，来帮铁路公司提高效率。根据GE的估算，1%效率的提高意味着每年可节省下28亿美元。让我们看...