语言平台 依赖注入方案 存储模型 1. 语言平台 Kooboo CMS基于.NET Framework 4.x,.NET Framework 4.x的一些技术特性成为站点开发人员使用Kooboo CMS必不可少的基础,为提升Kooboo CMS的用户体验来了极大的帮助,这些特别包括: dynamic关键字带来了流畅的数据操作体验 .NET4带来的dynamic关键字,可实现部分的动态语言特性.在Kooboo CMS中,所有的内容都是以key-value的形式存在.在语言对象的表达中,我们使用ID

整理了一份ReactNative0.21中文文档,提供给需要的reactnative爱好者.ReactNative0.21中文文档.chm  百度盘下载:ReactNative0.21中文文档 来源:ReactNative中文社区 快速入门 开始使用React Native 在Linux上使用React Native 安卓环境配置 Linux和Windows支持 新手引导 使用指南 样式 图片 手势响应系统 动画 无障碍功能 直接操作 调试 自动化测试 JavaScript环境 导航器对比 已知

torch.nn Parameters class torch.nn.Parameter() 艾伯特(http://www.aibbt.com/)国内第一家人工智能门户,微信公众号:aibbtcom Variable的一种,常被用于模块参数(module parameter). Parameters 是 Variable 的子类.Paramenters和Modules一起使用的时候会有一些特殊的属性,即:当Paramenters赋值给Module的属性的时候,他会自动的被加到 Module的 参

Python 作为世界上最好用的语言,官方支持的文档一直没有中文.小伙伴们已经习惯了原汁原味的英文文档,但如果有官方中文文档,那么查阅或理解速度都会大大提升.本文将介绍隐藏在 Python 官网的中文文档- 官方中文文档地址:https://docs.python.org/zh-cn 以前也是有一些第三方维护的 Python 中文文档,不过可能因为人力等限制,并做不到同步更新与维护.目前也有很多高质量的 Python 中文资源,但大部分都是大牛写的书或教程,官方文档的翻译并得不到保证. 最近很多

django2.0 官方开始发布中文文档了,之前还想着一直翻译完成所有有必要的内容,想着可以省事一些了,打开以后看了一下,发现官方的中文文档还没翻译完成, 现在(2018-7-10)最新章节是是  编写你的第一个 Django 补丁(https://docs.djangoproject.com/zh-hans/2.0/intro/contributing/) django 2.0 官方中文文档地址: https://docs.djangoproject.com/zh-hans/2.0/

点评: 官方文档地址 官方中文文档地址 sql语句扩展

内容预览: step(closure) 进行单次优化 (参数更新). 参数: closure (callable) –...~ 参数: params (iterable) – 待优化参数的iterable或者是定义了参数组的...~ 参数: params (iterable) – 待优化参数的iterable或者是定义了参数组的...~ torch.optim torch.optim是一个实现了各种优化算法的库.大部分常用的方法得到支持,并且接口具备足够的通用性,使得未来能够集成更加复杂的方法.

PyTorch中文文档 PyTorch是使用GPU和CPU优化的深度学习张量库. 说明 自动求导机制 CUDA语义 扩展PyTorch 多进程最佳实践 序列化语义 Package参考 torch torch.Tensor torch.Storage torch.nn torch.nn.functional torch.nn.init torch.optim torch.autograd torch.multiprocessing torch.legacy torch.cuda torch.uti

这里需要说明一下,笔者不建议在Windows环境下进行深度学习的研究,一方面是因为Windows所对应的框架搭建的依赖过多,社区设定不完全:另一方面,Linux系统下对显卡支持.内存释放以及存储空间调整等硬件功能支持较好.如果您对Linux环境感到陌生,并且大多数开发环境在Windows下更方便操作的话,希望这篇文章对您会有帮助. 关于计算机的硬件配置说明 推荐配置 如果您是高校学生或者高级研究人员,并且实验室或者个人资金充沛,建议您采用如下配置: 主板:X299型号或Z270型号 CPU: i

关于计算机的硬件配置说明 推荐配置 如果您是高校学生或者高级研究人员,并且实验室或者个人资金充沛,建议您采用如下配置: 主板:X299型号或Z270型号 CPU: i7-6950X或i7-7700K 及其以上高级型号 内存:品牌内存,总容量32G以上,根据主板组成4通道或8通道 SSD: 品牌固态硬盘,容量256G以上 显卡:NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti.NVIDIA GTX TITAN.NVIDIA GTX 1080.NVIDIA GTX 107

frp 是一个可用于内网穿透的高性能的反向代理应用,支持 tcp, udp, http, https 协议. 目录 frp 的作用 开发状态 架构 使用示例 通过 ssh 访问公司内网机器 通过自定义域名访问部署于内网的 web 服务 转发 DNS 查询请求 转发 Unix域套接字 对外提供简单的文件访问服务 安全地暴露内网服务 点对点内网穿透 通过 frpc 所在机器访问外网 功能说明 配置文件 Dashboard 身份验证 加密与压缩 客户端热加载配置文件 客户端查看代理状态 特权模式 端口

https://reactjs.org/docs/getting-started.html  //React官方文档地址 1.入门 此页面是React文档和相关资源的概述. React是一个用于构建用户界面的JavaScript库.在我们的主页或教程中了解React的全部内容. 试试React 学习反应 保持知情 版本化文档 有什么遗失? 试试React React从一开始就被设计为逐步采用,您可以根据需要使用尽可能少的React.无论您是想体验React,为简单的HTML页面添加一些交互性,还

译自GeoPandas 0.1.0 文档(原版译著,有错误欢迎交流,转载请注明) GeoPandas是一个开源项目,它的目的是使得在Python下更方便的处理地理空间数据.GeoPandas扩展了pandas的数据类型,允许其在几何类型上进行空间操作.几何操作由 shapely执行. GeoPandas进一步依赖于 fiona进行文件存取和 descartes ,matplotlib 进行绘图. 描述 GeoPandas 的目的是在Python下更容易处理地理数据.它结合了pandas和shap

torch.optim torch.optim是一个实现了各种优化算法的库.大部分常用的方法得到支持,并且接口具备足够的通用性,使得未来能够集成更加复杂的方法. 如何使用optimizer 为了使用torch.optim,你需要构建一个optimizer对象.这个对象能够保持当前参数状态并基于计算得到的梯度进行参数更新. 构建 为了构建一个Optimizer,你需要给它一个包含了需要优化的参数(必须都是Variable对象)的iterable.然后,你可以设置optimizer的参数选项,比如学

自动求导机制 本说明将概述Autograd如何工作并记录操作.了解这些并不是绝对必要的,但我们建议您熟悉它,因为它将帮助您编写更高效,更简洁的程序,并可帮助您进行调试. 从后向中排除子图 每个变量都有两个标志:requires_grad和volatile.它们都允许从梯度计算中精细地排除子图,并可以提高效率. 艾伯特(http://www.aibbt.com/)国内第一家人工智能门户 requires_grad 如果有一个单一的输入操作需要梯度,它的输出也需要梯度.相反,只有所有输入都不需要梯度

torch.Tensor torch.Tensor是一种包含单一数据类型元素的多维矩阵. Torch定义了七种CPU tensor类型和八种GPU tensor类型: Data tyoe CPU tensor GPU tensor 32-bit floating point torch.FloatTensor torch.cuda.FloatTensor 64-bit floating point torch.DoubleTensor torch.cuda.DoubleTensor 16-bit

torch 包 torch 包含了多维张量的数据结构以及基于其上的多种数学操作.另外,它也提供了多种工具,其中一些可以更有效地对张量和任意类型进行序列化. 它有CUDA 的对应实现,可以在NVIDIA GPU上进行张量运算(计算能力>=2.0). http://www.aibbt.com/a/pytorch/ 张量 Tensors torch.is_tensor[source] torch.is_tensor(obj) 如果obj 是一个pytorch张量,则返回True 参数: obj (Ob

所属分类:Keras Keras后端 什么是"后端" Keras是一个模型级的库,提供了快速构建深度学习网络的模块.Keras并不处理如张量乘法.卷积等底层操作.这些操作依赖于某种特定的.优化良好的张量操作库.Keras依赖于处理张量的库就称为"后端引擎".Keras提供了三种后端引擎Theano/Tensorflow/CNTK,并将其函数统一封装,使得用户可以以同一个接口调用不同后端引擎的函数 Theano是一个开源的符号主义张量操作框架,由蒙特利尔大学LISA/

\ 函数式模型接口 为什么叫"函数式模型",请查看"Keras新手指南"的相关部分 Keras的函数式模型为Model,即广义的拥有输入和输出的模型,我们使用Model来初始化一个函数式模型 from keras.models import Model from keras.layers import Input, Dense a = Input(shape=(32,)) b = Dense(32)(a) model = Model(inputs=a, output

Sequential模型接口 如果刚开始学习Sequential模型,请首先移步这里阅读文档,本节内容是Sequential的API和参数介绍. 常用Sequential属性 model.layers是添加到模型上的层的list Sequential模型方法 add add(self, layer) 向模型中添加一个层 layer: Layer对象 pop pop(self) 弹出模型最后的一层,无返回值 compile compile(self, optimizer, loss, metric

关于Keras模型 Keras有两种类型的模型,序贯模型(Sequential)和函数式模型(Model),函数式模型应用更为广泛,序贯模型是函数式模型的一种特殊情况. 两类模型有一些方法是相同的: model.summary():打印出模型概况,它实际调用的是keras.utils.print_summary model.get_config():返回包含模型配置信息的Python字典.模型也可以从它的config信息中重构回去 config = model.get_config() mode