首 页 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 尾 页

机器学习能在游戏开发中做什么

发布者: superzhang | 发布时间:2017-11-14

机器学习适合做什么

机器学习当前在很多领域,都取得了相当巨大的进步。从应用领域来看,机器学习在“信息识别”、“数据预测”、“复杂控制”几个方面,展现出很大的能力。

比如“信息识别”领域,依赖于大数据的训练,现在的图形识别已经非常完善了,手写数字的识别仅仅是类似Hello World一类的简单应用;

“数据预测”领域百度对于世界杯的预测达到令人吃惊的100%准确率,将来这种技术在各种据别历史数据的预测应用上,将有长足的发展,比如广告的推荐系统、财经数据的决策系统等等;

“复杂控制”方面,自动驾驶的技术经历了十几年的研究,剩下的似乎只有识别硬件的成本问题了。

然而,以上这些技术,相当一部分来源于“大数据”,或者叫“监督学习”的训练,也就是说,实际上这些机器的智能是来源于人类积累在数据中的“智慧”。机器仅仅是在“模拟”人类的某种思考判断,而这种模拟采用的更多是类似“查询搜索”的方法。——不过说回来,人类的经验几千年来,都是记录在书本上,需要用另外一个大脑来学习,然后才加以运用;而机器学习跳过了人脑这个阶段,从经验直接到应用,确实是一个伟大的进度。可以增加一点想象的是,以后所有“需要经验”的事情,已经是可以用电脑来代替了,比如医生看病。不过那些需要“创造”或者“发现”的事情,比如艺术创作,理解和发现客

想读更多 ->

如何用 Keras 为序列预测问题开发复杂的编解码循环神经网络?

发布者: superzhang | 发布时间:2017-11-14

摘要: 编解码模型提供了一种使用循环神经网络来解决诸如机器翻译这样的序列预测问题的模式。编解码模型可以用Keras Python深度学习库来进行开发,使用该模型开发的神经网络机器翻译系统的示例在Keras博客上也有描述,示例代码与Keras项目一起分发。该示例为用户开发自己的编解码LSTM模型提供了基础。

在本教程中,你将学会如何用Keras为序列预测问题开发复杂的编解码循环神经网络,包括:

如何在Keras中为序列预测定义一个复杂的编解码模型。 如何定义一个可用于评估编解码LSTM模型的可伸缩序列预测问题。 如何在Keras中应用编解码LSTM模型来解决可伸缩的整数序列预测问题。 教程概述

Keras中的编解码模型可伸缩的序列问题用于序列预测的编解码LSTM

Python环境 需安装Python SciPy,可以使用Python 2/3进行开发。 必须安装Keras(2.0或更高版本),并且使用TensorFlow或Theano作为后端。 需安装scikit-learn、Pandas、NumPy和Matplotlib。这篇文章对搭建环境有一定的帮助: 如何用Anaconda设置机器学习和深度学习Python环境 Keras中的编解码模型

编解码模型是针对序列预测问题组织循环神经网络的一种方法。它最初是为

想读更多 ->

热迁移、RTC 计时与安全增强…腾讯云 KVM 性能优化实践经验谈

发布者: superzhang | 发布时间:2017-11-14

嘉宾介绍:肖光荣,腾讯云开源团队负责人,操作系统专家。肖光荣在Linux内核、KVM社区工作近十年,是Ftrace, MM, Networking等子系统的活跃贡献者。近几年主要工作在虚拟化领域,是KVM的核心开发者,Virtual NVDIMM子系统的维护者。肖光荣向社区提交了大量Patch,在华人内核贡献者中排名Top 15,在内核和KVM社区拥有巨大影响力。

写在前面

前不久,KVM Forum 大会发布了 2017 年最新 KVM 开源贡献榜,腾讯云因其向 KVM 内核贡献了 46 个 patch,成为全球唯一一家上榜的公有云厂商。据了解,这些补丁大多是腾讯云在实战过程中的经验总结,主要用于改善和解决 KVM 虚拟机在热迁移,时钟计时、嵌套虚拟化等方面的使用问题以及修复一些安全漏洞。

在开源的所有 patch 里,比较引人注目的是,腾讯云率先采用快速写保护、共享脏页位图、优化热迁移块大小等一系列方式,优化热迁移效率以及提升热迁移成功率。那么,它的虚拟机热迁移过程和具体方法是什么?腾讯云又如何看待 KVM 技术开源?KVM 现在面临着哪些新的挑战?带着这些问题,InfoQ 采访了腾讯云高级工程师肖光荣,就腾讯云的 KVM 开源技术与开源思路做了简单交流。

Q:简单阐述一下 KVM 虚拟化技术以及 KVM

想读更多 ->

如何用 Keras 为序列预测问题开发复杂的编解码循环神经网络?

发布者: superzhang | 发布时间:2017-11-14

摘要: 编解码模型提供了一种使用循环神经网络来解决诸如机器翻译这样的序列预测问题的模式。编解码模型可以用Keras Python深度学习库来进行开发,使用该模型开发的神经网络机器翻译系统的示例在Keras博客上也有描述,示例代码与Keras项目一起分发。该示例为用户开发自己的编解码LSTM模型提供了基础。

在本教程中,你将学会如何用Keras为序列预测问题开发复杂的编解码循环神经网络,包括:

如何在Keras中为序列预测定义一个复杂的编解码模型。 如何定义一个可用于评估编解码LSTM模型的可伸缩序列预测问题。 如何在Keras中应用编解码LSTM模型来解决可伸缩的整数序列预测问题。 教程概述

Keras中的编解码模型可伸缩的序列问题用于序列预测的编解码LSTM

Python环境 需安装Python SciPy,可以使用Python 2/3进行开发。 必须安装Keras(2.0或更高版本),并且使用TensorFlow或Theano作为后端。 需安装scikit-learn、Pandas、NumPy和Matplotlib。这篇文章对搭建环境有一定的帮助: 如何用Anaconda设置机器学习和深度学习Python环境 Keras中的编解码模型

编解码模型是针对序列预测问题组织循环神经网络的一种方法。它最初是为

想读更多 ->

Java内存管理:深入Java内存区域

发布者: super | 发布时间:2017-11-14

原标题:Java内存管理:深入Java内存区域

 Java与C++之间有一堵由内存动态分配和垃圾收集技术所围成的高墙,墙外面的人想进去,墙里面的人却想出来。

概述:

对于从事C和C++程序开发的开发人员来说,在内存管理领域,他们既是拥有最高权力的皇帝,又是从事最基础工作的劳动人民—既拥有每

一个对象的“所有权”,又担负着每一个对象生命开始到终结的维护责任。

对于Java程序员来说,在虚拟机的自动内存管理机制的帮助下,不再需要为每一个new操作去写配对的delete/free代码,而且不容易出现

内存泄漏和内存溢出问题,看起来由虚拟机管理内存一切都很美好。不过,也正是因为Java程序员把内存控制的权力交给了Java虚拟机,一旦

出现内存泄漏和溢出方面的问题,如果不了解虚拟机是怎样使用内存的,那排查错误将会成为一项异常艰难的工作。

运行时数据区域

Java虚拟机在执行Java程序的过程中会把它所管理的内存划分为若干个不同的数据区域。这些区域都有各自的用途,以及创建和销毁的时

间,有的区域随着虚

想读更多 ->

Spring的基础知识讲解

发布者: super | 发布时间:2017-11-14

原标题:Spring的基础知识讲解

1.什么是Spring

Spring是一个开源框架,Spring是于2003 年兴起的一个轻量级的Java 开发框架,由Rod Johnson创建。简单来说,Spring是一个分层的JavaSE/EEfull-stack(一站式) 轻量级开源框架。

2.了解Spring在三层架构中的关系

Spring在三层架构中相当于一个管家,整个应用中所有Bean的声明周期行为,均由Spring管理。即整个应用中所有对象的创建、初始化、销毁,即对象见关联关系的维护,均由Spring进行管理。

3.Spring 的主要作用

Spring 的主要作用就是为代码“解耦”,降低代码间的耦合度。

根据功能的不同,可以将一个系统中的代码分为主业务逻辑与系统业务逻辑两类。主业务代码间逻辑

想读更多 ->

这些java知识你学了多少?

发布者: super | 发布时间:2017-11-14

原标题:这些java知识你学了多少?

三人行必有我师,人生是需要不断学习的,在这里我们相遇就是缘分,希望各位可以看完这篇文章,也欢迎大家在下面留言讨论,天冷了,也动动手指转发收藏一下,谢谢大家!

学习java中级部分大概主要有下面这些内容:

SQL:结构化查询语言,是一种特殊目的的编程语言,是一种数据库查询和程序设计语言,用于存取数据以及查询、更新和管理关系数据库系统;同时也是数据库脚本文件的扩展名。

XML

HTTP

Tomcat:Tomcat 服务器是一个免费的开放源代码的Web 应用服务器,是目前比较流行的Web 应用服务器。

原标题:大数据分析平台解析:什么是Apache Spark?

[ ]

【IT168 资讯】 Apache Spark是一款快速、灵活且对开发者友好的工具,也是大型SQL、批处理、流处理和机器学习的领先平台。

2009年,Apache Spark从美国U.C. Berkeley的 AMPLab为起步,现在已经成为世界上主要的大数据分布式处理框架之一。Spark可以以各种方式进行部署,为Java、Scala、Python和R编程语言提供本地绑定,并支持SQL、流数据、机器学习和图形处理。已经被银行、电信公司、游戏公司、政府以及苹果、Facebook、IBM和微软等领域的企业和科技巨头所使用。

Spark开箱即用,可以在独立的集群模式中运行,只需要在集群中的每台计算机上使用Apache Spark框架和JVM即可。然而,用户更希望利用资源或集群管理系统负责分配需求到员工手中。在企业中,这通常都是在Hadoop YARN上运行(这是Cloudera和Hortonworks发行版运行Spark作业的方式),但Apache Spark也可以在Apache Mesos上运行。同时,其在为Kube

想读更多 ->

让不懂编程的人爱上iPhone开发(2017秋iOS11+Swift4+Xcode9版)-第6...

发布者: super | 发布时间:2017-11-14

原标题:让不懂编程的人爱上iPhone开发(2017秋iOS11+Swift4+Xcode9版)-第6篇

欢迎继续回来一起学习iPhone开发。

热身结束,让我们真正来做游戏吧!

到目前为止我们已经完成了基本的用户界面,而且也学习了如何确定滑动条的位置,这样我们的to-do清单上已经解决了一大部分内容。

剩下的主要事情就是生成目标随机数,然后计算玩家的得分了。

不过在此之前让我们先对滑动条做一些改进。

Outlets

这货不是奥特莱斯这种土豪长逛的购物场所,更不是插座,而是某种接口。

原标题:Python Metaclass 初探

先以一个大牛的一段关于Python Metapgramming的著名的话来做开头:

Metaclasses are deeper magic than 99% of users should ever worry about. If you wonder whether you need them, you don’t (the people who actually need them know with certainty that they need them, and don’t need an explanation about why). – Tim Peters

翻译一下:Metaclasses是99%的用户都无需费神的黑科技。如果你还在纠结你是不是需要它的话,答案是NO (真正需要的人根本不需要解释) – Tim Peters

这是什么鬼话?道可道,非常道吗?

Meta?

好,装B已毕。这确实是一个冷僻的,不常用的话题。一篇短文肯定讲不完。 所以叫做初探。

英文meta这个

想读更多 ->