网站备案没通过好网站建设公司业务

当前位置： 首页 > news >正文

网站备案没通过,好网站建设公司业务,wap门户网站源码,网络营销和推广做什么机缘 我最初使用CSDN估计是在2014年左右#xff0c;当时还在读研#xff0c;除了在当时比较有名的BBS例如小木虫上进行学术交流外#xff0c;我发现很多问题百度后#xff0c;都会转到CSDN#xff0c;而且文章内容颇为专业#xff0c;很多问题也都有专业的回答#xff…机缘 我最初使用CSDN估计是在2014年左右当时还在读研除了在当时比较有名的BBS例如小木虫上进行学术交流外我发现很多问题百度后都会转到CSDN而且文章内容颇为专业很多问题也都有专业的回答于是我知道了CSDN从事多年网。 2016年毕业后从事汽车研发工作之后对CSDN的访问频率不降反升因为工作中遇到的很多实际技术问题在CSDN上仍能找到很有意义的指导直到2020年由于CSDN对我来说已经从一个“一次性”的搜索引擎逐渐变为了需要持续关注的充电站我注册了CSDN账号。 在2021年左右或许更早汽车行业中自动驾驶领域一下出圈走红。神经元网络、机器学习对我来说并不是陌生的概念早在2010年左右读本科的时候就听说过了我对此领域也很好奇用计算机写神经元这也太酷辣但是受限于当时资料太少以及受到当时硬件性能的限制深度学习领域也没什么实质性的发展我仅能了解到一些初级概念例如BP网络。真是没想到深度学习、人工智能以如此快的速度进入到我的专业领域。以及后来的AIGC已经改变了我的工作模式 出于对知识的好奇、对技术的追求实际上是为了保持职业上的竞争力我决定潜心研究自动驾驶技术就从底层的深度学习算法开始。由于我本硕都是机械专业想进入到深度学习领域还是有许多技术门槛需要征服于是进行了大量的学习。而我在选择如何记录学习过程时想到了CSDN的博客功能机缘巧合在两年前发了第一篇博客学习笔记。 收获 最初CSDN博客对我来说仅是一个学习笔记记录我的学习理解和学习感悟。后来我发现嘿CSDN上爱学习的人可真多我这学习笔记都有人看这极大地鼓舞了我的学习信心也坚定了我持续创作的决心。 随着学习的深入我开始从借鉴别人的代码逐渐可以自己进行coding。而bug是真的多次使我血压飙升我感觉debug就像在大海中游泳我不知道离岸边还要游多远最糟糕的是我甚至根本不知道游的方向对不对。而从CSDN上获得的大量灵感帮助我解决了很多很多bug这是孤军奋战不可能达到的效果。 教是最好的学。我在解决这些bug把我的学习过程写成博客帮助别人学习后我又发现了一些理解不到位或者有更好方法的地方这又促进了我的技术能力提升。 日常 我觉得现在已经迈过了门槛期学习和写博客已经成为了日常生活的一部分基于PyTorch一些常见的bug已经基本淌过一遍现在来到了比较稳定的创作期后续不会像以前创作东一榔头西一棒槌对于学习路线的规划现在已逐渐清晰。 虽然我希望能尽早完成百篇博客的目标但我更注重发文的质而不是量我的要求是每篇文章不讲废话、不讲套话技术问题直击灵魂直奔主题基于实操不纸上谈兵要有自己的理解文章有亮点不人云亦云知其然也要知其所以然 成就 我觉得写的最好的代码是基于NumPy构建LSTM网络模型的代码 import numpy as np from tqdm import tqdm import matplotlib.pyplot as plttrain_x np.linspace(0.01,1,600).reshape(100,6,1) train_y train_x * train_x np.random.randn(100,6,1)/200def sigmoid(x):return 1/(1np.exp(-x))class HiddenLayer():def init(self,input_size, hidden_size):self.w_f np.random.randn(hidden_size, input_size) #定义各个门的权重, 忘记门self.w_i np.random.randn(hidden_size, input_size) #输入门self.w_g np.random.randn(hidden_size, input_size) #新记忆门self.w_o np.random.randn(hidden_size, input_size) #输出门self.v_f np.random.randn(hidden_size,hidden_size)self.v_i np.random.randn(hidden_size,hidden_size)self.v_g np.random.randn(hidden_size,hidden_size)self.v_o np.random.randn(hidden_size,hidden_size)self.b_f np.zeros([hidden_size, 1]) #输入限定为一维向量self.b_i np.zeros([hidden_size, 1])self.b_g np.zeros([hidden_size, 1])self.b_o np.zeros([hidden_size, 1])def forward(self, x, h_pre, c_pre): #h_pre为h_t-1, c_pre为c_t-1self.Fgate sigmoid(np.dot(self.w_f, x) np.dot(self.v_f, h_pre) self.b_f)self.Igate sigmoid(np.dot(self.w_i, x) np.dot(self.v_i, h_pre) self.b_i)self.Ggate np.tanh(np.dot(self.w_g, x) np.dot(self.v_g, h_pre) self.b_g)self.Ogate sigmoid(np.dot(self.w_o, x) np.dot(self.v_o, h_pre) self.b_o)c_cur self.Fgate * c_pre self.Igate * self.Ggate #c_cur为c_th_cur self.Ogate * np.tanh(c_cur)return h_cur, c_curdef backward(self, Fgate, Igate, Ggate, Ogate, x, grad_cnext, Fgate_next, grad_hcur, c_cur,c_pre, h_pre):self.grad_ccur grad_cnext * Fgate_next grad_hcur * Ogate * (1 - np.tanh(c_cur) * np.tanh(c_cur))self.grad_hpre self.grad_ccur*(np.dot(self.v_f.T, c_preFgate(1-Fgate)) np.dot(self.v_g.T,Igate*(1-Ggate*Ggate)) np.dot(self.v_i.T,GgateIgate(1-Igate)))self.grad_wf np.dot(self.grad_ccur * c_pre * Fgate * (1 - Fgate), x.T) #这里要注意矩阵的转置!!!self.grad_wi np.dot(self.grad_ccur * Ggate * Igate * (1 - Igate), x.T)self.grad_wg np.dot(self.grad_ccur * Igate * (1 - Ggate * Ggate), x.T)self.grad_wo np.dot(grad_hcur*np.tanh(c_cur)Ogate(1-Ogate),x.T)self.grad_vf np.dot(self.grad_ccur * c_pre * Fgate * (1 - Fgate), h_pre.T)self.grad_vi np.dot(self.grad_ccur * Ggate * Igate * (1 - Igate), h_pre.T)self.grad_vg np.dot(self.grad_ccur * Igate * (1 - Ggate * Ggate), h_pre.T)self.grad_vo np.dot(grad_hcur * np.tanh(c_cur) * Ogate * (1 - Ogate), h_pre.T)self.grad_bf self.grad_ccur * c_pre * Fgate * (1 - Fgate)self.grad_bi self.grad_ccur * Ggate * Igate * (1 - Igate)self.grad_bg self.grad_ccur * Igate * (1 - Ggate * Ggate)self.grad_bo grad_hcur * np.tanh(c_cur) * Ogate * (1 - Ogate)def step(self, lr0.01):self.w_f self.w_f - lr * self.grad_wfself.w_i self.w_i - lr * self.grad_wiself.w_g self.w_g - lr * self.grad_wgself.w_o self.w_o - lr * self.grad_woself.v_f self.v_f - lr*self.grad_vfself.v_i self.v_i - lr * self.grad_viself.v_g self.v_g - lr * self.grad_vgself.v_o self.v_o - lr * self.grad_voself.b_f self.b_f - lr*self.grad_bfself.b_i self.b_i - lr * self.grad_biself.b_g self.b_g - lr * self.grad_bgself.b_o self.b_o - lr * self.grad_boclass OutputLayer():def init(self, hidden_size, output_size):self.w_h np.ones([output_size, hidden_size])self.b_h np.zeros([output_size, 1])def forward(self, h_cur):return np.dot(self.w_h, h_cur) self.b_hdef backward(self,y,h_cur, train_data):delta y - train_dataself.grad_wh np.dot(delta, h_cur.T)self.grad_hcur np.dot(self.w_h.T, delta)self.grad_bh deltadef step(self, lr0.001):self.w_h self.w_h - lr * self.grad_whself.b_h self.b_h - lr * self.grad_bh ———————————————— 版权声明本文为CSDN博主「使者大牙」的原创文章遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。 原文链接https://blog.csdn.net/m0_49963403/article/details/130428280 这段代码从Python语法上来说十分简单没有任何高级的技巧可能仅学习Python不到一周的新手都能看得懂。但是其让我引以为傲的地方是对LSTM网络反向传播的数学推导这即使在CSDN上应该也算得上是首创。 这也提醒着我不是为了会coding而学习coding是为了要实现算法而学习coding。代码的灵魂在于其背后的算法 憧憬 目标就是百篇博客吧成为优质作者博客专家多么现实的目标