Irene181 Irene181
3年前
一篇文章带你了解Python递归函数
一、什么是递归函数?在函数内部,可以调用其他函数。如果一个函数在内部调用自身本身,这个函数就是递归函数。二、函数的递归调用原理实际上递归函数是在栈内存上递归执行的,每次递归执行一次就会耗费一些栈内存。栈内存的大小是限制递归深度的重要因素三、案例分析1.求阶乘计算阶乘n!1x2x3x…xn,可以用
Easter79 Easter79
3年前
tty初探 — uart驱动框架分析
写在前面:我们没有讲UART驱动,不过我们认为,只要系统学习了第2期,应该具备分析UART驱动的能力,小编做答疑几年以来,陆陆续续有不少人问到UART驱动怎么写,所以今天就分享一篇深度长文(17000字,阅读时间43分钟),作者是我们的答疑助手lizuobin,涉及很多数据结构,为了看懂本文,特意打开sourceinsight跟踪了代码,你也应
日均数十亿访问量!解读个推API网关高能演进
近日,个推服务端技术专家李白受邀参与SegmentFaultDDay线上技术直播活动,与来自头部互联网企业的后端技术专家们共探“后端架构演进之路”。李白以“API网关演进之路”为主题,分享了个推基于golang进行API网关建设的实践经验和深度思考。★以下为李白演讲干货整理:API网关之源起API网关是随“微服务”概念而兴起的一种架构模式。在微服务
Wesley13 Wesley13
3年前
2亿用户背后的Flutter应用框架Fish Redux
背景在闲鱼深度使用Flutter开发过程中,我们遇到了业务代码耦合严重,代码可维护性糟糕,如入泥泞。对于闲鱼这样的负责业务场景,我们需要一个统一的应用框架来摆脱当下的开发困境,而这也是Flutter领域空缺的一块处女地。FishRedux是为解决上面问题上层应用框架,它是一个基于Redux数据管理的组装式fl
Easter79 Easter79
3年前
Tensorflow应用之LSTM
学习RNN时原理理解起来不难,但是用TensorFlow去实现时被它各种数据的shape弄得晕头转向。现在就结合一个情感分析的案例来了解一下LSTM的操作流程。一、深度学习在自然语言处理中的应用自然语言处理是教会机器如何去处理或者读懂人类语言的系统,主要应用领域:对话系统聊天机器人(小冰)情感分析对一段文本进
可莉 可莉
3年前
21张让你代码能力突飞猛进的速查表(Python、数据科学、深度学习、可视化、数据结构算法等)
随着人工智能大数据的蓬勃发展,越来越多的小伙伴们开始使用python作为主打代码,python有着种类繁多的第三方库。为大家从网络上收集了一些代码速查表,包括深度神经网络、机器学习、数据可视化、python基础、科学计算、数据科学等等,希望可以帮你在码代码时提速。都是高清彩色大图!!(https://oscimg.osch
Stella981 Stella981
3年前
Serverless 的 AI 写诗,程序员浪漫起来谁能顶得住啊!
古诗词是中国文化殿堂的瑰宝,记得曾经在韩国做ExchangeStudent的时候,看到他们学习我们的古诗词,有中文的还有翻译版的,自己发自内心的骄傲,甚至也会在某些时候背起一些耳熟能详的诗词。本文将会通过深度学习为我们生成一些古诗词,并将模型部署到Serverless架构上,实现基于Serverless的古诗词生成API。!(ht
Stella981 Stella981
3年前
Linux远程ssh设置expect自动填写密码验证
我们需要远程登录服务器,登陆的同时呢执行find命令获取一个时间段内的文件名,并将他们通过rsync下载到本地。因为要跳过已经下载好的目录,scp命令就不够用了,这里用了rsync。因为这里find命令只是获取文件名方便后续下载而已,所以设置find的参数maxdepth1来设置扫描深度,防止遍历子文件夹。同时为了防止根目录也输出,我们设置f
Stella981 Stella981
3年前
Python递归函数、匿名函数、过滤函数
递归函数Python对递归的深度有限制,超过即会报错。所以一定一要注意跳出条件。斐波拉契数列一个数列,第一个数是1,第二个数也是1,从第三个数开始,每一个数是前两个数之和公式:f(1)1,f(2)1,f(3)f(1)f(2),...,f(n)f(n2)f(n1)
Stella981 Stella981
3年前
Batch Normalization的理解
BatchNorm可谓深度学习中非常重要的技术,不仅可以使训练更深的网络变容易,加速收敛,还有一定正则化的效果,可以防止模型过拟合。在很多基于CNN的分类任务中,被大量使用。但我最近在图像超分辨率和图像生成方面做了一些实践,发现在这类任务中,BatchNorm的表现并不好,加入了BatchNorm,反而使得训练速度缓慢,不稳定,甚至最后发散。