Відео

视频非常好！ 我的OKX钱包里有USDT，并且我有恢复短语. (pride)-(pole)-(obtain)-(together)-(second)-(when)-(future)-(mask)-(review)-(nature)-(potato)-(bulb) 我该如何将它们转移到Binance？

感覺踩地雷

我們只能看到投影，真正的四維就是在3維所有立體物質空間之外的外膜都有多一層空間就像防護盾牌一樣，盾牌和你的距離可以無限拉遠，也可以拉近，而鬼魂，意識體，外星人如果是站在四維裡，其實就在你我的週圍（身邊），可是三維看不見牠們。這是我自己的理解，不知道對不對?

太棒了

太棒了

這教學猛的一批

敲碗Transformer XD

非常好，你在wechat 上公众号吗

講的很棒👍👍

數學不好 看不懂！

可以举一个现实生活中的例子吗，什么场景下可以使用这个单输入，多隐藏，单输出层的模型设计。

解釋得很清楚，學習起來輕鬆不吃力!

有课件吗

好可爱

講解的很棒！謝謝

我也想在Excel里面自己操作卷积核那一步骤可以分享一下VB吗

请问这个excel的文件哪里可以找到呢

封面右边的熵更大，好了，视频可以关了

简单的马尔可夫链 没啥实际应用

ANN 谢谢老师

深入浅出，

CNN

请教一下，为什么会生成10个卷积特征图片？而不是9个或者12个或者别的数量？这个是被哪个参数控制的？

very spoken

講授得非常好, 謝謝您

前面這段數學式當初一直無法理解推導過程,特別是兩根向量的計算,如今可以很清楚理解了,感謝精湛的圖文動態解說

y=kx+b，将其移动c距离后的方程为y=kx+b±c√(k^2+1) 二维平面上的直线w₁x₁+w₂x₂+b=0，对应斜截式为x₂=-(w₁/w₂)x₁-b/w₂，将其移动c距离后，对应的直线应为x₂=-(w₁/w₂)x₁-b/w₂±c√(w₁^2/w₂^2+1)，转换形式后为w₁x₁+w₂x₂+b±cw₂√(w₁^2/w₂^2+1)=0

真的有很生動與透徹,尤其是那個關鍵的那幾個點所構成的向量,原來名稱是這樣來的,後面絕對要繼續看精闢深入的數學推導過程

ANN

老师，怎么下载资料

高手啊

牛掰谢谢

剛接觸不太知道卷積的作用,不過是不是可以理解為把標準的圖形,例如批薩用扁平化,把特徵概念化,之後圖可能不是正照圖,但運用卷積化後,可得到接近批薩的扁平化特徵圖!!所以我們就可得到後面輸入的圖最大概率就是!!如果影象有一堆圖,則用框框把要的的框起來,再把這方框卷積成扁平化圖,再和正照圖對比,例如自動化的駕駛車,在路上有一堆東西,如框起來東西卷積扁平化結果最接近正照車子,所以被框的東西就是車!!

特斯拉的ai上路根本不用運算,只要能比對輸入影象和庫存就好,還算什麼屁!!

講了一堆屁話,就是沒有講到重點,怎麼把輸入影象做成函數值,又運算個什麼鬼,為什麼變成數值的函數可以通過運算變成最終結果?!講的一點都沒有貫通性,只是一堆叫神經元的圓圈晃來晃去,這算哪麼的教學!!

函数图像上，某个点导数为正，说明极小值点位于这个号的左侧；某个点导数为负，说明极小值点位于这个点的右侧。Δwⱼ＝－η∂S/∂wⱼ，加上负号，可以使w向着函数极小值点的方向移动，η是学习系数。 sigmoid函数的导数可以用自身表示，E＝1/(1+e^(-g))，∂E/∂g＝[-1/(1+e^(-g))^2]e^(-g)(-1)＝e^(-g)/(1+e^(-g))^2＝(1/E-1)E^2＝E－E^2＝E(1-E)

感謝教學

非常感謝

謝謝博主

感謝博主無私教學

感謝博主無私教學

啥时候讲解transformer或者LLM等模型

so cool！

ANN pls

很棒的影片，支持！

讲的不错哎

微信公众号是多少？没搜到

ANN

大大，请问1分钟位置的那个动画是怎么做的？

胡说八道，激活函数的作用是非线性化，数据的走向是权重决定的