Java SE
未读
java -xbootclass path is no longer a supported option
JAVA 11 doesn't support -Xbootclasspath/p:, so your command should be changed from /p: to /a:. Before: java -noverify -Xbootclasspath/p:
服务器
未读
CentOS安装使用Clash
1、创建目录 mkdir clash
cd clash
2、下载 clash 并解压 wget https://github.com/Dreamacro/clash/releases/download/v1.11.12/clash-linux-amd64-v1.11.12.gz
最新版本可在
服务器
未读
Linux CronTab定时任务
介绍 crond 和crontab是不可分割的。crontab是一个命令,常见于Unix和类Unix的操作系统之中,用于设置周期性被执行的指令。该命令从标准输入设备读取指令,并将其存放于“crontab”文件中,以供之后读取和执行。crond是它的守护进程。cron服务是一个定时执行的服务,可以通过
服务器
未读
Linux下FRP内网穿透
原文地址 自建内网穿透服务器 介绍 几种通过自己服务器实现内网穿透的教程 基于Docker的FRP内网穿透部署 注意新版的frp更新了配置文件的写法,此处仍沿用老板frp,使用的镜像为snowdreamtech/frpc:0.46.0 服务器搭建(FRPS) 创建配置文件 # 创建存放目录
sudo
人工智能
未读
pytorch(15)网络模型的保存与加载
网络指神经网络! 在PyTorch中,保存和加载训练好的神经网络模型是一项重要的功能,特别是在大型模型和长时间训练的情况下。主要有两种方法来保存和加载模型: 1. 保存整个模型 方法: torch.save(model, filepath)。 特点: 保存模型的完整定义,包括其结构、权重和偏置。 优
人工智能
未读
pytorch(14)优化器
PyTorch的optim库提供了多种优化算法,这些算法在神经网络训练中用于更新网络的权重和偏置,以最小化损失函数。不同的优化器有不同的优化策略和应用场景。以下是一些PyTorch中常见的优化器: 优化算法 描述 特点 PyTorch 实现 随机梯度下降(SGD) 最经典的优化算法,每次更新仅使用一
人工智能
未读
pytorch(13)损失函数和反向传播
损失函数 每一个样本经过模型后会得到一个预测值,然后得到的预测值和真实值的差值就成为损失(当然损失值越小证明模型越是成功),我们知道有许多不同种类的损失函数,这些函数本质上就是计算预测值和真实值的差距的一类型函数,然后经过库(如pytorch,tensorflow等)的封装形成了有具体名字的函数。
人工智能
未读
Pytorch(12)Sequential层的使用
Container下Sequential层的介绍 在PyTorch中,Sequential 层是一个容器,它按照它们被添加的顺序串联多个模块(如线性层、激活层等)。这使得创建顺序模型变得简单直观。 实现 在PyTorch中,可以通过 torch.nn.Sequential 类来创建一个 Sequen
人工智能
未读
Pytorch(11)线性层
工作原理 线性层主要执行线性变换,数学上表示为 y=xWT+by=xWT+b,其中: $x$ 是输入。 $W$ 是层的权重。 $b$ 是偏置项。 $y$ 是输出。 这个变换是通过将输入数据乘以一组权重并加上一个偏置值来实现的。 实现 在PyTorch中,线性层可以通过 torch.nn.Linear