在经典世界里进行这样的计算，比如说，考虑在经典计算机上变成实现以上处理的话，计算机需要先计算门作用于基态0的效果，然后再计算门作用于基态1的效果，然后再对两个处理的结果进行线性组合得到新的状态。研究多量子系统的主要目的在于研究当不同量子比特之间存在相互作用的情况，只能用一个能够正确表现量子位间相互作用的新的向量空间来描述。从另外一个角度来看，经典比特要么处于0状态、要么处于1状态，而量子比特的状态

特征图的可视化，是指对于给定输入图像，展示模型处理后的各中间层（包括卷积层和池化层等）输出的特征图（各中间层的激活函数的输出代表该层特征图）。这让我们可以看到输入数据在网络中是如何被分解，不同滤波器分别聚焦于原始图像的什么方面的信息。我们希望在三个维度对特征图进行可视化：宽度、高度和深度（通道，channel）。每个通道都对应相对独立的特征。所以将这些特征图可视化的正确方法是将每个通道的内容分别会

程序员的算法趣题Q08解题分析和python代码

对F.chollet《Deep Learning with Python》#5.3.1中所提到的预特征提取不能与数据增强结合使用的原因的辅助解释

机器学习算法是以数据为粮食的，所以机器学习开发的第一步就是数据的准备。数据预处理和特征工程是机器学习中不显眼（没有像算法开发那样亮丽）但是往往是涉及工作量最大的一部分。本系列简要介绍这几种数据集的生成、加载和/或获取方式，以及相应的基于scikit-learn的处理方法。 本文作为本系列的第二篇，介绍scikit-learn提供了接口函数可在线下载的开源数据集。

本文对由发射机I/Q mismatch/imbalance所导致的镜像抑制比进行理论推导计算以及matlab仿真

本文介绍基于Keras库创建一个最简单的神经网络模型进行MNIST手写数字识别的试验。麻雀虽小五脏俱全，模型虽然简单但是这个试验基本上覆盖了一个深度学习任务的完整流程中各主要的基本步骤。这是深度学习的一个“Hello, World”式的试验。以此为基础就可以通过添枝加叶探索深度学习世界啦。

相关是最常用的统计度量。用一个数来描述两个变量之间的相关联的程度。相关系数的取值范围为[-1,+1]。负值表示随着一个变量值的增大另一个则减小；正值表示随着一个变量值的增大另一个也跟着增大；0则表示一个变量的增大减小对另一个的取值没有 影响。三种常用的相关系数为：皮尔逊相关系数，斯皮尔曼相关系数，Kendall相关系数.本文概要性地介绍皮尔逊相关系数。

被tf.keras.preprocessing.image_dataset_from_directory逼疯了。。。昨天刚写了一个博客，记录学习使用image_dataset_from_directory从目录中加载大型数据集的过程，觉得感觉不错。今天准备正式用用这个做一个深度学习模型训练实验，自信满满地开始，然后。。。遭到了暴击。。。先记录一下这个问题，不知道有没有人碰到过同样的问题。

Git 提供了多个命令来查询某个文件的更新历史。--follow-p--patch--statgit log -pgitk通过这些命令，你可以方便地查询和分析 Git 仓库中某个文件的更新历史。