本文使用区块链平台以太坊+智能合约实现一个区块链记账的功能，具体为：借款人和贷款人以及数额被记录在区块链中。使用区块链地址来表示借款人或者贷款人。若一个借款人多次向一个贷款人借钱，更新所有的数额之和并记录在区块链中。智能合约保存所有用户的借贷信息，包括他们的区块链地址和数额只有借款人才能向智能合约中添加借款记录。若一个人既是借款人，也是贷款人，那么最终下图中的“Total Owed”只显示他总的欠

今天跟大家分享一篇关于区块链的技术论文，该论文被发表在顶刊IEEE transactions on parallel and distributed systems（TPDS）中，时间为2019年4月，有一位作者是IEEE的fellow。论文题目为Making Big Data Open in Edges: A Resource-Efficient Blockchain-Based Appr...

本文讲的是手动生成数据，可视化生成的数据，以及可视化模型训练之后的数据。附有代码和解释。生成点数据和绘制散点图可视化绘制机器学习模型预测之后的结果对npmeshgrid方法的解释附录先上效果图：图一：绘制双月亮型的散点图图2-2：显示线性模型的逻辑回归分类的结果图二：绘制双圆形散点图。图2-2： 可视化分类结果图三：绘制多聚类散点图图3-3：可视化分类结果

前言本文分为两个部分，第一个部分是一个简单的实例：9行Python代码搭建神经网络，这篇文章原文为：原文链接， 其中中文翻译版来自：中文翻译版。已经转载如下。这个实例算是通俗易懂，只是，它更多的是（本人觉得）对于一个简单的神经网络整个过程的描述，对于初学者而言，阅读之后很可能还不是特别明白其中的原理。要明白其中的原理，需要更深入的思考：为什么能够这个神经网络能够预测结果？而本文就是在这个实例的基础

本文章跟本人前面两篇文章（文章1， 文章1）的思路大体相同，都是使用序列化的数据集来训练RNN神经网络模型，然后自动生成相关的序列化。这篇文章使用莎士比亚诗词作为训练集，使用keras和tensorflow作为深度学习框架，训练具有自动生成莎士比亚风格诗句的神经网络模型。源码和数据集的下载地址1（需要从头开始训练）：https://github.com/liangyihuai/deeplearn.

训练一个好的卷积神经网络模型进行图像分类不仅需要计算资源还需要很长的时间。特别是模型比较复杂和数据量比较大的时候。普通的电脑动不动就需要训练几天的时间。为了能够快速地训练好自己的花朵图片分类器，我们可以使用别人已经训练好的模型参数，在此基础之上训练我们的模型。这个便属于迁移学习。本文提供训练数据集和代码下载。原理：卷积神经网络模型总体上可以分为两部分，前面的卷积层和后面的全连接层。卷积

先附上公式，来自wiki，然后给出个人理解：上面公式中，红圈表示的是拟合系数计算公式，SSresSS_{res}SSres​表示真实值与预测值的差的平方之和，也就是预测值与真实值的误差。SStotSS_{tot}SStot​表示平方差，我们都知道平方差表示数值的离散程度，越大表示越离散。那么使用SSresSS_{res}SSres​/SStotSS_{tot}SStot​， 表示SSresSS..

问题引出：信息增量是什么？干什么用？一颗决策树中的非叶子节点有split函数，用于将当前所输入的数据分到左子树或者右子树。我们希望每一个节点的split函数的性能最大化。这里的性能是指把两种不同的数据分开的能力，不涉及到算法的时间复杂度。但是，怎么去衡量一个split函数的性能呢？这里我们使用信息增益来衡量III。如果III越大，说明该节点的split函数将输入数据分成两份的性能越好。下面图片..

在我们视野中的物体只有少部分被我们关注到，我们的焦点在某一时刻只聚焦在某些物体上面，而不是视野中的全部物体，这是我们大脑的一个重要功能，能够使得我们有效过滤掉眼睛所获取的大量无用的视觉信息，提高我们的视觉识别能力；神经网络中的注意力模型借鉴了我们人脑的这一功能，让神经网络模型对输入数据的不同部位的关注点不一样，权重不一样。上面的图片出自论文 Xu et.al., 2015. Show atte..