local ragflow与docker ragflow镜像冲突。- 在Ragflow/docker文件路径下：docker compose up -d# 启动ragflow service。- docker ps#检查docker ragflow 版本和状态，cpu status: healthy.所以当Docker ragflow镜像和local ragflow version不一样时，就会发

虽然深度神经网络在各大科研应用领域取得了极好的成绩，但是无论是传统的CNN、RNN，还是到最新的GAN、Attention、Reinforcement learning、Transfer learning，它们的本质都是在遵循按部就班、循规蹈矩的神经网络算法过程。我个人以为单凭这种神经网络算法很难达到真正的图灵测试所说的智能。原因：我在和女朋友蕾蕾聊天的时候，思维总是会不自觉的跳跃一下，这种跳跃是

因为大家都是在一个真实的分布中得到的样本，对于分布的拟合都是近似的。想要以最快的方式下山，就沿着梯度的反方向走。下面的这张动图演示，乍看就像就像是在复杂地形中作战的沙盘推演，其实揭示的是随机梯度下降（SGD）算法的本质。同样是走一步路，坡度大的地方上升的高度就高，坡度小的地方上升的高度就小，对比现实生活中的盘山公路！了解之后，总的来说，随机梯度下降一般来说效率高，收敛到的路线曲折，但一般得到的解是

前言我在学习机器学习和图像处理的过程中，经常会遇到卷积这个概念。我每次遇到这个概念都有点似懂非懂的样子。有时候清楚它的直观解释，但又搞不清公式中是如何体现的。究其原因，还是我没有完全搞懂这个概念。于是我在网上找了很多文章来研究，终于有了一点比较直观的印象，这里就趁热把我理解的总结一下，不足之处敬请指正。卷积的起源虽然很多文章都在介绍卷积的理论和卷积神经网络的架构，但对其来源背景都不甚了了，我在这归

模糊神经网络(Fuzzy Neural Network, FNN)背景系统复杂度的增加，人工智能深度化发展模糊数学创始人L. A. Zadeh, 1921. 当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超过它，复杂性和精确性将互相排斥。模糊集理论：集合讨论一个对象具有某种性质时记作A，不具有这种性质时记作非A，且两者必居其一，决不允许模棱两可，而没有考虑这种性质的程度上

出现背景(why?)在分类任务中，训练机器学习和深度学习模块需要大量的真实世界数据，并且在某些情况下，获取足够数量的真实数据存在局限性，或者仅仅是时间和人力资源的投入也可能会受到限制。概念GAN于2014年提出并在最近几年变得越来越活跃，主要用于数据扩充，以解决如何通过隐含生成模型来生成人造自然外观样本以模拟真实世界数据的问题，从而可以增加未公开的训练数据样本数量[122]。K. G. Hartm

problem：传统的深度神经网络输入信息没有顺序。比如，NLP领域中，我们输入单词经常使用embedding，将单词映射为词向量，然后输入到神经网络。但这种输入方式有一些问题，“我 爱 你”和“你 爱 我”在传统的神经网络中不能很好的识别。虽然，有人提出n-gram信息加入到输入层，比如fasttext，这在一定程度上解决了短句子单词间的顺序问题，但是这种方法也有一些弊端，就是我们无法捕获长句子

Module类是torch.nn模块里提供的一个模型构造类(nn.Module)，是所有神经网络模块的基类，我们可以继承它来定义我们想要的模型pytorch模型定义应包括两个主要部分：各个部分的初始化(__init__)；数据流向定义(forward)基于nn.Module，我们可以通过SequentialModuleList和ModuleDict三种方式定义pytorch模型。

用一个神经网络来近似策略函数π。

1. 背景Pyhotn是一种很依赖第三方函数包（package）的程序语言，正是这些的开源函数包，让python不断地壮大，如pandas, numpy, sklearn, matplotlib,scrapy,djiango,requests,tensorflow......简直是数不胜数作者：刀客特鹿链接：https://www.jianshu.com/p/b178507ff5b6来源：简书著作