文章目录简介1 加速度 Acceleration2 陀螺仪 Gyroscope3 欧拉角 Euler angles4 磁场 Magnetic5 四元数 Quaternion6 时间7 端口状态补充知识Ref：JY901B-资料详情-维特智能十轴加速度计陀螺仪模块姿态角度传感器倾角磁力计气压高度JY901B简介能够测量的数据信息主要包含以下几部分：三轴加速度三轴陀螺仪三轴角度三轴磁场气压+高度200

残差网络为什么有用 (Why ResNets work?)为什么ResNets能有如此好的表现，我们来看个例子，它解释了其中的原因，至少可以说明，如何构建更深层次的ResNets网络的同时还不降低它们在训练集上的效率。希望你已经通过第三门课了解到，通常来讲，网络在训练集上表现好，才能在Hold-Out交叉验证集或dev集和测试集上有好的表现，所以至少在训练集上训练好ResNets是第一步。先来..

神经网络 (NEURAL NETWORK)神经网络可以通过 torch.nn 包来构建上节课已经学习了 autograd ，nn 是在 autograd 的基础上定义和区分模型。一个 nn.Module 包含了层，和一个 forward(input) 来返回 output 。以典型 LetNet-5 网络举例：这是一个简单的前馈（feed-forward）网络。具有输入，将输入馈送到一层接一层，最

文章目录1.5 强化学习仿真环境构建1.5.1 gym 安装及简单的 demo 示例1.5.2 深入剖析gym环境构建1.5 强化学习仿真环境构建1.5.1 gym 安装及简单的 demo 示例pip3 install gym最简单的例子import gym% 导入Gym模块env = gym.make('CartPole-v0')% 创建一个小车倒立摆模型env.reset()% 初始化环境en

池化层 (Pooling Layers)除了卷积层，卷积网络也经常使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性，我们来看一下。先举一个池化层的例子，然后我们再讨论池化层的必要性。假如输入是一个4×4矩阵，用到的池化类型是最大池化（max pooling）。执行最大池化的树池是一个2×2矩阵。执行过程非常简单，把4×4的输入拆分成不同的区域，我把这个区域用不同颜色来标记...

负采样 (Negative Sampling)在上个视频中，你见到了Skip-Gram模型如何帮助你构造一个监督学习任务，把上下文映射到了目标词上，它如何让你学到一个实用的词嵌入。但是它的缺点就在于softmax计算起来很慢。在本视频中，你会看到一个改善过的学习问题叫做负采样，它能做到与你刚才看到的Skip-Gram模型相似的事情，但是用了一个更加有效的学习算法，让我们来看看这是怎么做到的。在本视

归一化输入训练神经网络，其中一个加速训练的方法就是归一化输入。假设一个训练集有两个特征，输入特征为2维，归一化需要两个步骤：零均值归一化方差；我们希望无论是训练集和测试集都是通过相同的 μ\muμ 和 σ2\sigma^2σ2 定义的数据转换，这两个是由训练集得出来的。第一步是零均值化， μ=1m∑i=1mx(i)\mu=\frac1m\sum_{i=1}^mx^{(i)}...

卷积神经网络图像尺寸计算器 (CNN_ImageSize_Calculator)最近在研究图片超分辨率的问题，发现大量计算图像尺寸的问题。上网查找后发现网上大部分的神经网络可视化软件，像 TensorboardX，Netron 等均是侧重于可视化模型层中间的参数矩阵，并不太重视图像尺寸的问题。刚好自己又会一点 C# 可视化窗体程序的知识，就简单写了一个计算器，我给起的名字是“卷积神经网络图像尺寸计

基于 RBF 径向基神经网络的自适应控制，原理，实现，Matlab 程序

人工智能入门路线Python视频：小甲鱼（b站）实战：慕课网（初识Python Python进阶）机器学习视频：吴恩达（Coursera/b站）实战：linyubobobo（慕课网）博客：CSDN博客深度学习视频：吴恩达（Coursera/b站）第一课：神经网络与深度学习第二课：改善深层神经网络：超参数调试、正则化以及优化第三课：结构化机器学习项目第四课：卷积神经网络第五课：序列模型博客：CSDN