回顾：　　【零基础】AI神经元解析（含实例代码）　　【零基础】浅层神经网络解析一、序言　　前面我们已经完成了单神经元、浅层神经网络（2层）的解析，其中有很多没有讲透的地方我们就暂时不要理会了，比如反向传播的原理我也没看明白呢。这里我们继续下一步，解析深层的神经网络（N层），也就是真的要“深度学习”了。　　注：本文内容主要是对“床长”的系列教程进行总结，强烈推荐“床长”的人...

这里我们构建了一个16>32>1的神经网络模型，其中16、32、1指的是每一层的神经元数量，第一层与第二层的神经元数量无所谓可以随便写，第三层的1与预测的结果相对应，也就是我们使用前7天的平均温度，预测的是今天这“一个”平均温度。Val_loss是模型验证的“损失”，也就是前面我们设置的那10%，这个值越小说明你的模型验证的结果也不错。各字段的意思看名字就知道了，其中avg指的是当日平均温度，av

一、概述　　近期研究了一下超融合的内容，简单做了下学习总结。　　虚拟化是一种基本思想，是云计算、超融合的基础，在信息系统的各层都有不同的应用，举例来说：　　存储虚拟化，存储阵列就是将若干集中部署的磁盘先汇总，再划分成不同的逻辑磁盘分配给不同的服务器使用。　　网络虚拟化，网络我们一般分为接入层和汇聚层，使用网络虚拟化后，对于单个宿主机到交换机的部分可以认为是汇聚层，对于宿主机中虚拟出的OS，可以在内

一、前言　　开始研究API了，远期目标是实现极星量化（python）运行策略，但下单通过API（C++）下单，在API上做一些简单的功能，比如条件单、止盈止损、套利等，极星量化跑策略向API下指令交易。这样做似乎有点脱了裤子放屁的感觉，但不失为一种新的尝试。　　本篇就先搞定开发环境的问题，由于一个很奇葩的原因，这里就只研究linux下的开发环境，我使用的是centos6.7。　　（因为...

最后的最后，我突然想到3年前，第一次接触神经网络时，当时的教程说，如果要做“概率”预测，最好就将待训练的数据进行归一化，也就是将10、20、30，这样的数据，按正态分布转换成0.1、0.2、0.3这样介于0-1之间的数。正常应该是2、5、6，实际是2.3、4.3、6.3。为了解决这个问题，我构建了一个极简的问题和模型，从最简单的问题来入手，排查问题产生的原因，功夫不负有心人，还真给我排查到了。所以

回顾：　　【零基础】AI神经元解析（含实例代码）　　【零基础】浅层神经网络解析一、序言　　前面我们已经完成了单神经元、浅层神经网络（2层）的解析，其中有很多没有讲透的地方我们就暂时不要理会了，比如反向传播的原理我也没看明白呢。这里我们继续下一步，解析深层的神经网络（N层），也就是真的要“深度学习”了。　　注：本文内容主要是对“床长”的系列教程进行总结，强烈推荐“床长”的人...

一、序言　　前面的文章中，我们逐步从单神经元、浅层网络到深层网络，并且大概搞懂了“向前传播”和“反向传播”的原理，比较而言深层网络做“手写数字”识别已经游刃有余了，但神经网络还存在很多问题，比如最常见的两个问题：“过拟合”和“欠拟合”，下图中从左到右依次是“欠拟合”、“刚刚好”、“过拟合”。　　简单点说，欠拟合是我们学习到的w没能很好地“满足”训练数据的特征，一般是因为训练数据...

这里我们构建了一个16>32>1的神经网络模型，其中16、32、1指的是每一层的神经元数量，第一层与第二层的神经元数量无所谓可以随便写，第三层的1与预测的结果相对应，也就是我们使用前7天的平均温度，预测的是今天这“一个”平均温度。Val_loss是模型验证的“损失”，也就是前面我们设置的那10%，这个值越小说明你的模型验证的结果也不错。各字段的意思看名字就知道了，其中avg指的是当日平均温度，av

这里我存了两个格式csv和excel，我们实际需要的是csv格式，比较方便后续的处理，那为啥还需要excel呢，因为我们提取持仓信息后还得校验一下，如果靠人工眼睛去核对，那眼睛看瞎了2000个文档不知道能不能比对的过来。所以最终我是借助AI的能力将需求进行拆解，最终我再来组装一下。跑代码比如下载、识别、提取什么的都还好，人工比对真的太耗精神了，我目前做了50个pdf的提取和比对，花了约60分钟，一

摘要：办公室网络间歇性断网一周，网页无法打开但即时通讯软件仍可使用。通过路由器日志发现"会话资源过载"提示，但低端路由器功能有限无法直接排查。借助AI助手编写telnet脚本，在断网时自动捕获异常会话数据，发现两个公网IP创建了超3000个异常会话。最终通过添加ACL策略封禁问题IP解决。整个排查过程耗时3天，充分展现了AI技术对非专业人员的辅助价值，实现了"懂一点但