文章目录宿主机更换apt源显卡驱动安装docker安装nvidia-dockerdocker使用卸载宿主机安装的cuda创建带cuda的容器新装的服务器版本为ubuntu18.04.3，装的cuda版本10.2，发现tf现在并不支持，所以通过docker，省去更换系统的麻烦。docker部署深度学习环境，是不需要宿主机安装cuda的，只需要宿主机安装nvidia驱动即可。宿主机更换apt源sudo

25天看完了吴恩达的机器学习以及《深度学习入门》和《tensorflow实战》两本书，吴恩达的学习课程只学了理论知识，另外两本书的代码自己敲了一遍，感觉过的太快，趁着跑cGAN的时间把两本书的知识点总结下，然后继续深度学习的课程。欢迎小伙伴一起学习~另外，本文先把框架搭好，后续会一直补充细节和知识点。最后，本文参考的书是《深度学习入门》斋藤康毅著，十分推荐初学者使用。本文的代码地址神经网络...

25天看完了吴恩达的机器学习以及《深度学习入门》和《tensorflow实战》两本书，吴恩达的学习课程只学了理论知识，另外两本书的代码自己敲了一遍，感觉过的太快，趁着跑cGAN的时间把两本书的知识点总结下，然后继续深度学习的课程。欢迎小伙伴一起学习~另外，本文先把框架搭好，后续会一直补充细节和知识点。最后，本文参考的书是《深度学习入门》斋藤康毅著，十分推荐初学者使用。本文的代码地址神经网络...

文章目录感知机激活函数1.sigmoid2.relu3.softmax_with_loss25天看完了吴恩达的机器学习以及《深度学习入门》和《tensorflow实战》两本书，吴恩达的学习课程只学了理论知识，另外两本书的代码自己敲了一遍，感觉过的太快，趁着跑cGAN的时间把两本书的知识点总结下，然后继续深度学习的课程。欢迎小伙伴一起学习~另外，本文先把框架搭好，后续会一直补充细节和知识点。最...

TranE是一篇Bordes等人2013年发表在NIPS上的文章提出的算法。它的提出，是为了解决多关系数据（multi-relational data）的处理问题。TransE的直观含义，就是TransE基于实体和关系的分布式向量表示，将每个三元组实例（head，relation，tail）中的关系relation看做从实体head到实体tail的翻译，通过不断调整h、r和t（head、relat

25天看完了吴恩达的机器学习以及《深度学习入门》和《tensorflow实战》两本书，吴恩达的学习课程只学了理论知识，另外两本书的代码自己敲了一遍，感觉过的太快，趁着跑cGAN的时间把两本书的知识点总结下，然后继续深度学习的课程。欢迎小伙伴一起学习~另外，本文先把框架搭好，后续会一直补充细节和知识点。最后，本文参考的书是《深度学习入门》斋藤康毅著，十分推荐初学者使用。本文的代码地址神经网络...

梯度规则利用微分求梯度的方法计算量太大，而误差反向传播算法的出现提高了计算效率，误差反向传播算法主要基于链式法则,主要有以下几条规则。1.如果是由a + b = y，则反向传播时a b 的梯度相等，且等于y的梯度2.如果是a * b = y，则反向传播时a b 的梯度分别为b a，如果是矩阵运算会涉及到矩阵转换3.复杂的计算可以拆解成简单的元运算来计算梯度我们以全连接为例：y = xw + b首先

文章目录感知机激活函数1.sigmoid2.relu3.softmax_with_loss25天看完了吴恩达的机器学习以及《深度学习入门》和《tensorflow实战》两本书，吴恩达的学习课程只学了理论知识，另外两本书的代码自己敲了一遍，感觉过的太快，趁着跑cGAN的时间把两本书的知识点总结下，然后继续深度学习的课程。欢迎小伙伴一起学习~另外，本文先把框架搭好，后续会一直补充细节和知识点。最...

梯度规则利用微分求梯度的方法计算量太大，而误差反向传播算法的出现提高了计算效率，误差反向传播算法主要基于链式法则,主要有以下几条规则。1.如果是由a + b = y，则反向传播时a b 的梯度相等，且等于y的梯度2.如果是a * b = y，则反向传播时a b 的梯度分别为b a，如果是矩阵运算会涉及到矩阵转换3.复杂的计算可以拆解成简单的元运算来计算梯度我们以全连接为例：y = xw + b首先

标量矩阵的求导，定义为∂f∂X=[∂f∂Xij]\frac{\partial f}{\partial X}=\left[\frac{\partial f}{\partial X_{ij}}\right]∂X∂f​=[∂Xij​∂f​]即fff逐元素求导排成与XXX相同的矩阵。一元微积分中的导数与微分的关系df=f′(x)dxdf=f'(x)dxdf=f′(x)dx，多元微积分中的梯度(标量对向量的