文章目录2, HTTP2.1 简介2.2 请求数据格式2.2.1 格式介绍2.2.2 实例演示2.3 响应数据格式2.3.1 格式介绍 和响应状态码一、状态码大类二、常见的响应状态码3, Tomcat3.1 简介3.1.1 什么是Web服务器3.2 基本使用3.2.1 下载3.2.2 安装3.2.3 卸载3.2.4 启动3.2.5 关闭3.2.6 配置3.2.7 部署3.3 Maven创建Web项

深度学习进阶：自然语言处理入门第3章 word2vec3.1 基于推理的方法和神经网络3.1.1  基于计数的方法的问题3.1.2  基于推理的方法的概要3.1.3  神经网络中单词的处理方法3.2 简单的 word2vec3.2.1  CBOW模型的推理实现 CBOW 模型的推理，具 体实现如下所示3.2.2  CBOW模型的学习3.2.3  word2vec的权重和分布式表示3.3 学习数据的

深度学习进阶：自然语言处理入门第3章 word2vec3.1 基于推理的方法和神经网络3.1.1  基于计数的方法的问题3.1.2  基于推理的方法的概要3.1.3  神经网络中单词的处理方法3.2 简单的 word2vec3.2.1  CBOW模型的推理实现 CBOW 模型的推理，具 体实现如下所示3.2.2  CBOW模型的学习3.2.3  word2vec的权重和分布式表示3.3 学习数据的

深度学习：基于python第5章 误差反向传播法5.1 计算图5.1.1　用计算图求解5.1.2　局部计算5.1.3　为何用计算图解题5.2 链式法则5.2.1 计算图的反向传播5.2.2　什么是链式法则5.2.3　链式法则和计算图*5.3 反向传播5.3.1　加法节点的反向传播5.3.2　乘法节点的反向传播5.3.3　苹果的例子*5.4 简单层的实现5.4.1　乘法层的实现5.4.2　加法层的实

torch.normal()的用法该函数原型如下：normal(mean, std, *, generator=None, out=None)该函数返回从单独的正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。用法如下：我们从一个标准正态分布N～(0,1)，提取一个2x2的矩阵torch.normal(mean=0.,std=1.,size=(2,2))我们也可以让每一个值

第3章 Pytorch神经网络工具箱这章将介绍Pytorch的另一利器：神经网络工具箱。利用这个工具箱，设计一个神经网络就像搭积木一样，可以极大简化我们构建模型的任务。3.1 神经网络核心组件神经网络看起来很复杂，节点很多，层数多，参数更多。但核心部分或组件不多，把这些组件确定后，这个神经网络基本就确定了。这些核心组件包括：（1）层：神经网络的基本结构，将输入张量转换为输出张量。（2）模型：层构成

2.1 k-近邻算法概述简单的说，k-近邻算法采用测量不同特征值之间的距离方法进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高适用数据范围：数值型和标称型数值型：数值型目标变量则可以从无限的数值集合中取值，如0.100，42.001等 (数值型目标变量主要用于回归分析)标称型： 标称型目标变量的结果只在有限目标集中取值，如真与假(标称型目标变量主要用于分类)k近

深度学习：基于python第5章 误差反向传播法5.1 计算图5.1.1　用计算图求解5.1.2　局部计算5.1.3　为何用计算图解题5.2 链式法则5.2.1 计算图的反向传播5.2.2　什么是链式法则5.2.3　链式法则和计算图*5.3 反向传播5.3.1　加法节点的反向传播5.3.2　乘法节点的反向传播5.3.3　苹果的例子*5.4 简单层的实现5.4.1　乘法层的实现5.4.2　加法层的实

torch.normal()的用法该函数原型如下：normal(mean, std, *, generator=None, out=None)该函数返回从单独的正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。用法如下：我们从一个标准正态分布N～(0,1)，提取一个2x2的矩阵torch.normal(mean=0.,std=1.,size=(2,2))我们也可以让每一个值

第一章 机器学习1.机器学习概述2.机器学习的类型机器学习：监督学习、无监督学习、强化学习3.机器学习的背景知识4.机器学习的开发流程