1、系统类型：64位操作系统，基于x64的处理器表示的含义是当前电脑的系统是64位的，基于x64的处理器表示当前计算机支持64位的操作系统。32位操作系统，基于x64的处理器表示的含义是当前电脑的系统是32位的，基于x64的处理器表示当前计算机支持64位的操作系统。基于x86的处理器表示当前计算机的处理器是32位处理器，仅支持32位的操作系统。2、VMware Workstation Pro 这个

卷积神经网络是最具代表性的深度学习算法之一，目前已经被大范围的应用与计算机视觉等领域，并且取得了众多突破性的进展，在学习卷积神经网络之前，我们需要学习图像卷积运算。图像卷积运算是一种图像处理算法。通过它可以实现很多不同的效果。例如，模糊图像中的细节。提取图像中的边缘和轮廓。甚至把其变成浮雕效果。那如何实现图像的卷积运算呢？数字图像在计算机中保存为一个矩阵，矩阵中每一个像素点的值就是图像中对应像素点

人工智能的发展阶段神经网络：人脑智慧的物质基础。神经元/神经细胞：生物神经系统的基本单元。下图为典型的生物神经元：生物神经元由细胞体和细胞突起组成，细胞突起是由细胞体延伸出来的细长部分，每个突起又会生出一些细分的触手，这些触手与其他神经元的触手相连接，形成神经网络。这些细胞突起又分为树突和轴突，树突是神经元的输入，一个典型的椎体神经元有上千个树突，用来接收其他神经元传递过来的信号。轴突是神经元的输

一、七层协议 – OSI参考模型下面详细来说一下这几个层的作用。一、假设有A、B两台主机想要进行通信，那应该怎么做呢。1、通过不同的介质将A主机和B主机连接在一起，比如双绞线、蓝牙等。2、不同的的连接介质，对应的接口是不同的，比如双绞线的接口是 RJ-45。3、计算机中只能处理二进制，属于数字信号，而双绞线中的信号则是模拟信号，这就涉及到了如何将模拟信号转换为数字信号的问题（比如RS232、RS4

深度学习就是有多个隐含层的深度神经网络。通过隐含层自动的从数据中学习特征，从而取代了手工设计特征，实现了端到端的学习，也使人工智能变成了一个数据驱动的过程（当在做某一件事情时，如果数据量足够大，机器就可以在做这件事情上超过人类。）神经网络是靠数据喂出来的。...

深度学习的基本思想

内容截取自B站UP主 小戴tv视频链接：https://www.bilibili.com/video/BV17v411Y7TP/?spm_id_from=333.788.recommend_more_video.1.智能家居主流的五种连接方式WiFi、蓝牙（BLT）、蓝牙Mesh、ZigBee、红外线。WiFi像米家台灯、冰箱等这类长期通电的产品，他们的主流连接方式都是WiFi，当然大部分仍保留着

一、七层协议 – OSI参考模型下面详细来说一下这几个层的作用。一、假设有A、B两台主机想要进行通信，那应该怎么做呢。1、通过不同的介质将A主机和B主机连接在一起，比如双绞线、蓝牙等。2、不同的的连接介质，对应的接口是不同的，比如双绞线的接口是 RJ-45。3、计算机中只能处理二进制，属于数字信号，而双绞线中的信号则是模拟信号，这就涉及到了如何将模拟信号转换为数字信号的问题（比如RS232、RS4

逻辑回归是一种线性分类器，能够把线性可分的数据集划分为两类。1、绘制轮廓线这条绿色的直线称为决策边界。也可以通过下面这种分区图更加清晰地展现分类的结果。这个图是这样实现的：先把这个平面分为很多小的网格，然后将分类直线上面的网格都是用粉色填充，分类直线下面的网格用绿色填充。在Python中，生成网格坐标矩阵可以使用 Numpy 中的 meshgrid 函数，填充网格可以使用plt中的 pcolome

在前面，我们使用了单层神经网络实现了对鸢尾花数据集的分类，下面，将使用多层神经网络来实现对鸢尾花数据集的分类。第一层是输入层到隐含层，相应的权值矩阵为 W1 ，隐含层中的阈值是 B1 ，隐含层的输出是：假设增加的隐含层中有 16 个神经元（结点），那么 B1 的形状就是 （16，），因为输入层中有四个结点，因此， W1 的形状是 （4，16），第二层是隐含层到输出层，从隐含层到输出层的权值矩阵为