月色的自留地

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

MATLAB一向是理工科学生的必备神器，但随着中美贸易冲突的一再升级，禁售与禁用的阴云也持续笼罩在高等学院的头顶。也许我们都应当考虑更多的途径，来辅助我们的学习和研究工作。
 虽然PYTHON和众多模块也属于美国技术的范围，但开源软件的自由度毕竟不是商业软件可比拟的。

PYTHON替代MATLAB在线性代数学习中的应用(使用Python辅助MIT 18.06 Linear Algebra学习)

Rust让这种情况彻底改观。Rust本身在系统开发方面就有不错的表现，社区中又出现了不少优秀的开源框架提供Web编程支持。
 这其中老牌的Actix和新秀Rocket是用的比较多的两个。个人其实用Actix多一些，毕竟出来时间长，性能评测得分又比较高，社区还有比较好的支持。比如解决MultiPart FormData上传已经有了好用的工具箱awmp。
 但作为万年不变的乙方代表，很多时候对于开发环境的选择还是做不到完全自主。Rocket也是不时的会用一下，Rocket易用性更好，上手容易。对于文件上传，工具本身也提供了一些粗糙的支持，但跟awmp比还是差了很多。

Rocket框架多文件上传,介绍rocket_upload 使用

其实我一直弄不明白一点，那就是计算机技术的发展，是让这个世界变得简单了，还是变得更复杂了。
 当然这只是一个玩笑，可别把这个问题当真。

Rust到底值不值得学--Rust对比、特色和理念


 大多数人都厌烦使用老旧的系统，无论软件还是硬件。但有的时候又不得不困守其中，坚持延续着系统的寿命，或者还需要点几柱香，祈求神佛的护佑。
 Linux是一个模块化极好的操作系统，得益于此，当其中有组件落伍之时，大多数情况下，还能通过下载源码，手工编译来升级组件，从而保证系统的可用性。
 在这个过程中，cURL工具是必不可少的，特别很多常用的开发平台，都使用了libcurl库作为下载的基础工具。比如PHP/PYTHON/RUST/NPM等。当cURL出现故障的时候，直接就导致很多开发工具的升级或者安装依赖包无法继续。

cURL无法访问TLS网站故障解决


 新型数据库层出不穷，MySQL一幅日薄西山的样子。其实还有很多人或者偏爱、或者使用以前遗留的系统，仍然生活在MySQL的世界。
 我也是有很久不用了，这个很久超过十年。
 不过前几天有个朋友让我帮忙为他们升级服务器，才发现，老革命居然碰到个新问题。

MySQL数据库文件的移动和权限设置

越狱版的iPhone当然是为了跟电脑一样做各种有趣的事情的。
 但通常越狱的iPhone在命令行都无法处理中文，比如你的播放器里面的中文歌曲名，列出来全部是乱码的样子。类似下面的图：
 

正确设置越狱版ios的终端编码--命令行中文的处理


 默认情况下，Win10的linux子系统(WSL)是只能使用命令行程序的。所有图形界面的程序都无法执行。

win10配置linux子系统使用python绘图并显示--WSL使用GUI输出


 前面一篇就是基础性的推导过程。从反馈的情况看，总体还是讲明白了。但是在导数的部分，仍有不少的存疑。
 其实在数学方面，我也是学渣。所以尽我所能，希望再次的补充能讲的明白。若有谬误，期盼指正。

梯度下降法公式推导过程--再次补充:导数部分化简


 仍然是一篇入门文，用以补充以前文章中都有意略过的部分。
 之前的系列中，我们期望对数学并没有特别喜好的程序员，也可以从事人工智能应用的开发。但走到比较深入之后，基本的数学知识，还是没办法躲过的。

梯度下降法基本推导--机器学习最基本的起点

加水印是为图片声明版权出处的一种常用方法。
 平常都是写技术文章，文章的重点在技术本身，照片往往不需要加水印，或者需要加也不多，祭出神器PhotoShop很快就能完成。
 前一段趁着夏天还不很热的时候出去游荡，回来应约写了游记，其实是给别人当做攻略来用。
 游记可就不同了，照片成为了主体，并且量很大。随便一个景区的流程，十几副照片总是免不了的。这个时候，还用PhotoShop来加水印，当然不是不行，但那显然非我等“攻城狮”所愿为的。
 于是我们为图片加水印的“产品”，就此立项啦。

给图片加水印--手把手教新码农如何把技术变成产品

都知道的，Android基于Linux系统，然后覆盖了一层由Java虚拟机为核心的壳系统。跟一般常见的Linux+Java系统不同的，是其中有对硬件驱动进行支持，以避开GPL开源协议限制的HAL硬件抽象层。
 大多数时候，我们使用JVM语言进行编程，比如传统的Java或者新贵Kotlin。碰到对速度比较敏感的项目，比如游戏，比如视频播放。我们就会用到Android的JNI技术，使用NDK的支持，利用C++开发高计算量的模块，供给上层的Java程序调用。
 本文先从一个最简单的JNI例子来开始介绍Android中Java和C++的混合编程，随后再介绍Android直接调用ELF命令行程序的规范方法，以及调用混合了第三方库略微复杂的命令行程序。

Android程序中，内嵌ELF可执行文件-- Android开发C语言混合编程总结

都知道的，Android基于Linux系统，然后覆盖了一层由Java虚拟机为核心的壳系统。跟一般常见的Linux+Java系统不同的，是其中有对硬件驱动进行支持，以避开GPL开源协议限制的HAL硬件抽象层。    

Android程序中，内嵌ELF可执行文件--Android开发C语言混合编程总结

TensorFlow一直努力扩展自己的基础平台环境，除了熟悉的Python，当前的TensorFlow还实现了支持Javascript/C++/Java/Go/Swift(预发布版)共6种语言。
 越来越多的普通程序员，可以容易的在自己工作的环境加入机器学习特征，让产品更智能。

TensorFlow从1到2（十五）（完结）在浏览器做机器学习

《从锅炉工到AI专家(8)》中我们介绍了一个“图片风格迁移”的例子。因为所引用的作品中使用了TensorFlow 1.x的代码，算法也相对复杂，所以文中没有仔细介绍风格迁移的原理。
 今天在TensorFlow 2.0的帮助，和新算法思想的优化下，实现同样功能的代码量大幅减少，结构也越发清晰。所以今天就来讲讲这个话题。

TensorFlow从1到2（十三）图片风格迁移


 通常认为评估器因为内置的紧密结合，运行速度要高于Keras。Keras一直是一个通用的高层框架，除了支持TensorFlow作为后端，还同时支持Theano和CNTK。高度的抽象肯定会影响Keras的速度，不过本人并未实际对比测试。我觉的，对于大量数据导致的长时间训练来说，这点效率上的差异不应当成为大问题，否则Python这种解释型的语言就不会成为优选的机器学习基础平台了。
 在TensorFlow 1.x中可以使用tf.estimator.model_to_estimator方法将Keras模型转换为TensorFlow评估器。TensorFlow 2.0中，统一到了tf.keras.estimator.model_to_estimator方法。所以如果偏爱评估器的话，使用Keras也不会成为障碍。

TensorFlow从1到2（十四）评估器的使用和泰坦尼克号乘客分析

上一篇中介绍的VAE自动编码器具备了一定程度的创造特征，能够“无中生有”的由一组随机数向量生成手写字符的图片。
 这个“创造能力”我们在模型中分为编码器和解码器两个部分。其能力来源实际上是大量样本经过学习编码后，在数字层面对编码结果进行微调，再解码生成图片的过程。所生成的图片，是对原样本图的某种变形模仿。

TensorFlow从1到2（十二）生成对抗网络GAN和图片自动生成

“变分自动编码器”(Variational Autoencoders，缩写:VAE)的概念来自Diederik P Kingma和Max Welling的论文《Auto-Encoding Variational Bayes》。现在有了很广泛的应用，应用范围已经远远超出了当时论文的设想。不过看起来似乎，国内还没有见到什么相关产品出现。

TensorFlow从1到2（十一）变分自动编码器和图片自动生成

机器翻译和语音识别是最早开展的两项人工智能研究。今天也取得了最显著的商业成果。
 早先的机器翻译实际脱胎于电子词典，能力更擅长于词或者短语的翻译。那时候的翻译通常会将一句话打断为一系列的片段，随后通过复杂的程序逻辑对每一个片段进行翻译，最终组合在一起。所得到的翻译结果应当说似是而非，最大的问题是可读性和连贯性非常差。
 实际从机器学习的观点来讲，这种翻译方式，也不符合人类在做语言翻译时所做的动作。其实以神经网络为代表的机器学习，更多的都是在“模仿”人类的行为习惯。
 一名职业翻译通常是这样做：首先完整听懂要翻译的语句，将语义充分理解，随后把理解到的内容，用目标语言复述出来。
 而现在的机器翻译，也正是这样做的，谷歌的seq2seq是这一模式的开创者。
 如果用计算机科学的语言来说，这一过程很像一个编解码过程。原始的语句进入编码器，得到一组用于代表原始语句“内涵”的数组。这些数组中的数字就是原始语句所代表的含义，只是这个含义人类无法读懂，是需要由神经网络模型去理解的。随后解码过程，将“有含义的数字”解码为对应的目标语言。从而完成整个翻译过程。这样的得到的翻译结果，非常流畅，具有更好的可读性。
 

TensorFlow从1到2（十）带注意力机制的神经网络机器翻译

迁移学习是这两年比较火的一个话题，主要原因是在当前的机器学习中，样本数据的获取是成本最高的一块。而迁移学习可以有效的把原有的学习经验（对于模型就是模型本身及其训练好的权重值）带入到新的领域，从而不需要过多的样本数据，也能达到大批量数据所达成的效果，进一步节省了学习的计算量和时间。

TensorFlow从1到2（九）迁移学习

《从锅炉工到AI专家(6)》一文中，我们把神经网络模型降维，简单的在二维空间中介绍了过拟合和欠拟合的现象和解决方法。但是因为条件所限，在该文中我们只介绍了理论，并没有实际观察现象和应对。
 现在有了TensorFLow 2.0 / Keras的支持，可以非常容易的构建模型。我们可以方便的人工模拟过拟合的情形，实际来操作监控、调整模型，从而显著改善模型指标。

TensorFlow从1到2（八）过拟合和欠拟合的优化

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

腾讯云开发者社区推出了月色的自留地专栏，为你提供了月色的自留地的相关文章，致力于帮助开发者快速成长与发展。

月色的自留地

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐