PyTorch中文教程 PyTorch是一个针对深度学习，并且使用GPU和CPU来优化的张量库（张量库） 介绍 欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远。 组织重建[网站] GitHub Pages（国外）： : Gitee Pages（国内）： ://apachecn.gitee.io/pytorch-doc-zh 第三方站长[网站] pytorch中文文档： ://www.bookstack.cn/search/result?wd pytorch 地址A：xxx（欢迎留言，我们完善补充） 其他补充 版本特性 PyTorch官方入口 中文文档： :

Jim Liang machine learning notes 上半部分 Jim Liang machine learning notes 上半部分

Hands-On Machine Learning with Scikit-Learn and TensorFlow + 源码

山东大学2020年深度学习复习整理

编译的HTML关于SQL Server 2005帮助

-Learning Python中文版

pytorch中的训练模型示例 PyTorch中的深度学习算法的一些实现。 排名-学习排名 排名网 前馈NN，最小化文档对交叉熵损失函数 训练模型 python ranking/RankNet.py --lr 0.001 --debug --standardize --debug打印参数规范和参数grad规范。 这可以评估是否存在梯度消失和梯度爆炸问题- --standardize可确保将输入缩放为平均值为0且标准差为1.0 NN结构：136-> 64-> 16-> 1，ReLU6作为激活函数 优化器 r 时代 损失（火车） 损失（评估） ndcg @ 10 ndcg @ 30 秒/纪元 因式分解 对/秒 亚当 0.001 25 0.63002 0.635508 0.41785 0.49337 312 损失函数 203739 亚当 0.001 50 0.6

贝叶斯网络参数学习 课程项目-COL884（Spring'18）：人工智能的不确定性 创作者：Navreet Kaur [2015TT10917] 客观的： 警报贝叶斯网络给定数据的贝叶斯参数学习，每行最多有一个缺失值。 使用的算法： 期望最大化 目标： 这项任务的目的是获得学习贝叶斯网络的经验，并了解它们在现实世界中的价值。 设想： 医学诊断。 一些医学研究人员创建了贝叶斯网络，该网络对（某些）疾病和观察到的症状之间的相互关系进行建模。 作为计算机科学家，我们的工作是根据健康记录来学习网络的参数。 不幸的是，在现实世界中，某些记录缺少值。 我们需要尽力计算网络参数，以便以后可以将其用于诊断。 问题陈述： 我们得到了由研究人员创建的贝叶斯网络（如BayesNet.png所示），注意此处对八种诊断进行了建模：血容量不足，左心衰竭，过敏React，镇痛不足，肺栓塞，插管，弯管和断线。

使用 Q-learning 算法在能源市场中实现利益最大化这篇论文有一些想法： Yousefi, S.、Moghaddam, MP 和 Majd, VJ (2011)。 使用综合需求响应模型在基于代理的零售市场中优化实时定价。 能源，36（9），5716-5727。

learning opencv.PDF+代码+图片