在吴恩达的深度学习课程中，第二课主要聚焦于改善深层神经网络的性能，而第三周的主题则是超参数调试和Batch Normalization（批量归一化）。这两个概念在深度学习模型训练过程中至关重要，它们能够显著提升模型的收敛速度和泛化能力。 超参数调试是机器学习和深度学习中的一个重要环节，它涉及到对模型结构和训练过程中的各种参数进行调整，以找到最优的模型配置。超参数包括学习率、批次大小、网络层数、节点数、正则化强度等。通过网格搜索、随机搜索或基于梯度的优化方法，我们可以找到一组超参数，使得模型在验证集上的表现最佳，防止过拟合或者欠拟合的情况发生。例如，一个合理的学习率可以帮助模型更快地收敛到全局最优解，而合适的正则化参数可以避免模型过于复杂，提高泛化性能。 Batch Normalization是一种常用的神经网络层，用于加速训练并改进模型的稳定性和泛化能力。它在每一层的激活函数之前或之后（通常是在全连接层之后，卷积层之前）对每一批次的数据进行归一化处理。Batch Norm的主要步骤包括： 1. 计算批次内的均值和方差，这有助于消除内部协变量位移，使得每一层的输入保持相对稳定的分布。 2. 将数据归一化到均值为0，标准差为1的分布，这样可以减少梯度消失和梯度爆炸的问题。 3. 添加可学习的尺度γ和偏置β参数，允许模型在训练过程中学习到合适的归一化系数，从而保留一部分特征信息。 在编程作业中，学生通常会被要求实现这些概念，并通过实际操作理解它们如何影响模型的训练。这可能包括编写代码来计算和应用超参数，以及实现Batch Norm层。通过实践，学生能够更好地理解超参数调试的重要性，以及Batch Norm在神经网络中的作用。 掌握超参数调试和Batch Normalization是深度学习工程师必备的技能之一。在吴恩达的课程中，通过理论讲解和实际编程作业，学生可以深入理解这些概念，并应用于实际项目，从而提升模型的性能。

吴恩达-Machine Learning Yearning（1-52章）完结中英文版本

A Linux and UNIX® System Programming Handbook 在这本书中，我描述了Linux编程接口——系统调用、库函数和Linux提供的其他低级接口，一个免费的实现UNIX操作系统的。这些接口直接或间接地由 每个运行在Linux上的程序。它们允许应用程序执行以下任务 文件I/O，创建和删除文件和目录，创建新进程，执行的进程和线程之间的通信，并在驻留在不同计算机上的进程之间进行通信计算机通过网络连接。这组低级接口有时是也称为系统编程接口。 尽管我关注Linux，但我对标准和可移植性给予了认真的关注 问题，并明确区分讨论linux特有的细节与讨论了大多数UNIX实现中常见的和标准化的特性，通过POSIX和单一UNIX规范。

包括原版的英文版本和中文翻译版本两个文件，可以对照着看，中文版本方便理解、提升阅读效率，如果有怀疑的点可以查看原版的英文版本。

作者：格莱戈尔（Marc Gregoire） 翻译：张永强 C++高级编程（第3版） 是设计和构建C++应用程序的实用指南，代码丰富，并根据C++14版本做了全面更新。本书强调良好编程风格的重要性，阐述如何设计可充分利用C++语言功能的高效解决方案；深入探讨C++语言功能集的更复杂元素，并披露避开常见陷阱的技巧。本书醒目显示了新的C++14信息，使你快速了解影响应用程序构建的显著变化。 主要内容 　　◆ 提供富有挑战的、紧贴实用的、可供下载的示例代码段供读者学习 　　◆ 研究详明案例，案例中包含已在Windows和Linux上测试的丰富工作代码 　　◆ 列出保持良好编程风格的提示、技巧和方案，包括很好调试实践 　　◆ 使用C++14的全新语言功能，包括函数返回类型推断、二进制字面量、泛型lambda和lambda捕捉表达式 　　◆ 使用全新标准库功能，例如make_unique、透明函数对象，通过类型寻址的元组、共享mutex和锁类

Deep Learning (Ian Goodfellow, Yoshua Bengio and Aaron Courville)深度学习中英文版本资源-附件资源

适合SMbus有兴趣的工程师，提供了中文版本，无阅读障碍。

OTA升级国际规范，

Navicat_Premium_11.0.10中英文版本

ABAC-NIST.SP.800-162，中文翻译版。基于属性的访问控制模型标准-中英文。基于NIST下载的原版本进行的中文翻译，并保留了原文，方面进行中英文比对。是开放版本，方便进行模型标准的了解与解读。对产品开发以及零信任中的属性可以有更深入的了解。