码迷,mamicode.com
首页 >  
搜索关键字:最小化    ( 2512个结果
jQuery Masonry-强大的动态不规则布局插件,让你的网页更自然
Masonry是 一款非常强大的jQuery动态网格布局插件,可以帮助开发人员快速开发类似剪贴画的界面效果。和CSS中float的效果不太一样的地方在 于,float先水平排列,然后再垂直排列,使用Masonry则垂直排列元素,然后将下一个元素放置到网格中的下一个开发区域。这种效果可以最小化处理 不同高度的元素在垂直方向的间隙。如下: 在上图中大家可以看到,在网格布局中使用flo...
分类:Web程序   时间:2014-10-16 16:11:32    阅读次数:147
运维老鸟教你安装centos6.5如何选择安装包
近来发现越来越多的运维小伙伴们都有最小化安装系统的洁癖,因此,找老男孩来咨询,这个“洁癖”好习惯啊,必须支持,,因此发布本文和大家分享下。(1)系统安装类型选择及自定义额外包组进入如图2-28所示界面。上半部分是系统定制的不同的系统安装类型选择项,默认是“Desktop..
分类:其他好文   时间:2014-10-16 12:33:43    阅读次数:179
【转】 随机梯度下降(Stochastic gradient descent)和 批量梯度下降(Batch gradient descent )的公式对比、实现对比
梯度下降(GD)是最小化风险函数、损失函数的一种常用方法,随机梯度下降和批量梯度下降是两种迭代求解思路,下面从公式和实现的角度对两者进行分析,如有哪个方面写的不对,希望网友纠正。下面的h(x)是要拟合的函数,J(theta)损失函数,theta是参数,要迭代求解的值,theta求解出来了那最终要拟合...
分类:其他好文   时间:2014-10-16 00:17:11    阅读次数:415
setup无法使用解决办法
最小化安装Centos后,setup命令无法使用,执行如下命令即可 [root@junru~]#yumprovides*/bin/setup [root@junru~]#yuminstallsetuptool [root@junru~]#yuminstallntsysvsystem-config-firewall-tuisystem-config-network-tui
分类:其他好文   时间:2014-10-15 20:33:32    阅读次数:193
CentOS6编译内核安装Xen4.4
CentOS6.4X86_64最小化安装VMware9.0环境内核版本为3.2.63Xen版本为4.4.1安装Xen需要的包常用的包yuminstallgccgcc-c++vimwgetlrzszntpdatesysstatdstatwgetmantree-y开发环境yumgroupinstall"Developmenttools""Compatibilitylibraries"-y其他安装包yuminstalltransfigwgettex..
分类:其他好文   时间:2014-10-15 16:05:01    阅读次数:356
非线性回归支持向量机——MATLAB源码
支持向量机和神经网络都可以用来做非线性回归拟合,但它们的原理是不相同的,支持向量机基于结构风险最小化理论,普遍认为其泛化能力要比神经网络的强。大量仿真证实,支持向量机的泛化能力强于神经网络,而且能避免神经网络的固有缺陷——训练结果不稳定。本源码可以用于线性回归、非线性回归、非线性函数拟合、数据建.....
分类:其他好文   时间:2014-10-14 18:17:59    阅读次数:227
正规式->最小化DFA说明
整体的步骤是三步: 一,先把正规式转换为NFA(非确定有穷自动机), 二,在把NFA通过“子集构造法”转化为DFA, 三,在把DFA通过“分割法”进行最小化。 一步很简单,就是反复运用下图的规则,图1 这样就能转换到NFA了。 给出一个例题,来自Google book。本文主要根据这个例题来讲,图2...
分类:其他好文   时间:2014-10-13 13:49:39    阅读次数:264
稀疏自动编码之梯度检验
众所周知,反向传播算法很难调试和得到正确结果,特别是在执行过程中存在许多细小难以察觉的错误。这里介绍一种方法来确定代码中导数的计算是否正确。使用这里所述求导检验方法,可以帮助提升写正确代码的信心。假设我们想最小化关于的函数 . 对于这个例子,假设,所以. 在一维空间,梯度下降的一次迭代公式如下:假设...
分类:其他好文   时间:2014-10-13 12:46:39    阅读次数:304
稀疏自动编码之反向传播算法(BP)
假设给定m个训练样本的训练集,用梯度下降法训练一个神经网络,对于单个训练样本(x,y),定义该样本的损失函数:那么整个训练集的损失函数定义如下:第一项是所有样本的方差的均值。第二项是一个归一化项(也叫权重衰减项),该项是为了减少权连接权重的更新速度,防止过拟合。我们的目标是最小化关于W和 b 的函数...
分类:编程语言   时间:2014-10-13 02:27:02    阅读次数:310
浏览器最小化时右下角 消息提醒,点击消息最大化浏览器
//框架页面 function isMinStatus() { var isMin = false; if (window.outerWidth != undefined) { isMin = window.outerWid...
分类:其他好文   时间:2014-10-10 20:53:04    阅读次数:407
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!