BP(BackPropagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(outputlayer)。BP网络的学习过程，由信息的正向传播和误差的反向传播两个过程组成。BP神经网络结构数据集采用鸢尾花数据集：超参数设置lr=0.02#学习率epochs=300#训练轮数n_feature=4#输入特征(鸢尾花四个特征)n_hidden=20#隐含层n_output=3#输出(鸢尾花三种类别)准备数据
一、ApacheHudi基本介绍 Hudi是HadoopUpdatesandIncrementals的简写，它是由Uber开发并开源的DataLakes解决方案。Hudi用于管理的数据库层上构建具有增量数据管道的流式数据湖，同时针对湖引擎和常规批处理进行了优化。简言之，Hudi是一种针对分析型业务的、扫描优化的数据存储抽象，它能够使DFS数据集在分钟级的时延内支持变更，也支持下游系统对这个数据集的增量处理。官网二、发展历史 2015年：发表了增量处理的核心思想/原则（O'reilly文章） 2016年：由Uber创建并为所有数据库/关键业务提供支持
一、ApacheHudi基本介绍 Hudi是HadoopUpdatesandIncrementals的简写，它是由Uber开发并开源的DataLakes解决方案。Hudi用于管理的数据库层上构建具有增量数据管道的流式数据湖，同时针对湖引擎和常规批处理进行了优化。简言之，Hudi是一种针对分析型业务的、扫描优化的数据存储抽象，它能够使DFS数据集在分钟级的时延内支持变更，也支持下游系统对这个数据集的增量处理。官网二、发展历史 2015年：发表了增量处理的核心思想/原则（O'reilly文章） 2016年：由Uber创建并为所有数据库/关键业务提供支持
自1998年以来，USB发布至今，USB已经走过20个年头有余了。在这20年间，USB-IF组织发布N种接口状态，包括A口、B口、MINI-A、MINI-B、Micro-A、Micro-B等等接口形态，由于各家产品的喜好不同，不同产品使用不同类型的插座，因此悲剧来了，我们也要常备N中不明用途的接口转接线材，直到Type-c的出现。Type-c是一种接口类型，广泛应用于电脑，笔记本，智能手机，平板。它集充电、显示、数据传输等功能于一身的数据接口，所以它非常适合用于电脑，笔记本，智能手机，平板的显示扩展。Type-C已经基本成为笔记本，手机和平板的标配，大有统一整个消费电子市场的接口趋势。未来的视
初识Java1.简介Java是一种编程语言，被特意设计用于互联网分布式环境，有类似于C++语言的形式和感觉，但是更加易于使用和学习。1995年由SUN公司的JamesGosling（Java之父）及其团队研发推出，最初叫Oak（橡树），因为公司门口有一棵橡树，后因为被抢先注册，改名为Java，因为美国人爱喝咖啡，而爪哇岛又以咖啡豆和猫屎咖啡闻名于世。2009年SUN公司被Oracle公司收购。2.Java的特点Java是一门解释型语言与C语言等编译型语言不同，Java更接近一门解释型语言，因为其编译后的代码不能直接运行在操作系统上，仍然需要在JVM虚拟机上解释为二进制代码。解释型语言的效率略低
波场链通过tronWeb发送带备注的TRC-20转账varcontractAddress="TRC-20合约";//选择合约⽅法letfunctionSelector="transfer(address,uint256)";//根据⽅法构造参数letparameter=[{type:"address",value:address},{type:"uint256",value:Math.ceil(number)}];//额外参数letoptions={shouldPollResponse:false,feeLimit:1000000//1Trx};//构造智能合约交易信息letres=await
因为电脑里有配置paddle环境，当时用的cuda11.2，现在又要配置torch环境，查看torch官网后发现没有cuda11.2版本对应的torch下载。考虑到版本向下兼容，可能不一定非要下载cuda=11.2对应的那个版本的torch，或许低于这个版本就可以。所以我就选择下载cuda11.1的版本。以下是pytorch对应的稳定版的网址下载链接，可以根据需要找到对应的torch版本下载，https://download.pytorch.org/whl/torch_stable.html当然也可以在官网PreviousPyTorchVersions|PyTorch直接选择#CUDA11.1
ReluRelu(Linearrectificationfunction)是深度学习中的一种激活函数其函数表达式为：其函数图像为：该函数主要用于cnn卷积神经网络的卷积(Convolution)和池化(MaxPooling)中，因为经过卷积运算和池化运算后的图像矩阵的值有正有负，这难免造成了数据规模变得很大，那么经过Relu函数之后的图像矩阵中的值只留下正数的值。优点：1.极大地减少了数据量2.在一定程度上减少了运算量3.避免层数增加。
一、概念num_workers是Dataloader的概念，默认值是0。是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关)如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度慢。当num_worker不为0时，每轮到dataloader加载数据时，dataloader一次性创建num_worker个worker，并用batch_sampler将指定batch分配给指定worker，worker将它负责
一、概念num_workers是Dataloader的概念，默认值是0。是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关)如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度慢。当num_worker不为0时，每轮到dataloader加载数据时，dataloader一次性创建num_worker个worker，并用batch_sampler将指定batch分配给指定worker，worker将它负责
