生成式对抗网络（GenerativeAdversarialNetwork,GAN）是近些年计算机视觉领域非常常见的一类方法，其强大的从已有数据集中生成新数据的能力令人惊叹，甚至连人眼都无法进行分辨。本文将会介绍基于最原始的DCGAN的动漫人物生成任务，通过定义生成器和判别器，并让这两个网络在参数优化过程中不断“打架”，最终得到较好的生成结果。01、生成动漫人物任务概述日本动漫中会出现很多的卡通人物，这些卡通人物都是漫画家花费大量的时间设计绘制出来的，那么，假设已经有了一个卡通人物的集合，那么深度学习技术可否帮助漫画家们根据已有的动漫人物形象，设计出新的动漫人物形象呢？本文使用的数据集包含已经裁
生成式对抗网络（GenerativeAdversarialNetwork,GAN）是近些年计算机视觉领域非常常见的一类方法，其强大的从已有数据集中生成新数据的能力令人惊叹，甚至连人眼都无法进行分辨。本文将会介绍基于最原始的DCGAN的动漫人物生成任务，通过定义生成器和判别器，并让这两个网络在参数优化过程中不断“打架”，最终得到较好的生成结果。01、生成动漫人物任务概述日本动漫中会出现很多的卡通人物，这些卡通人物都是漫画家花费大量的时间设计绘制出来的，那么，假设已经有了一个卡通人物的集合，那么深度学习技术可否帮助漫画家们根据已有的动漫人物形象，设计出新的动漫人物形象呢？本文使用的数据集包含已经裁
本人最近接触深度学习，想在服务器上配置深度学习的环境，看了很多资料后总结出来了对于新手比较友好的配置流程，创建了一个关于深度学习环境配置的专栏，包括从anaconda到cuda到pytorch的一系列操作，专栏中的另外两篇文章如下，如果有不对的地方欢迎大家批评指正！Anaconda保姆级安装配置教程（新手必看）如果你还不是很清楚CUDA，CUDATookit，cuDNN，Pytorch分别在深度学习环境中的定位与关系，推荐看一下我这篇文章用人话讲解深度学习中CUDA，cudatookit，cudnn和pytorch的关系另外，如果你还不是特别理解虚拟环境的作用，建议看一下这位大佬的视频安装不算
本人最近接触深度学习，想在服务器上配置深度学习的环境，看了很多资料后总结出来了对于新手比较友好的配置流程，创建了一个关于深度学习环境配置的专栏，包括从anaconda到cuda到pytorch的一系列操作，专栏中的另外两篇文章如下，如果有不对的地方欢迎大家批评指正！Anaconda保姆级安装配置教程（新手必看）如果你还不是很清楚CUDA，CUDATookit，cuDNN，Pytorch分别在深度学习环境中的定位与关系，推荐看一下我这篇文章用人话讲解深度学习中CUDA，cudatookit，cudnn和pytorch的关系另外，如果你还不是特别理解虚拟环境的作用，建议看一下这位大佬的视频安装不算
简单介绍深度强化学习的基本概念，常见算法、流程及其分类（持续更新中），方便大家更好的理解、应用强化学习算法，更好地解决各自领域面临的前沿问题。欢迎大家留言讨论，共同进步。（PS：如果仅关注算法实现，可直接阅读第3和4部分内容。）1.强化学习ReinforcementLearning（RL）：强化学习强化学习属于机器学习的一种，不同于监督学习和无监督学习，通过智能体与环境的不断交互（即采取动作），进而获得奖励，从而不断优化自身动作策略，以期待最大化其长期收益（奖励之和）。强化学习特别适合序贯决策问题（涉及一系列有序的决策问题）。在实际应用中，针对某些任务，我们往往无法给每个数据或者状态贴上准确的
简单介绍深度强化学习的基本概念，常见算法、流程及其分类（持续更新中），方便大家更好的理解、应用强化学习算法，更好地解决各自领域面临的前沿问题。欢迎大家留言讨论，共同进步。（PS：如果仅关注算法实现，可直接阅读第3和4部分内容。）1.强化学习ReinforcementLearning（RL）：强化学习强化学习属于机器学习的一种，不同于监督学习和无监督学习，通过智能体与环境的不断交互（即采取动作），进而获得奖励，从而不断优化自身动作策略，以期待最大化其长期收益（奖励之和）。强化学习特别适合序贯决策问题（涉及一系列有序的决策问题）。在实际应用中，针对某些任务，我们往往无法给每个数据或者状态贴上准确的
1.引言跨链互操作性的未来将围绕多链dapp之间的动态和数据丰富的关系构建。LagrangeLabs正在构建粘合剂，以帮助安全地扩展基于零知识证明的互操作性。2.ZK大数据栈LagrangeLabs的ZK大数据栈为一种专有的证明结构，用于在任意动态分布式计算的同时生成大规模batchstorageproof。ZK大数据堆栈可扩展到任何分布式计算框架，从MapReduce到RDD再到分布式SQL。使用LagrangeLabsZK大数据栈，可以从单个区块头生成证明，用于证明任意深度的历史storageslot状态数组和对这些状态执行的分布式计算的结果。简而言之，每个证明都在一个步骤中结合了stor
目录前言：1.什么是模块2.模块的分类 （1）内置模块（2）第三方模块（3）自定义模块3.模块的使用4.自定义模块5.模块和执行文件的判断前言： 今天就开始讲Python中的模块篇了，模块是Python的重要组成部分，Python之所以可以写出多种多样的程序，其实跟模块的灵活运用是息息相关的，所以这一期我会介绍Python中的模块，包括模块的定义和使用。1.什么是模块 前面我们学习了变量类型（整形，字符串，列表，元组……等等）。然后也学习了函数类型，其实就是把一些变量结合起来，然后去实现一些功能。其实模块也是一样的，模块就是把函数、变量等等结合起来，形成一个Python文件
两个最受欢迎的深度学习库：Pytorch和tensorflow，这两个究竟有什么区别？他们之间有什么优缺点。接下里和大家一起看看这其中究竟。第1点：虽然Tensorflow和PyTorch都是开源的，但它们是由两个不同的向导创建的。Tensorflow基于Theano，由Google开发，而PyTorch基于Torch，由Facebook开发。第2点：两者之间最重要的区别是这些框架定义计算图的方式。虽然Tensorflow创建的是静态图，但PyTorch相信动态图。那么这是什么意思？在Tensorflow中，必须定义模型的整个计算图，然后运行您的ML模型。但是在PyTorch中，可以随时随地定
两个最受欢迎的深度学习库：Pytorch和tensorflow，这两个究竟有什么区别？他们之间有什么优缺点。接下里和大家一起看看这其中究竟。第1点：虽然Tensorflow和PyTorch都是开源的，但它们是由两个不同的向导创建的。Tensorflow基于Theano，由Google开发，而PyTorch基于Torch，由Facebook开发。第2点：两者之间最重要的区别是这些框架定义计算图的方式。虽然Tensorflow创建的是静态图，但PyTorch相信动态图。那么这是什么意思？在Tensorflow中，必须定义模型的整个计算图，然后运行您的ML模型。但是在PyTorch中，可以随时随地定
