暂无个人介绍
之前写了很多关于 Code China 的介绍文章,以及部分操作教程,但是对于如何反馈使用过程中遇到的 Bug、建议等,并未提及,导致很大一部分同学不知道去哪儿反馈建议。接下来分别介绍如何通过 Issue、微信群两种方式进行建议反馈。
数据集: flower_photos daisy: 633张图片 雏菊 dandelion: 898张图片 蒲公英 roses: 641张图片 玫瑰 sunflowers: 699张图片 向日葵 tulips: 799张图片 郁金香 数据存储在本地磁盘,读取用的是 tf.keras.preprocessing.image_dataset_from_directory(),其中的 image_size 用作 image resize,batch_size 用作 batch
代码片段是一种可分享的小项目,可用于分享开发经验、展示组件和 API 的使用、复现开发问题等等。本次介绍 Code China 上的代码片段创建、以链接形式分享、代码片段下载。
今天来聊一聊,如何在 Code China 上对开源项目做贡献,首先以下图所示的项目作为例子。该项目主要目的是用于维护 Code China 的explore 页面,作为项目的非 Maintainer,可以通过 pull request 方式提交合并请求,以对项目进行贡献。分 fork 源项目、在线编辑并提交、创建合并请求三部分进行介绍。
今天要介绍的是 Code China 上的项目成员邀请小功能: 一键生成用户邀请链接。事实上,项目的用户邀请有 4 种方式,分别如下图所示: 邀请用户、生成邀请链接、邀请组、导入。接下来进行分别介绍。
一个开源项目包含很多信息,比如 Star、Issues、fork、branches、contributors 等。Star 的数量可以代表这个项目受喜爱的程度,branches 可以直观反应目前有多少个并行开发线,contributors 可以反应项目有多少开源爱好者参与贡献。那么如何查看这些信息呢,今天我就给大家介绍下 branches 和 contributors。
使用诸如 Code China、Github 等代码托管平台的时候,除了最常用的找代码和下载代码之外,可能还会用到推送、拉取代码,对于研发同学来说,常用的会是命令行,但是对于初学者不友好,这个时候推荐使用 Git GUI 客户端,可视化的界面可使操作更轻松,接下来分别介绍几款 GUI 客户端工具
作为一个有追求和高标准的开源贡献者,或多或少也看过一些开源大咖或者开发者的代码中心主页吧?比如下面所示某位开发者的 Profile
上图我们可以发现,对于simple_cnn来说,数据增强有很明显的作用,可以显著提高val_acc,也就是模型的泛化性。
相信很多人在使用 Code China 或者 Github 等代码托管平台的时候,都不知道有快捷键这种东西,平时更多的是使用鼠标点点点。一旦你知道这些隐藏的快捷键,我相信你的工作效率会成倍提高,下面以 3 种快捷键为例,分别介绍如何快速跳转到项目页面 (Shift + p) 、Issue 页面 (Shift + i)、Wiki 页面 (g + w)。
「Code China」是独立第三方的开源内容托管平台,其上有很多的开源项目,若单凭搜索等手段去查找优质的项目是低效的,开源爱好者善于精准高效的获取自己想要的信息,基于此,Code China 从产品层面做了很多的实用功能,其中「最多 Star」 和「热门」项目榜单两大功能,分别把长期以来 star 数最多的项目和一段时间内最热门的项目以更直观的方式呈现给每个开源爱好者。
当前互联网上 IT 技术资料繁杂,进入某个领域学习某项技术,可能根本就不缺对应的资料,但是对于职业发展这块儿,相信很多初学者或者刚入门的人,对于自己今后的发展路线不甚清晰。CSDN 作为全球最大的中文开发者社区,同时在国内也有最大的开发者用户群体,为了更好的服务开发者,CSDN 联合阿里、字节跳动等企业以及技术专家打造了 IT 技术人才路线图,并在 Code China 上开源,希望吸引更多的专家和企业加入,对已有领域的图谱进行完善,或对未有的领域贡献图谱。图谱根据程序员职业发展规划,分为前端、后端、DevOps、测试、安全、云原生、AI、音视频、区块链等。
「Code China Explore」即 CODE CHINA 开源广场,主要用于聚合平台的优质内容,包括了开源课程、项目、话题及开源组织等,可以让所有开源爱好者进行知识分享和学习。下面着重介绍 Code China Explore 上面的组织及其享受的权益、话题及项目。
国内专业开发者社区 CSDN 旗下的代码托管协作平台 CODE CHINA 历经 7 年摸索,它承载着新时期的使命和责任,致力于服务全球中文开发者,目前已推出的“开源服务加速计划”是 CODE CHINA 整合 CSDN 平台资源,帮助更多开源项目、开源社区、图书作者、课程讲师等个人/组织,更轻松运营开源社区的全新战略计划。
nlp技术包括基础技术和应用技术 70 年代以后随着互联网的高速发展,语料库越来越丰富以及硬件更新完善,自然语言处理思潮由理性主义向经验主义过渡,基于统计的方法逐渐代替了基于规则的方法。
本篇介绍深度学习在自然语言处理(NLP)中的应用,从词向量开始,到最新最强大的BERT等预训练模型,梗概性的介绍了深度学习近20年在NLP中的一些重大的进展
当 AI 在某一个单点任务上的表现接近或者超越人类的时候,就会给行业带来巨大的商机。在视觉分类、检索、匹配、目标检测等各项任务上,随着相关算法越来越准确,业界也开始在大量商业场景中尝试这些技术
20 世纪50 年代中期到80 年代初期的感知器,20世纪80 年代初期至21世纪初期的专家系统,以及最近十年的深度学习技术,分别是三次热潮的代表性产物
我自己写的代码和该教程略有不一样,有三处改动,第一个地方是用归一化(均值为0,方差为1)代替数值缩放([0, 1]),代替的理由是能提升准确率 第二处改动是添加了正则化,在Conv2D和Dense Layer中均有添加,可以抑制模型过拟合,提升val_acc 第三处改动是对模型训练五次进行acc取平均值,因为keras训练模型会有准确率波动,详细代码见文末链接
The Keras Tuner is a library that helps you pick the optimal set of hyperparameters for your TensorFlow program. The process of selecting the right set of hyperparameters for your machine learning (ML) application is called hyperparameter tuning or hypertuning.
This notebook classifies movie reviews as positive or negative using the text of the review. This is an example of binary—or two-class—classification, an important and widely applicable kind of machine learning problem.
TensorFlow is an end-to-end open source platform for machine learning TensorFlow makes it easy for beginners and experts to create machine learning models. See the sections below to get started.
In the featurization tutorial we incorporated multiple features into our models, but the models consist of only an embedding layer. We can add more dense layers to our models to increase their expressive power.
In the featurization tutorial we incorporated multiple features beyond just user and movie identifiers into our models, but we haven't explored whether those features improve model accuracy.
One of the great advantages of using a deep learning framework to build recommender models is the freedom to build rich, flexible feature representations.
In this tutorial, we build a simple matrix factorization model using the MovieLens 100K dataset with TFRS. We can use this model to recommend movies for a given user.
本次教程的目的是带领大家看下如何用 Docker 部署深度学习模型的 第一步我们需要 pull 一个 docker image
本次教程的目的是带领大家学会基本的花朵图像分类 首先我们来介绍下数据集,该数据集有5种花,一共有3670张图片,分别是daisy、dandelion、roses、sunflowers、tulips,数据存放结构如下所示
3分钟带你了解版本控制系统的发展历史
This tutorial shows how to load and preprocess an image dataset in three ways. First, you will use high-level Keras preprocessing utilities and layers to read a directory of images on disk. Next, you will write your own input pipeline from scratch using tf.data. Finally, you will download a dataset
Tensorflow小技巧(一)
Real-world recommender systems are often composed of two stages: 1. The retrieval stage is responsible for selecting an initial set of hundreds of candidates from all possible candidates. The main objective of this model is to efficiently weed out all candidates that the user is not interested in.
本教程的目的是带领大家学会如何给 stack overflow 上的问题进行打标签
本教程的目的是带领大家学会,根据译文片段预测翻译作者 本次用到的数据集是三个 txt 文本,分别是 cowper.txt、derby.txt、butler.txt ,该文本已经经过一些预处理,去除了表头,页眉等
本教程的目的是要预测汽车的燃料效率,相比于之前的分类,这是一个回归问题,回归是针对连续变量的,分类是针对离散变量的 用的数据集是 Auto MPG ,包含有 MPG、Cylinders、Displacement、Horsepower、Weight、Acceleration、Model Year、Origin 这么 8 个特征,我们的目的是根据其它 7 个特征去预测 MPG ,数据如下图所示
TensorFlow 2 quickstart for experts
This short introduction uses Keras to: 1. Build a neural network that classifies images. 2. Train this neural network. 3. And, finally, evaluate the accuracy of the model.
This guide trains a neural network model to classify images of clothing, like sneakers and shirts.
本次教程的目的是带领大家学会用 Tensorflow serving 部署训练好的模型 这里我们用到的数据集是 Fashion MNIST,所以训练出来的模型可以实现以下几个类别的分类
本教程的目的是带领大家学会用 RNN 进行文本分类 本次用到的数据集是 IMDB,一共有 50000 条电影评论,其中 25000 条是训练集,另外 25000 条是测试集