最新文章
Framework
Paper
DL
nvidia
OpenSource
Tools
ML
Programming
job
OS
Software
Computer
Hardware
Android
cuda

gperftools htop NVIDIA 显卡信息查询硬件信息 ip apt vim redis nvcc md5sum markdown find conda rabbitmq gflag gflag ffmpeg boost onnxruntime opset onnx opset Pytorch Opset dpkg docker OpenCV Mat操作 pytorch 导出 onnx 原则 Linux 网络 Paper：GroundingDINO 笔记 GroundingDINO 实战问题 LLM 量化 triton系列：性能测量 triton系列：client 安装 triton系列：perf_analyzer 性能测量在 CLion 中使用 Valgrind 和 gdb 调试程序 TVMC 编译和优化模型 LLVM Windows 源码安装 TVM Windows 源码安装 MNN Android 开发指南 AI芯片 Linux 初始设置 Linux 防火墙 Http 请求方式 Http 状态码 Caffe Linux 用户管理优秀的三方库 rabbitmq Linux 分辨率 sftp Linux 磁盘挂载 Linux 内核 C++11 新特性 C++ 类中的函数 C++ 类的构造函数和析构函数 C++ 函数重载 C++ 类在内存中的存储方式 C++ 的引用 C/C++ 内存申请和释放 C/C++ 的函数 C/C++ 的指针 C/C++ 程序的内存分布 C/C++ 大端存储 & 小端存储 C/C++ 类型转换 C/C++ 中内存对齐--结构体 C/C++ 中 float & double 类型数据在内存中的存储形式 C/C++ 各数据类型占用字节数 c/c++ 宏 CUDA 问题汇总 pytorch -> onnx 问题汇总 vscode 配置矩阵乘法的 CUDA 实现、优化及性能分析 TorchScript 踩坑记录 cublas - api Pytorch Tensor Shape onnx2trt 踩坑总结 pip python 装饰器 pkg-config 排序算法对比统计学习方法-第9章-EM算法统计学习方法-第8章-提升方法统计学习方法-第7章-支持向量机统计学习方法-第6章-逻辑斯蒂回归模型统计学习方法-第6章-最大熵模型统计学习方法-第5章-决策树模型统计学习方法-第4章-朴素贝叶斯法统计学习方法-第3章-k近邻法统计学习方法-第2章-感知机统计学习方法-第1章-绪论频率学派与贝叶斯学派机器学习中的最优化算法总结凸优化机器学习与深度学习常见面试题梯度下降法贝叶斯原理及其推断损失函数正则化激活函数过拟合与欠拟合 cmake 头文件和源文件分离 makefile TensorRT - Custom Layer git TX2 常用操作 Pytorch官方教程(五)—Saving and Loading Models Pytorch官方教程(四)—Transfer Learning Tutorial Pytorch官方教程(三)—Learning Pytorch with Examples Pytorch官方教程(二)—Data Loading and Processing Tutorial Pytorch官方教程(一)—A 60 Minute Biltz Pytorch Debug Log Pytorch Tricks DenseNet 笔记 RefineNet 笔记 PSPNet 笔记 Mask RCNN 笔记 Visdom 总结 LinkNet 笔记 TensorBoard 总结 ENet 笔记 Matplotlib 总结 Jupyter 总结静态链接库和动态链接库卷积类型汇总条件随机场（CRF）笔记 DeepLab 笔记 DeconvNet 笔记 SegNet 笔记图像的上采样 U-Net 笔记生成学习算法决策树 SVM FCN 实战 FCN 笔记 ssh OpenCV SSD 笔记 YOLO 系列总结 YOLO v3 笔记 YOLO v2 笔记 YOLO v1 笔记 RCNN 系列总结 Faster RCNN 笔记 Fast RCNN 笔记 RCNN 笔记 SPP 笔记 Overfeat 笔记 CUDA 安装模型评价指标 ResNet 笔记 Googlenet 笔记 ZFNet 笔记 LeNet-5 笔记 VGGNet 笔记 AlexNet 笔记 Tensorflow tfrecord 数据集训练及验证 Tensorflow tfrecord 数据集制作及读取

2019 June 26 ML

机器学习中的最优化算法总结

All content is licensed under CC BY-NC-SA

Built with Jekyll and 3-Jekyll theme • Hosted on Github

Table of Contents