ffmpeg常用命令 以下代码可在Linux上测试通过，参考：GitHub awesome-cheatsheets - 中文速查表，JiaHe’s Blog - FFMPEG CHEATSHEET (中文速查表) 可以从 Sample Videos 网站上下载视频进行测试。 基础参数 ffmpeg是一个在shell中对视频进行处理的工具，包含以下基础参数： -i <input>

adb&waydroid常用命令 waydroid官方参考文档，adb速查表 adb常用命令 adb devices ：列出当前连接的设别（当连接设别数目大于1个时，使用 adb shell 控制命令需要加入 -s 设别号 指定控制的设备） adb connect <IP:port>：使用 adb 连接当前 ip 对应的Android设备。例如：使用 waydr

通过三天的折腾，总算把神经网络的C代码写出来了（用C写纯属因为我对它更熟悉一些，虽然现在基本人工智能算法都是Python写的，但C++快呀😆）（主要还是对Python不熟练，以后有时间应该用Python重写一遍），代码270行左右（对自己也是一次对代码熟练度的训练），使用BP(Back Propagation)神经网络，学习算法为随机梯度下降法 支持多线程学习（保证跑满CPU，GPU算法还

感知器（英语：Perceptron）是Frank Rosenblatt在1957年就职于康奈尔航空实验室（Cornell Aeronautical Laboratory）时所发明的一种人工神经网络。它可以被视为一种最简单形式的前馈神经网络，是一种二元线性分类器。（From：Wiki-感知器） 感知器可以理解为神经网络中的一个“神经细胞”，在这里我们研究是最简单的神经网络问题，只有一个感知器的情况，

循环神经网络 简介 循环神经网络（Recurrent Neural Networks, RNN）是对前馈型全连接神经网络的改进. 全连接神经网络的输入维度在确定网络结构的时候已经固定，而且当特征之间具有的潜在关联性也无法解决. 循环神经网络支持输入任意长度的特征，并且可以通过处理特征之间具有的关联性，这也称为神经网络的记忆力. 一般的RNN具有短期记忆力，使用门控机制（Gating Mecha

该问题是在使用GradientTape训练MNIST数据集时发现的，尝试使用了三种方式进行训练：直接GradientTape训练，调用fit函数训练，重写fit函数后训练. 发现重写GradientTape训练的正确率尽然有96%，而后两者的正确率90%都不到，这引起了我很大的好奇心，于是通过查阅大量文档和阅读TF源代码一步一步排除问题，最终找到问题原因. 训练集使用最简单的MNIST，重写f

学习视频：YouTube - Inside TensorFlow: tf.Keras (Part 1)，YouTube - Inside TensorFlow: tf.Keras (Part 1)，这两个视频中介绍了Keras的基本实现原理和每个类的自定义方法。 头文件： import tensorflow as tf import tensorflow.experimental.numpy as

Inside TensorFlow - tf.Keras 笔记 检查是否使用gpu tf.test.is_gpu_available() tf.test.is_built_with_cuda() 使VScode能够识别keras中的函数，在.\Anaconda3\envs\你的环境名\Lib\site-packages\tensorflow\__init__.py中的末尾加入以下代码即可（参

tf.function 参考： YouTube - tf.function and Autograph (TF Dev Summit ‘19) tensorflow.org - tf.function CSDN【Tensorflow教程笔记】常用模块 tf.function ：图执行模式 import tensorflow as tf tf.function修饰的函数会将其中

Jax, Flax, Optax 中的常用API 下述代码测试环境CPU: R7-4800U，无GPU Jax jax.jit jax.jit(func, static_argnums=None, static_argnames=None) -> jit_func 用于对入参数类型为矩阵的纯函数 func 进行编译返回包装后的函数 jit_func，其中 static_argnum