Byer

注意事项： IP地址、默认网关不需要严格按照文档配置，满足 192.XXX.XX.XX 即可（C类）。 创建VLAN后的命名为可选项，不是必要步骤。 1. 实验目的 熟悉CISCO Packet Tracer软件功能。 掌握二层与三层交换机配置原理并创建子网。 掌握网络设备命令行方式及对响应信息的正确解读。 按实验要求构造符合要求的实验网络，实现VLAN的划分及VLAN间的通信。 2. 实验器材 PC一台 Cisco Packet Tracer 软件 3. 网络拓扑与规划 3.1. 网络设备： 4台PC (PC0, PC1, PC2, PC3) 1台二层交换机 (2960系列，命名为 SW1) 1台三层交换机 (3560或3650系列，命名为 SW0) 3.2. 连接方式： PC0 -> SW1 (FastEthernet0/1) PC2 -> SW1 (FastEthernet0/3) PC1 -> SW1 (FastEthernet0/2) PC3 -> SW1 (FastEthernet0/4) SW1...

最近学习了反向传播算法，在此记录一下实验过程。 理论 什么是反向传播 反向传播的“反向”与神经网络前向传播相对应，前向传播是从输入层到输出层的过程，反向传播是从输出层到输入层的过程。 我们知道，神经网络前向传播是将 输入(input layer) 通过一系列的 加权求和(z=wx+b) 和 非线性变换(激活函数) 得到 输出(output layer) ，而这个过程中的 权重(weight) 和 偏置(biase) 是需要通过学习得来的。在最初的阶段，这两个参数都只是随机的初始化值，而通过利用 训练集标签(label) 与 用初始值预测的结果 之间的 差异(Loss) ，调整 权重和偏置，使其未来预测的正确率变得更高 的过程，便被称为反向传播，这也是反向传播的意义所在。 反向传播的数学原理 反向传播算法以微积分中的链式法则为基础，其核心在于计算损失函数关于各权重和偏置的梯度，进而更新这些参数，使神经网络的预测更接近真实值。 假设我们有一个多层神经网络，其损失函数为 LLL，用于衡量网络预测值与真实标签的差异。第 lll 层的权重矩阵记为 WlW^{l}Wl，偏置向量记为...

该文章主要汇集hexo操作指南及相关说明文档 创建新文章并发布 创建新的帖子 1$ hexo new "My New Post" More info: Writing 本地查看 1$ hexo server More info: Server 提交，类似于git add . 1$ hexo generate More info: Generating 部署，类似于git commit 1$ hexo deploy More info: Deployment Hexo官方说明文档: https://hexo.io/zh-cn/docs butterfly博客网站: https://butterfly.js.org

First Try 第一次尝试建立博客，感觉还算简单的，买个域名，套个vercel的服务器就能用。 反正是在vscode本地编辑的，还可以上传到github上，应该不用担心数据备份问题，大不了用U盘拷一下。 这种个人博客，说实话也就我自己会看，真的会有其他人访问吗？ 后续计划 目前正在学习CS的专业课，包括机器学习、计网、操作系统啥的，或许我会发一些机器学习相关的学习笔记，以及一些项目、科研的记录。 下面是博客的初始页面，截个图记录一下： 第一次尝试，还挺有意思的，希望能坚持下去。