前面无监督学习主要针对的是一种“降维”的学习任务，将数据降维到另一个能够表达数据含义的某种空间中，本节主要是无监督学习中的另一个任务——生成进行介绍。

生成模型

0. 前言

在数字人文与历史研究领域，浩如烟海的古籍文献是宝贵的文化遗产。然而，如何让计算机自动“读懂”这些布局复杂、版式多变的古籍，精确地识别出其中的标题、段落、注释、插图等元素，一直以来都是一个巨大的挑战。传统的深度学习方法(如

本文在前节程序基础上，实现对CIFAR-10的训练与测试，以加深对LeNet-5网络的理解 。

首先，要了解并不适合训练，最后的正确率不会太理想。首先，要了解LeNet-5并不适合训练CIFAR-10，最后的正确率不会太理想。

1 算法思想

卷积神经网络通过所设计的卷积核与图像进行卷积操作，提取图像中的某些特征。通过卷积网络层数的加深，提取的特征从局部到整体，从而对物体进行识别。

随着卷积神经网络（Convolutional Neural Networks,CNNs）技术的发展，图像识别技术已经成为计算机视觉领域的发展方向。其中，图像分割，即通过对图像进行分割，将图像中的物体识别出来，为图像识别提供了重要技术支撑。目前，PyTorch框架已经成为应用于图像识别领域的技术基础，它为开发者提供了动态图计算能力，使得许多现有的深度学习模型可以用于图像识别。其中，PyTorch图像分割技术就是利用PyTorch框架构建CNN模型，实现图像分割的应用程序。

一、什么是感受野？

1、生物学的感受野

万物能见于人，依靠的是人类的视觉系统，其中视网膜起到了关键作用，在视网膜上有许多光感受器细胞，这些光感受器把光信号转换为神经信号（电脉冲），从而刺激大脑皮层中与视觉相关的特定神经细胞，从而在人脑中显现出万物的影像。我们把所有刺激了某一特定神经细胞的光感受器称为该特定神经细胞的感受野(receptive field)。

2、卷积神经网络的感受野

在本文中，我们将深入研究超参数优化。

为了方便起见本文将使用 Tensorflow 中包含的 Fashion MNIST[1] 数据集。该数据集在训练集中包含 60,000 张灰度图像，在测试集中包含 10,000 张图像。 每张图片代表属于 10 个类别之一的单品（“T 恤/上衣”、“裤子”、“套头衫”等）。 因此这是一个多类分类问题。

这里简单介绍准备数据集的步骤，因为本文的主要内容是超参数的优化，所以这部分只是简单介绍流程，一般情况下，流程如下：

大家好，我是谦！

作为一名开发者，你是否曾经历过这样的噩梦：生产环境出现性能问题，你不得不下载几百MB的MyBatis日志文件，然后在成千上万行日志中手动搜索慢SQL？就像大海捞针一样，既耗时又容易出错。更糟糕的是，不同项目的日志格式还不统一，每次分析都得重新适应。

今天，我要向大家推荐一个彻底解决这一痛点的开源项目——MyBatis日志分析系统

1. 背景

深入理解NIO多路复用，了解到内核态通过事件通知+中断检测socket事件，用户态可以使用1个线程处理所有socket请求，时间复杂度为O(1)。看上去该IO方案已经很完美了，但是当连接数越来越多时，且活跃的连接越来越多时，比如10w+，单线程处理可能会很吃力。而Netty可以设置线程池处理socket事件，从而分摊单线程压力；同时，Netty框架封装了通用逻辑，大大方便了业务开发。本文将会分析Netty线程池调用关系，即reactor模型，直接了解Netty最核心的设计思想；同时还会优化下NIO Server代码，实现一个最简单的Netty服务端Demo；最后介绍下Netty常见问题。