深度学习之三：深度强化学习（DQN-Deep Q Network）之应用-Flappy Bird

【实例简介】数据转换与基本语法实例

python爬虫爬取微博热搜

《python可以这样学》讲义.pdf

招投标管理系统—python django sqlite3 环境下开发，作者本人开发，现在拿出来共同学习。 前台用户：test    123456 后台用户：admin 8ik,9ol.

12306春运抢票

目录1.应用场景2.卷积神经网络结构  2.1 卷积（convelution）  2.2 Relu激活函数  2.3 池化（pool）  2.4 全连接（full connection）  2.5 损失函数（softmax_loss）  2.6 前向传播（forward propagation）  2.7 反向传播（backford propagation）  2.8 随机梯度下降（sgd_momentum）3.代码实现流程图以及介绍4.代码实现（python3.6）5.运行结果以及分析6.参考文献

手势识别，从获取样本到训练测试都有代码 需要keras，opencv，tensorflow等库

【实例简介】python 数据结构与分析

通过Python给Shape文件添加字段，需要ArcGIS 10.0 以上版本支持

LSTM入门学习，正弦波序列预测         for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):             h_t, c_t = self.lstm1(input_t, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         for i in range(future):  # if we should predict the future             h_t, c_t = self.lstm1(output, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         outputs = torch.stack(outputs, 1).squeeze(2)  # shape after stack:[batch, n, 1], shape after squeeze: [batch,n]         return outputs