注册仅需三大步骤

• 

  核名设立

• 

• 

  提交材料

• 

• 

  领取营业执照

高级顾问为您把关，用户持续增长中...

所以选择很重要

¥ 0.00元注册费

找其他代办公司：¥500-1500元

免费热线

400-000-8888

专业客服高响应机制随时为您服务

真正极简 快捷流程

综合化管理 只需三步 完成注册

• 1-2工作日

  核名

• 3-5工作日

  提交文件

• 3-5工作日

  领取营业执照

• 1-3工作日

  刻章/银行开户

选择我们 一劳永逸

省钱/省心/省时/省事

我们的优势

实力说明一切

只需一个电话

400-000-8888

金杯银杯不如客户口碑

新闻动态

• 智能优化算法_6
• 智能优化算法：冠状病毒群体免疫优化算法文章目录智能优化算法：冠状病毒群体免疫优化算法1.算法原理2.算法结果3.参考文献4.Matlab摘要：冠状病毒群体免疫优化算法是于2020年提出的一种新型智能优化算法。1.算法原理冠状病毒群免疫优化算法(CHIO)灵感来源于应对冠状病毒大流行(2019冠状病毒疾病)的群体免疫概念。传播冠状病毒的速度取决于感染者如何与其他社会成员直接接触。为了保护社会其他成员免受这种疾病的侵害，健康专家建议社会疏远。群体免疫是当大多数群体具有免疫力时，群体达到的一种状态，这种状
  2024-09-09
• 百度AI创作城市行·武汉站火热收官，江城注入数智新动能
• 9月23日，“百度AI创作城市行——人人都可参与的百家号创作之旅”在泛悦汇·昙华林火热开启。“AI创作城市行”是百度APP、百家号、百度营销、百捷百度营销（湖北）服务中心联合开展。本次武汉站活动围绕新型垂类社交关系——“搭子文化”和武汉江湖特色，用想象力寻找城市搭子，开始城市GAPDAY之旅。通过街区派对、线下打卡等互动活动，聚合了本地新媒体力量，赋能创作者利用AIGC创作工具传播武汉文旅，打造城市名片，吸引各类消费群体更多元地了解、喜爱武汉。

  

  据悉，"AI 创作城市行" 是百度内容生态打造的全新城市系列 IP 活动。作为AI领域的先行者，今年百度发布了基于文心大模型打造的AI创作工具六大件，通过“AI笔记、AI成片、AI作画、AI BOT、AI写作、AI数字人”，一键提效多体裁创作，其中百度AI笔记功能可辅助创作者进行图文笔记创作，并根据好物推荐、旅游出行、知识科普、美食分享、等不同场景进行文案AI创作。这一新“神器”将帮助用户通过智能写作，兼顾产能和质量的同时，进一步降低创作门槛，打破曾经高不可攀的内容创作壁垒，激活每一位用户的原创动力。让人们进一步体验到AI的先进性和趣味性，也激发了用户新一波的创作热潮。

  

  近年来，“搭子”逐渐成为了一种互联网新型垂直社交关系，和趣味相投的人结成最小单位的共同体，搭子们主打的就是“陪伴感”。饭搭子、奶茶搭子、旅行搭子、健身搭子……只有想不到，没有“搭”不到。百度app及百家号上图文及视频内容的不断产出，已覆盖文旅、生活、教育、历史文化、吃喝玩乐等本地生活，全方位展现了城市之美，为百度武汉用户提供了更多更优质的内容笔记，加之AIGC的强力助阵，以科技让生活更简单，让创作更高效。本次活动通过智能化、年轻化、趣味化的互动方式与武汉百家号创作者、消费者们产生链接。

  

  说到武汉的文艺范地标，有一个地方一定绕不开，当浪漫古典与智能科技碰撞在精致文艺的泛悦汇·昙华林，武汉的烟火气、时尚潮、人情味也开始释放。本次“百度AI创作城市行”快闪生活街，共搭建 “超AI饮这口”、“AI答就对啦”、“有AI才合拍”、“AI到舌头抖三抖”、“AI玩留影机” 5个快闪互动区域。参与者按照地图中的指示打卡，完成任务后即可获得印章和丰厚礼品，不仅如此，活动还设置了隐藏福利，参与者可获得限量认证。 活动当天，各式搭子齐聚，开启了一场城市创作的狂欢。街区特色、礼品精致、人头攒动，仿若步入AI主题的大型游乐场，吸引了无数游客前来体验。

  

  记者发现，在琳琅满目的集市中，“AI笔记”摊位吸引了不少游客驻足体验。据了解，百度APP“AI笔记”仅通过一个关键词，就能生成一段文字，现场游客纷纷利用该功能在#江湖搭子蛮AI玩#的百家号题中分享活动花絮和各种“搭子”感触，AI在创作层面的神奇应用在此处得到了充分展现，也为武汉这座英雄的城市赋予了更多发展灵感。

  

  

  “AI创作城市行”活动通过时下火热的“搭子文化”结合百度AI大数据，给参与者带来全新体验。未来，百捷百度湖北营销中心将携搜索流量入口优势，借助百度APP城市焕新计划，以市集快闪、互动创作等多形式、多层面的互动方式多渠道触达用户，引导用户发布本地生活内容的基础上，深度挖掘城市之美，助力城市打造更多特色名片。

  
  

  责编：ZB

  2024-09-09
• 抖音极速版老旧版本大全2023
• 简介：抖音极速版老旧版本大全覆盖了抖音极速版26.1.0、抖音极速版26.0.0、抖音极速版25.9.0、抖音极速版25.8.0、抖音极速版25.6.0、抖音极速版25.5.0、抖音极速版25.3.0、抖音极速版24.9.0、抖音极速版24.8.0、抖音极速版24.6.0、抖音极速版24.4.0等历史老旧版本的安装包，如果你手机配置不是太高，不能使用最新版的抖音极速版app，可以试试小编整理的抖音极速版旧版，安装包体积更小，没有多余的功能，刷视频更加方便。后续小编会持续更新关于抖音极速版的老旧版本，感兴趣的用户可以关注本页面哦！
  2024-09-09
• 原神第一次遇到钟离的地方 原神周年20问答案
• 原神第一次遇到钟离的地方？今天原神开启了原神周年20问活动，玩家可以通过回答问题获取奖励。那么第一次遇到钟离的地方是哪里呢？下面快跟随游侠小编一起来看看这个问题吧！

  

  >>原神20问答案汇总<<

  问题：

  旅行者第一次遇见钟离的地点是？

  硫璃亭

  往生堂

  王京台

  万民堂

  答案：硫璃亭

  提示：

  1.玩家角色冒险等阶≥10级，方可激活道具礼包，且每个UID限领1次；

  2.兑换码有效期截止至2021年10月12日23:59，请在有效期内进行兑换。

  

  以上就是就是游侠小编为大家带来的原神下列哪一条不是可莉的生存法则答案分享，小伙伴们知道了吗？还想了解更多关于原神20问的内容那就请继续关注游侠手游吧！

  原神手游
  七圣召唤攻略	赛诺激绽队	迪希雅配队
  星螺收集	石珀收集	wiki百科
  鬼兜虫收集	血斛收集	抽卡模拟器
  沙脂蛹收集	卡利贝尔秘境	未知圣所秘境
  新增角色
  白术	卡维	艾尔海森
  瑶瑶	流浪者	珐露珊
  莱依拉	纳西妲	赛诺

  更多相关资讯攻略请关注：原神专题

  2024-09-09
• PyTorch学习之十种优化函数
• 优化函数位于torch.optim包下，

  torch.optim.Optimizer(params, defaults)

  params (iterable) —— Variable 或者 dict的iterable。指定了什么参数应当被优化。
  defaults —— (dict)：包含了优化选项默认值的字典（一个参数组没有指定的参数选项将会使用默认值）。

  方法

  load_state_dict(state_dict)：加载optimizer状态。
  state_dict()：以dict返回optimizer的状态。包含两项：state - 一个保存了当前优化状态的dict，param_groups - 一个包含了全部参数组的dict。
  add_param_group(param_group)-给 optimizer 管理的参数组中增加一组参数，可为该组参数定制 lr,momentum, weight_decay 等，在 finetune 中常用。
  step(closure) ：进行单次优化 (参数更新)。
  zero_grad() ：清空所有被优化过的Variable的梯度。

  3-1 随机梯度下降算法 SGD算法

  SGD就是每一次迭代计算mini-batch的梯度，然后对参数进行更新，是最常见的优化方法了。即：
  
  其中，$\eta$是学习率，$g_t$是梯度

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float) – 学习率
  momentum (float, 可选) – 动量因子（默认：0）
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认：0）
  dampening (float, 可选) – 动量的抑制因子（默认：0）
  nesterov (bool, 可选) – 使用Nesterov动量（默认：False）

  可实现 SGD 优化算法，带动量 SGD 优化算法，带 NAG(Nesterov accelerated
  gradient)动量 SGD 优化算法,并且均可拥有 weight_decay 项。

  优缺点：
  SGD完全依赖于当前batch的梯度，所以ηη可理解为允许当前batch的梯度多大程度影响参数更新。对所有的参数更新使用同样的learning rate，选择合适的learning rate比较困难，容易收敛到局部最优。

  3-2 平均随机梯度下降算法 ASGD算法

  ASGD 就是用空间换时间的一种 SGD。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认：1e-2）
  lambd (float, 可选) – 衰减项（默认：1e-4）
  alpha (float, 可选) – eta更新的指数（默认：0.75）
  t0 (float, 可选) – 指明在哪一次开始平均化（默认：1e6）
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

  3-3 Adagrad算法

  AdaGrad算法就是将每一个参数的每一次迭代的梯度取平方累加后在开方，用全局学习率除以这个数，作为学习率的动态更新。
  
  其中，$r$为梯度累积变量，$r$的初始值为0。$\epsilon$为全局学习率，需要自己设置。$\delta$为小常数，为了数值稳定大约设置为$10^{?7}$。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认: 1e-2）
  lr_decay (float, 可选) – 学习率衰减（默认: 0）
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

  优缺点：
  Adagrad 是一种自适应优化方法，是自适应的为各个参数分配不同的学习率。这个学习率的变化，会受到梯度的大小和迭代次数的影响。梯度越大，学习率越小；梯度越小，学习率越大。缺点是训练后期，学习率过小，因为 Adagrad 累加之前所有的梯度平方作为分母。随着算法不断迭代，r会越来越大，整体的学习率会越来越小。所以，一般来说AdaGrad算法一开始是激励收敛，到了后面就慢慢变成惩罚收敛，速度越来越慢。

  3-4 自适应学习率调整 Adadelta算法

  Adadelta是对Adagrad的扩展，但是进行了计算上的简化。
  Adagrad会累加之前所有的梯度平方，而Adadelta只累加固定大小的项，并且也不直接存储这些项，仅仅是近似计算对应的平均值。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  rho (float, 可选) – 用于计算平方梯度的运行平均值的系数（默认：0.9）
  eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-6）
  lr (float, 可选) – 在delta被应用到参数更新之前对它缩放的系数（默认：1.0）
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

  优缺点：
  Adadelta已经不依赖于全局学习率。训练初中期，加速效果不错，很快，训练后期，反复在局部最小值附近抖动。

  3-5 RMSprop算法

  RMSprop 和 Adadelta 一样，也是对 Adagrad 的一种改进。 RMSprop 采用均方根作为分
  母，可缓解 Adagrad 学习率下降较快的问题， 并且引入均方根，可以减少摆动。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认：1e-2）
  momentum (float, 可选) – 动量因子（默认：0）
  alpha (float, 可选) – 平滑常数（默认：0.99）
  eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
  centered (bool, 可选) – 如果为True，计算中心化的RMSProp，并且用它的方差预测值对梯度进行归一化
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

  3-6 自适应矩估计 Adam算法

  

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认：1e-3）
  betas (Tuple[float, float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数（默认：0.9，0.999）
  eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

  优缺点：
  Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。
  Adam结合了Adagrad善于处理稀疏梯度和RMSprop善于处理非平稳目标的优点。

  3-7 Adamax算法（Adamd的无穷范数变种）

  Adamax 是对 Adam 增加了一个学习率上限的概念，所以也称之
  为 Adamax。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认：2e-3）
  betas (Tuple[float, float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数
  eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
  weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）

  优缺点：
  Adamax是Adam的一种变体，此方法对学习率的上限提供了一个更简单的范围。
  Adamax学习率的边界范围更简单。

  3-8 SparseAdam算法

  针对稀疏张量的一种“阉割版”Adam 优化方法。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认：2e-3）
  betas (Tuple[float, float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数
  eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）

  3-9 L-BFGS算法

  L-BFGS 属于拟牛顿算法。 L-BFGS 是对 BFGS 的改进，特点就是节省内存。

  lr (float) – 学习率（默认：1）
  max_iter (int) – 每一步优化的最大迭代次数（默认：20）)
  max_eval (int) – 每一步优化的最大函数评价次数（默认：max * 1.25）
  tolerance_grad (float) – 一阶最优的终止容忍度（默认：1e-5）
  tolerance_change (float) – 在函数值/参数变化量上的终止容忍度（默认：1e-9）
  history_size (int) – 更新历史的大小（默认：100）

  3-10 弹性反向传播算法 Rprop算法

  该优化方法适用于 full-batch，不适用于 mini-batch。不推荐。

  params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
  lr (float, 可选) – 学习率（默认：1e-2）
  etas (Tuple[float, float], 可选) – 一对（etaminus，etaplis）, 它们分别是乘法的增加和减小的因子（默认：0.5，1.2）
  step_sizes (Tuple[float, float], 可选) – 允许的一对最小和最大的步长（默认：1e-6，50）

  优缺点：
  该优化方法适用于 full-batch，不适用于 mini-batch。不推荐。

  参考资料：
  1 【AI初识境】为了围剿SGD大家这些年想过的那十几招(从momentum到Adabound)

  2024-09-09

我们的合作伙伴

数百家优秀企业已经选择了我们

您可能还需要的服务

一站式服务 意在满足您的各项需求

• 

  申请一般纳税人

• 

  汇算清缴报告

我们做的不是代办 而是对行业的改变

• 

  财务之家拥有具有客户第一意识和协同精神的专业代理 人团队；公司核名成功率远远高于行业平均水平。

• 

  注册经验领先，长期与国内多家知名的会计事务所、税 务事务所保持着战略合作伙伴关系。

• 

  所有名字当天查询，当天核准申请；提供一对一的顾问 定制服务。

400-000-8888