想脫魯不想脫宅

## 解決Parallels Tools無法安裝在Ubuntu 18.04、ElementaryOS-5.0 以及其他核心版本大於4.15的Linux之問題 解決Parallels Tools無法安裝在Ubuntu 18.04、ElementaryOS-5.0 以及其他核心版本大於4.15的Linux之問題 問題描述： 在parallels desktop 12中安裝elementaryos-5.0後，無法安裝parallels_tools 發生問題過程： 前置parallels_tools安裝流程 1.掛載parallels_tools映像檔 2.執行./install 3.執行./install失敗 在查看錯誤log和網上爬文後，發現執行失敗原因是在Kernel version >= 4.15 時parallels_tools安裝會有 問題。 解決步驟： 需要修改parallels_tools映像檔內的三個文件後重新安裝 複製parallels_tools映像檔內的內容到新目錄，例： xxxxxxxxxx mkdir ~/Desktop/parallels_fixed cd ~/Desktop/parallels_fixed 解壓縮 parallels_fixed/kmods/prl_mod.tar.gz並刪掉（之後要重包） tar -xzf prl_mod.tar.gz rm prl_mod.tar.gz 文件一 parallels_fixed/kmods/prl_eth/pvmnet/pvmnet.c ​ 修改line 438 MODULE_LICENSE ( "Parallels" ); 改成 MODULE_LICENSE ( "GPL" ); ​ 保存 文件二 parallels_fixed/kmods/prl_tg/Toolgate/Guest/Linux/prl_tg/prltg.c 修改line 1535 MODULE_LICENSE ( "Parallels" ); ​ 改成以下code後保存 MODULE_LICENSE ( "GPL" ); 文件三

多層感知機實作練習 R版本-使用鳶尾花數據訓練 ___________________________________________________________ 問題：如何有效分類鳶尾花 方法：使用多層感知機訓練模型，透過梯度下降修正減少錯誤率 實作流程： 1. 鳶尾花數據有setosa, versicolor, virginica三類，欲訓練的類設輸出為1, 其他類為0，並各先取二類進行訓練 2. 將數據（*1）輸入前兩個感知機分別與w1~w8相乘並加上偏權值，加總後過活化函式Sigmoid（*2），得到二輸入層輸出 3. 將前二輸出分別與w9,w10相乘並加上偏權值，加總後一樣過Sigmoid，得到結果輸出Output 4. 將Output-期望輸出可以得到錯誤率，透過梯度下降回頭修正權重 新權重＝舊權重＋學習速率*(錯誤率)*output*(1-output)*input 5. 重複以上步驟，將錯誤率壓低（*3） 6. 將訓練好的模組拿來驗證（*4） 遇到困難： 因versicolor和virginica類相似度高，此二類相互訓練時較難收斂且誤差率較與setosa類訓練時高（*5此圖來自網路） 將學習速率降為0.1，可在10000次左右時開始收斂，但還是會有誤差 以下為拿versicolor和virginica進行訓練的結果 可以看到setosa類不會出錯，但versicolor和virginica雖然分開但有部分誤差 程式碼 https://github.com/ShangHong-CAI/AI-Tutorial-Multilayer-Perceptron/blob/master/r/MuitPerceptron(iris).R 附註： ＊1: 輸入Sepal.Length,Sepal.Width,Petal.Length,Petal.Width當作運算資料,而類別 Species則當成期望輸出用來修正模型 ＊2: Sigmoid函式可以將輸出壓進0~1之間 ＊3