Mal

Leer más » 1 Comentario

WordPress 4.3 Beta 3 añade Icono de Función de Sitio al Personalizador

Traducido del artículo: “WordPress 4.3 Beta 3 Adds Site Icon Feature to the Cuestomizer” de:

Sarah Gooding 16 de julio de 2015

WordPress 4.3 beta 3 fue lanzado esta semana justo a tiempo, y se espera que la beta 4 llegue el próximo miércoles. Esta versión incluye más de 140 correcciones y mejoras desde la beta de la semana pasada.
Uno de los cambios más importantes que usted notará es que el icono del sitio ya está disponible en el personalizador además de su punto, bajo General> Configuración. El nuevo panel se llama Sitio de Identidad e incluye el título del sitio, lema, y ​​los iconos de los controles de carga. read more

Leer más » Comentar

Lo mejor de mi timeline del 13 al 19 de septiembre

Insistamos, aún hay quién no conoce bien las diferencias entre WordPress.com o WordPress.org y Blogger. Ya hablamos en profundidad sobre ello en el curso de WordPress de Codection, ahora os lo refrescamos en este timeline semanal:

Cómo insertar un campo en la página de pago de WooCommerce. Fácil: read more

Leer más » Comentar

Proper Lite: un tema WordPress libre y flexible para creativos

Traducido del artículo: “A Free and Flexible WordPress for Creatives” de:

Sarah Gooding, julio 15 de 2015

En noviembre pasado, ModernThemes lanzó oficialmente su sitio de temas libres en WordPress y ha estado agregando poco a poco a su colección alojada en WordPress.org. Los fundadores Robbie Grabowski y Mike Driscoll lanzaron el sitio con el compromiso de producir temas que soportaran el personalizador nativo y mantuvieran funcionalidad plugin separada, mientras seguían siendo “plugin-friendly” (plugin amigable).
Proper Lite es última versión ModernThemes , creado para ser totalmente compatible con su nueva biblioteca de plugins gratuitos que añaden funcionalidades como códigos cortos, widgets, barras laterales, servicios, testimonios, proyectos, etc.
Las realizaciones de temas, tiene una sección de la página principal héroe de pantalla completa con múltiples controles para personalizar el fondo, texto y botones. read more

Leer más » Comentar

Importante

Leer más » 1 Comentario

Curso breve de aprendizaje supervisado con Theano en Linux Hispano

El aprendizaje supervisado es la tarea de aprendizaje de una máquina para inferir una función a partir de datos de entrenamiento etiquetados.

Theano es una librería que te permite definir, optimizar y evaluar expresiones matemáticas de manera eficiente. Al estar basado en Python, resulta una herramienta muy útil y fácil de usar para el desarrollo de modelos mediante aprendizaje supervisado, entre otras muchas más cosas.

Desde Linux Hispano, te presentamos un breve curso donde aprenderás a crear una regresión lineal, una regresión logística y varias redes neuronales artificales. read more

Leer más » Comentar

Finlandia

Leer más » 1 Comentario

BuddyBoss expande en el Mercado LMS con BuddyPress Plugins Gratuito para LearnDash y Sensei

Traducido del artículo: “BuddyBoss Expands Into LMS Market with Free BuddyPress Plugins for LearnDash and Sensei” de:

Sarah Gooding, julio 14 de 2015

En mayo, Michael Eisenwasser fundador de BuddyBoss compartió con los lectores de Tavern los desafíos de crear un negocio rentable en lo que es todavía un relativamente pequeño mercado para los temas y plugins BuddyPress. Los desarrolladores están construyendo nicho de redes sociales cada día, pero la oferta BuddyPress como una plataforma depende de la disponibilidad de complementos de terceras partes convincentes y fiables.
En los últimos dos meses, BuddyBoss se ha diversificado en servir al mercado LMS con plugins gratuitos BuddyPress integrados para LearnDash y Sensei, dos de las más populares soluciones LMS WordPress. Tanto BuddyPress para LearnDash y BuddyPress para Sensei fueron creados para trabajar con cualquier tema, pero así mismo están garantizados para trabajar de forma integrada con el nuevo tema de Aprendices Sociales de BuddyBoss. read more

Leer más » Comentar

Lo mejor de mi RSS del 31 de agosto al 6 de septiembre de 2015:

No sé por vuestra zona, pero por Andalucía Occidental después del más que caluroso julio que hemos tenido, estas temperaturas que estamos teniendo estos días las estábamos echando de menos. Dicen y yo también digo y compruebo por mí mismo que unos cuantos grados menos favorecen la productividad, mientras no entres ya en la parte “fría” del termómetro, así que nada, espero que estéis teniendo y hayáis tenido una buena vuelta al trabajo y que esté siendo productiva y poco frustrante. read more

Leer más » Comentar

Red neuronal convolucional – Theano

Aquí os dejo con un ejemplo (red_neuronal_convolucional.py) muy sencillo y claro para realizar una red neuronal convolucional.

import theano from theano import tensor as T from theano.sandbox.rng_mrg import MRG_RandomStreams as RandomStreams import numpy as np from Load import mnist from theano.tensor.nnet.conv import conv2d from theano.tensor.signal.downsample import max_pool_2d srng = RandomStreams() def floatX(X): return np.asarray(X, dtype=theano.config.floatX) def init_weights(shape): return theano.shared(floatX(np.random.randn(*shape) * 0.01)) def rectify(X): return T.maximum(X, 0.) def softmax(X): e_x = T.exp(X - X.max(axis=1).dimshuffle(0, 'x')) return e_x / e_x.sum(axis=1).dimshuffle(0, 'x') def dropout(X, p=0.): if p > 0: retain_prob = 1 - p X *= srng.binomial(X.shape, p=retain_prob, dtype=theano.config.floatX) X /= retain_prob return X def RMSprop(cost, params, lr=0.001, rho=0.9, epsilon=1e-6): grads = T.grad(cost=cost, wrt=params) updates = [] for p, g in zip(params, grads): acc = theano.shared(p.get_value() * 0.) acc_new = rho * acc + (1 - rho) * g ** 2 gradient_scaling = T.sqrt(acc_new + epsilon) g = g / gradient_scaling updates.append((acc, acc_new)) updates.append((p, p - lr * g)) return updates def model(X, w, w2, w3, w4, p_drop_conv, p_drop_hidden): l1a = rectify(conv2d(X, w, border_mode='full')) l1 = max_pool_2d(l1a, (2, 2)) l1 = dropout(l1, p_drop_conv) l2a = rectify(conv2d(l1, w2)) l2 = max_pool_2d(l2a, (2, 2)) l2 = dropout(l2, p_drop_conv) l3a = rectify(conv2d(l2, w3)) l3b = max_pool_2d(l3a, (2, 2)) l3 = T.flatten(l3b, outdim=2) l3 = dropout(l3, p_drop_conv) l4 = rectify(T.dot(l3, w4)) l4 = dropout(l4, p_drop_hidden) pyx = softmax(T.dot(l4, w_o)) return l1, l2, l3, l4, pyx trX, teX, trY, teY = mnist(onehot=True) trX = trX.reshape(-1, 1, 28, 28) teX = teX.reshape(-1, 1, 28, 28) X = T.tensor4(dtype='float64') Y = T.matrix() w = init_weights((32, 1, 3, 3)) w2 = init_weights((64, 32, 3, 3)) w3 = init_weights((128, 64, 3, 3)) w4 = init_weights((128 * 3 * 3, 625)) w_o = init_weights((625, 10)) noise_l1, noise_l2, noise_l3, noise_l4, noise_py_x = model(X, w, w2, w3, w4, 0.2, 0.5) l1, l2, l3, l4, py_x = model(X, w, w2, w3, w4, 0., 0.) y_x = T.argmax(py_x, axis=1) cost = T.mean(T.nnet.categorical_crossentropy(noise_py_x, Y)) params = [w, w2, w3, w4, w_o] updates = RMSprop(cost, params, lr=0.001) train = theano.function(inputs=[X, Y], outputs=cost, updates=updates, allow_input_downcast=True) predict = theano.function(inputs=[X], outputs=y_x, allow_input_downcast=True) for i in range(100): for start, end in zip(range(0, len(trX), 128), range(128, len(trX), 128)): cost = train(trX[start:end], trY[start:end]) print(np.mean(np.argmax(teY, axis=1) == predict(teX))) read more

Leer más » 1 Comentario