其他

1、準確率與召回率（Precision & Recall） 準確率和召回率是廣泛用於資訊檢索和統計學分類領域的兩個度量值，用來評價結果的品質。其中精度是檢索出相關文檔數與檢索出的文檔總數的比率，衡量的是檢索系統的查准率；召回率是指檢索出的相關文檔數和文件庫中所有的相關文檔數的比率，衡量的是檢索系統的查全率。 一般來說，Precision就是檢索出來的條目（比如：文檔、網頁等）有多少是準確的，Recall就是所有準確的條目有多少被檢索出來了。 正確率、召回率和 F

一、負載平衡配置實現 1、反向 Proxy 2、實現代理（192.168.1.161代理到192.168.1.62） worker_processes 1;events{ worker_connections 1024;}http{ include mine.types; default_type application/octet-stream; senfile on; keepalive_timeout 65; server{

一、簡介 在很多機器學習和深度學習的應用中，我們發現用的最多的最佳化器是Adam，為什麼呢。 下面是 TensorFlow 中的最佳化器： 詳情參見：https://www.tensorflow.org/api_guides/python/train 在keras中也有SGD，RMSprop，Adagrad，Adadelta，Adam等，詳情：https://keras.io/optimizers/ 我們可以發現除了常見的梯度下降，還有 Adadelta，Adagrad，

一、Tensorflow交叉熵函數：cross_entropy 以下交叉熵計算函數輸入中的logits都不是softmax或sigmoid的輸出，因為它在函數內部進行了sigmoid或softmax操作 1、tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None) _sentinel:本質上是不用的參數，不用填

簡介 文本分類方法大部分使用基於模型的分類，基本上可以分為兩大類：1）基於規則的分類方法，採用為類別集合的每個類別確定分類規則，然後根據類別模板統計待分類文本，確定該文本所屬類別。基於規則的文本分類方法主要有：決策樹、關聯規則和粗糙集等；2）基於統計的分類方法，使用分類模型自動根據訓練集中的資訊自動學習，從而構造出文本特徵和類別之間的對應關聯式模式，利用訓練好的模型對待分類文本進行分類。基於統計的文本分類方法主要有：樸素貝葉斯、支援向量機、K均值等。

1報錯位置：.tf.scalar_summary(‘batch_loss’, loss)AttributeError: ‘module’ object has no attribute ‘scalar_summary’修改為：tf.summary.scalar(‘batch_loss’, loss)原因：新版本做了調整 2.AttributeError: ‘module’ object has no attribute

這幾天分別基於tensorflow0.11和1.0版本測試，記錄下兩個版本不同的API， 參考：http://blog.csdn.NET/edwards_june/article/details/65652385 前4個是 V0.11 的API 用在 V1.0 的錯誤 1. AttributeError: ‘module’ object has no attribute ‘merge_all_summaries’ tf.merge_all_summaries()

#!/bin/bash# -*-coding=utf-8-*-import reimport osimport sysimport numpy as npimport tensorflow as tf''' 程式產生了一些三維資料, 然後用一個平面擬合它.'''if __name__ == '__main__': x_data = np.float32(np.random.rand(2, 100)) y_data = np.dot([0.100, 0.200], x_data)

1.取消Hive壓縮 SET hive.exec.compress.output=false; SET mapred.output.compress=false; SET mapreduce.output.fileoutputformat.compress=false; 2.Hive動態分區 SET hive.exec.dynamic.partition=true; SET hive.exec.dynamic.partition.mode=nonstrict; SET

一. 機器學習的工作方式 ①選擇資料：將你的資料分成三組：訓練資料、驗證資料和測試資料 ②模型資料：使用訓練資料來構建使用相關特徵的模型 ③驗證模型：使用你的驗證資料接入你的模型 ④測試模型：使用你的測試資料檢查被驗證的模型的表現 ⑤使用模型：使用完全訓練好的模型在新資料上做預測 ⑥調優模型：使用更多資料、不同的特徵或調整過的參數來提升演算法的效能表現 二. 五大流派 ①符號主義：使用符號、規則和邏輯來表徵知識和進行邏輯推理，最喜歡的演算法是：規則和決策樹 ②

1、線性迴歸的主要思想就是通過曆史資料擬合出一條直線，用這條直線對新的資料進行預測。（例如：位於線性函數兩邊的分別為A.B類） 2、現實世界中的影響因素很多，因此我們需要使用多元線性函數來描述一個事件（結果） 3、多元線性函數：研究二分類觀察結果y與一些影響因素（x1,x2,x3,…,xn）之間關係的一種多變數分析方法，例如醫學中根據病人的一些癥狀來判斷它是否患有某種病。 4、多元線性迴歸公式： 5、sigmoid函數： 將多元線性函數z帶入到sigmoid函數中，

如果說卷積神經網路是昔日影帝的話，那麼產生對抗已然成為深度學習研究領域中一顆新晉的耀眼新星，它將徹底地改變我們認知世界的方式。對抗學習訓練為指導人工智慧完成複雜任務提供了一個全新的思路，產生對抗圖片能夠非常輕鬆的愚弄之前訓練好的分類器，因此如何利用產生對抗圖片提高系統的魯棒性是一個很有研究的熱點問題。

卷積神經網路(Convolutional Neural Network, CNN)是一種前饋神經網路, 在電腦視覺等領域被廣泛應用. 本文將簡單介紹其原理並分析Tensorflow官方提供的樣本. 一、工作原理 卷積是影像處理中一種基本方法. 卷積核是一個nxn的矩陣通常n取奇數, 這樣矩陣就有了中心點和半徑的概念. 對映像中每個點取以其為中心的n階方陣, 將該方陣與卷積核中對應位置的值相乘, 並用它們的和作為結果矩陣中對應點的值. 下面的動圖展示了卷積的計算過程:

http請求出現406錯誤 ## 一般出現406錯誤有兩種可能： 1、查看Jackson包是否存在。 spring MVC預設依賴Jackson包 2、如果尾碼是html是不能響應json資料的。需要修改尾碼名。 在做偽靜態化過程中，以.html結尾的尾碼，做post請求時，不能響應json格式，這是spring官方做出的處理 可以加一個尾碼改為.action 這樣就能訪問成功了! 祝你好運!

    昨天在編寫一個程式的時候，使用@ResponseBody，以此返回一個json格式的資料，後來發現前台一直報406錯誤，上網找了很久，有的是配置   <mvc:annotation-driven><mvc:message-converters><bean id="fastJsonHttpMessageConverter"

錯誤資訊： org.springframework.beans.factory.xml.XmlBeanDefinitionStoreException: Line 23 in XML document from class path resource [applicationContext.xml] is invalid; nested exception is org.xml.sax.SAXParseException; lineNumber: 23; columnNumber:

Bug解決方案： org.xml.sax.SAXParseException; lineNumber: 1; columnNumber: 8; 不允許有匹配 "[xX][mM][lL]" 的處理指示目標 問題解析：遇到這樣的bug是因為xml檔案第一句出錯。 解決方案： 1、確保xml的第一句<?xml version="1.0" encoding="UTF-8"?>之前沒有空格。 2、複製網上的xml檔案的時候，建議這一句<?xml

錯誤提示： log4j:WARN No appenders could be found for logger (org.springframework.context.support.ClassPathXmlApplicationContext). log4j:WARN Please initialize the log4j system properly. Exception in thread "main"

最近發現很多人和我一樣遇到如下問題 CXF整合spring 報      Caused by: org.xml.sax.SAXParseException; lineNumber: 21; columnNumber: 66; cvc-complex-type.2.4.c: 萬用字元的匹配很全面,  但無法找到元素 'jaxws:endpoint' 的聲明。 原因和解決辦法：       http://cxf.apache.

情境：Spring，使用IoC註解，將相依性屬性注入。 看Log： org.springframework.beans.factory.xml.XmlBeanDefinitionStoreException: Line 2 in XML document from class path resource [applicationContext.xml] is invalid; nested exception is org.xml.sax.SAXParseException;