其他

當時看代碼接觸到這三個量，簡直懵逼。自己理了理思路總結如下。 epoch：一個epoch表示所有訓練樣本運算學習一遍。 iteration/step：表示每運行一個iteration/step，更新一次參數權重，即進行一次學習，每一次更新參數需要batch size個樣本進行運算學習，根據運算結果調整更新一次參數。 batch size：一次參數更新運算所需的樣本數量，深度學習每一次參數更新並不是一個樣本學習運算得來的，而是通過對一組資料進行運算後更新一次參數，具體原因在這。

        在深度學習中，經常要設定以下幾個資料：nEpoch , iteration , batchSIze: batchSize 代表在做隨機梯度下降時，使用批梯度的數量，即每次使用batchSize個資料來更新參數。 1個iteration等於使用batchSize個樣本訓練一次 1個nEpoch等於使用所有樣本訓練一次

　　2016年是中國系統架構師大會第八個年頭，SACC2016（第八屆）中國系統架構師大會以"架構創新之路"為主題，雲集了國內外頂尖專家，共同探討雲端運算和大資料等技術背景下，如何通過架構創新及各種IT新技術來帶動企業轉型增效。

SVM（支援向量機）和softmax的區別在於損失函數的不同，用公式可以描述為： Li=∑j≠yimax(0,sj−syi+Δ) L i = ∑ j ≠ y i m a x ( 0 , s j − s y i + Δ ) 其中 syi s y i 表示真實類別的得分， sj s j 表示其他類別的得分。

合頁損失函數 對於線性支援向量機學習來說，其模型為分離超平面及決策函數， 其學習策略為軟間隔最大化，學習演算法為凸二次規劃。 現行支援向量機學習另一種解釋，就是最小化一下目標函數： 目標函數的第一項是經驗損失或經驗風險， 函數稱為合頁損失函數（hinge loss function）。 下標“+”表示取正值的函數： 定理：線性支援向量機原始最佳化問題： 等價於最佳化問題 合頁損失函數的圖形如下圖，橫軸是函數間隔，縱軸是損失

徐海蛟博士 Teaching. 從 SVM的那幾張圖可以看出來，SVM是一種典型的兩類分類器，即它只回答屬於正類還是負類的問題。而現實中要解決的問題，往往是多類的問題（少部分例外，例如垃圾郵件過濾，就只需要確定“是”還是“不是”垃圾郵件），比如文本分類，比如數字識別。如何由兩類分類器得到多類分類器，就是一個值得研究的問題。

任何一個系統目前都需要人的參與，電商系統需要客戶，企業系統需要僱員，無人值守的系統也需要操作員。 所以在業務對象中，人是一個必要的設計對象，不管是不是核心業務對象 Person表 欄位名 類型 作用 Id 整型 人資料id Name 字元 使用者姓名 Sex 整型 性別 Birthday 日期 出生日期 IDCard 字元 社會安全號碼 Status 整型 資料狀態 CreateTime 長高精度日期 資料建立時間 CreateBy 整型

在叢集裏手動配置每一台伺服器上的程式很明顯是不明智的，勞神費力還可能出差異造成程式不一致。 而且在發生配置改變的時候還需要一一去做修改，更是麻煩 將配置內容的擷取與載入作為一個功能外掛程式內化到程式中，並以訊息監聽器的方式接收佈建服務管理端發來的更改通知，移除舊的配置資料在本地產生的資料檔案，然後載入新的資料檔案，並載入到程式中。 這樣就形成資料的兩處儲存，一處是在服務管理端，一處是在應用程式所在伺服器，為什麼不直接載入進入程式中呢。

  蘋果發布iPhone 6 北京時間：       2014 09 10 淩晨1點 發布會地點：   庫部蒂諾市弗林特劇院 【視頻+圖文 直播貼】2014.9.9 Apple蘋果發布會 http://www.swifthumb.com/thread-1032-1-1.html 【直播】2014蘋果發布會 看點總結 http://www.swifthumb.com/article-119-

是一道區間更新的題，先說題意。 編號[l,r]共r-l+1個劍客一起決鬥，x勝出，那麼從l到r都標記為x，x為0，反覆決鬥，其中有可能勝出的人再被其他人打敗，要求輸出每一個劍客第一次被這個劍客打敗的編號。 乍一看就是用線段樹去做，但是每次都更新到點會逾時，所以要用到標記。 用一個標記數組，若當前的區間已經全部被修改了，那麼以後不需要再查詢這個區間了，注意是這個區間全部的點，因為每一次戰鬥都有一個獲勝者是不需要修改的。

 推薦一下IBM軟體工程師趙晨婷和馬春娥的系列文章探索Recommendation Engine內部的秘密IBM Developworks 探索Recommendation Engine內部的秘密第 1 部分 Recommendation Engine初探 探索Recommendation Engine內部的秘密第 2 部分 深入Recommendation Engine相關演算法 - 協同過濾 探索Recommendation Engine內部的秘密第 3 部分

損失函數（loss function）是用來估量你模型的預測值f(x)與真實值Y的不一致程度，它是一個非負實值函數,通常使用L(Y, f(x))來表示，損失函數越小，模型的魯棒性就越好。損失函數是經驗風險函數的核心部分，也是結構風險函數重要組成部分。模型的結構風險函數包括了經驗風險項和正則項，通常可以表示成如下式子： 其中，前面的均值函數表示的是經驗風險函數，L代表的是損失函數，後面的ΦΦ是正則化項（regularizer）或者叫懲罰項（penalty

1、將本地的倉庫關聯到github上 git remote add origin https:// http://7881188.cn/自己的倉庫url地址 2、上傳代碼到github遠程倉庫 git push -u origin master 執行完後，如果沒有異常，等待執行完就上傳成功了，中間可能會讓你輸入Username和Password，你只要輸入github的帳號和密碼就行了.

1、在螢幕的CDC中繪圖時的座標轉換 系統邏輯座標——————螢幕座標————————pDC邏輯座標       我們調用GetWindowRect獲得的是視窗的螢幕座標Size。由於pDC預設的MapMode是MM_TEXT,所以我們可以直接使用Size作為邏輯大小填充視窗。      當然我們可以改變pDc的MapMode，這樣我們邏輯座標是Size，但是螢幕上出現的就不是Size了

因為DAO層基本的就是CRUD操作，變化不是很大，要是有變化的那就是查詢。而確實沒有必要為每一個實體寫一個完整的DAO，但是沒有還不行，那就“抽取”出來吧。而Service依賴與DAO層，有時就是簡單調用一下，也確實沒有必要每個都寫。總之，不愛寫多個，那就寫一個通用的，而其他的繼承或實現這個通用的可以了。 還是用代碼說話吧。 package org.monday.dao;     

Hibernate的DAO實現 DAO對象是模組化的資料庫訪問組件，DAO對象通常包括：對持久化類的基本CRUD操作（插入、查詢、更新、刪除）操作。Spring對Hibernate的DAO實現提供了良好的支援。主要有如下兩種方式的DAO實現：        1. 繼承HibernateDaoSupport 的實現DAO       

第三章   儲存管理     儲存管理是作業系統的重要組成部分，它負責電腦系統記憶體空間的管理。其目的是充分利用記憶體空間，為多道程式並發執行提供儲存基礎，並儘可能地方便使用者使用。 3.1 儲存管理的目的     採用多道程式設計技術，就要在記憶體中同時存放多道程式，這就要求儲存管理解決以下四個重要問題，以達到儘可能方便使用者使用和充分利用記憶體以提高記憶體利用率的目的。

centos7環境下的docker安裝 docker鏡像的管理 docker互動式方式啟動容器 docker以背景方式啟動容器 shell批量管理docker容器 使用commit製作自訂鏡像 使用Dockerfile構建nginx鏡像_源碼編譯 使用Dockerfile構建tomcat鏡像_二進位包 supervisor管理多個前台進程 supervisor管理nginx+tomcat容器 使用Dockerfile來構建redis鏡像_源碼編譯

為了準備面試，所以在網上搜集一些深度學習面試題，還有自己面試過程中遇到的一些問題吧。 我自己面試的： 1 SVM推導，SVM多分類方法（1對1 ，1對多，多對多），lr loss funtion 推導 ，決策樹含義。 2 解決過擬合方法。l1 l2詳細介紹，解決梯度爆炸／彌散 方法 3 常用cnn及介紹，每一個經典模型的創新點 4 自己的煉丹（調參）技巧 5 kmeans adaboost 6

啟用 部分軟體首次開啟時，需要輸入啟用碼，啟用碼預設為6666 點IG主介面正下方 (!) 表徵圖可查看授權到期時間和版本資訊，IC和PRA的授權到期時間請訪問 http://ad.xsoftauth.com 查詢 新機在軟體安裝完成後自動開通試用，無需聯絡（部分版本需自助或聯絡客服開通），試用到期後自動結束（此裝置在沒有重開測試或正式授權前無法再次開啟），可申請多次試用   新版支援自助申請試用：http://sps.fdzxgo.com