@lao_lao-CSDN博客

原创三级网络技术备考

emm…算是拖延症患者备考的自我监督打卡1. 停机时间与系统可用性自我感觉利用数轴将题目数值代入做题是最不容易出错的例题：服务器系统年停机时间为8.5小时，系统可用性可以达到（B)。A、99% B、99.9% C、99.99% D、99.999%2. IP地址块转子网掩码IP地址/子网掩码:4段8位二进制（即共32位）组成例题：IP地址192.168.15.1/27的子网掩码可写为（B）A、255.255.255.192B、255.255.255.224C、255.255

2021-08-14 15:54:54 268

原创 MySQL中文设置及远程连接

老师给的MySQL中文配置方案，记录一下免得以后找不到1. 启动MySQL服务由于我们的实验过程中需要用到中文，所以需要先配置一下MySQL服务器的启动参数，让它支持中文（注意机房的MySQL默认语言设置成了latin1，不处理的话遇到中文会出现乱码）。首先打开MySQL的安装文件夹，用windows的记事本打开其中的My.ini文件进行编辑（若是win10，直接是My文件，没有ini后缀）：在记事本中用查找功能找到所有的含“character-set”的配置项，将其右端的值统一改成gbk后保存退

2021-04-13 10:39:14 2286

原创 AdaBoost、提升树、Boosting、RF随机森林

集成化处理集成学习架构图在统计学习中，集成学习（ensemble learning）是将多个基学习器（base learners）进行集成，以得到比每个单独基学习器更优预测性能的方法。每个用于集成的基学习器都是弱学习器（weak learner），其性能可以只比随机猜测稍微好一点点。集成学习的作用就是将这多个弱学习器提升成一个强学习器（strong learner），达到任意小的错误率。Boosting在设计算法之前，集成学习先要解决的一个理论问题是集成方法到底有没有提升的效果。在计算学习的

2020-08-23 21:44:01 435

原创 ResNet

ResNet意义在深层网络能够收敛的前提下，随着网络深度的增加，正确率开始饱和甚至下降，称之为网络的退化(degradation)问题。而网络退化的根本原因是优化问题。因此为了解决优化的难题，提出了残差网络ResNet。其中ResNet提出了两种mapping：一是identity mapping，指的就是图中”弯曲线”，另一种residual mapping，指的就是除了”弯曲线“那部分，所以最后的输出是identity mapping顾名思义，就是指本身，也就是公式中的xx，而residual

2020-08-09 21:22:58 322

原创 GAN（生成式对抗网络）

GAN简介生成对抗网络（Generative adversarial networks）是深度学习领域的一个重要生成模型，即两个网络（生成模型和鉴别模型）在同一时间训练并且在极小化极大算法（minimax）中进行竞争。注：1.生成模型从本质上是一种极大似然估计，用于产生指定分布数据的模型，生成模型的作用是捕捉样本数据的分布、将原输入信息的分布情况经过极大似然估计中参数的转化来将训练偏向转换为指定分布的样本。2.判别模型实际上是个二分类，会对生成模型生成的图像等数据进行判断，判断其是否是真实的训练数据

2020-08-02 20:28:06 319

原创贝叶斯

贝叶斯学习笔记摘要贝叶斯定理基本了解贝叶斯学派定义：概率表示的是客观上事件的可信程度（degree of belief），也可以说成是主观上主体对事件的信任程度，它是建立在对事件的已有知识基础上的。举个例子来说，当一个球迷提出“明天湖人队战胜骑士队的概率是 80%”的时候，可以理解成他对湖人获胜有 80% 的把握程度，贝叶斯概率正是来源于对赌博的分析。除了对概率的置信度解释之外，贝叶斯学派中的另一个核心内容是贝叶斯定理（Bayes’ theorem），用来解决“逆向概率问题”（inverse pro

2020-07-26 21:02:39 299

原创查找文献的常用渠道

相信不少朋友都会有查找论文等资料的烦恼，有的人会选择查找书籍资料等的方式（费时费力），少部分的人会寻求专业代查文献的服务（花钱但省力），但更多的人会选择使用互联网进行查找（方便快捷），因此笔者整理了一些比较方便且实惠的文献查找、下载、分享的网站分享给大家，希望能给大家提供一些帮助！中国知网面向海内外读者提供中国学术文献、外文文献、学位论文、报纸、会议、年鉴、工具书等各类资源统一检索、统一导航、在线阅读和下载服务。需付费。谷粉学术由学术文献研究者联合建立的文献检索服务,方便大家稳定快速地利用谷歌学术搜

2020-07-19 17:02:14 1125

原创 VGGNet简单学习

VGGNet突出贡献在于证明使用很小的3*3卷积，增加网络深度可以有效提升模型效果，而且对其他数据集具有很好的泛化能力。因此VGGNet经常被用来提取图像特征。VGGNet探索了CNN的深度及其性能之间的关系，笔者推荐像笔者一样的新手朋友们可以观看B站的李宏毅讲解卷积神经网络（带字幕）进行学习，这个老师讲的很通俗易懂！下面进入正题：VGGNET的特点1、VGGNET全部使用3x3的卷积核和2x2的池化核，不断加深网络深度以此提升性能。作者认为，两个3x3卷积层的串联相当于1个5x5的卷积层，3个3

2020-07-19 16:03:12 411

原创 java向上造型及向下造型

java向上造型指的是父类引用子类对象。在日常生活中，我们都扮演着不一样的角色。我们可能是工人，可能是学生…但是我们都有共同的属性，例如：名字、性别、年龄…但是不同身份职业的人也有着属于自己的不同的特点。我们通常描述他人的时候会说，这个人是老师，这个认识学生，这个人是个程序员……。实际上“这个人是……”这种说法就是向上造型。 //Student类，父类，用于描述学生共有的属性 class Student{ String name; //例子属性，表示一个人的名字

2020-06-15 10:46:17 995

原创正则表达式

正则表达式(Regular Expression)是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"）。正则表达式使用某种预定义的模式去匹配一类具有共同特征的字符串。主要用于处理字符串，可快速、准确的完成复杂的查找、替换等处理要求。正则表达式功能1。可以为想要匹配的相应字符串集指定规则注：该字符串集可包含英文语句、e-mail地址、命令或你需要的语句2.可使用re模块以各种方式修改或分隔字符串3.指定正则表达式的一部分重复次数字符匹配普通字符：大多数一般和自

2020-06-14 22:58:29 390

原创支持向量机

机器学习支持向量机笔记摘要：支持向量机是基于线性判别式几何意义的分类算法间隔（margin）是支持向量机的核心概念之一，它是对支持向量到分离超平面的距离度量，可以进一步表示分类的正确性和可信程度。根据归一化与否的区别，间隔还可以分成几何间隔（geometric margin）和函数间隔（functional margin）。支持向量机通过间隔最大化来定义最优的决策边界当数据线性可分时，分离超平面有千千万，但几何间隔最大的只有一个。支持向量机的基本思想就是找出能够正确划分数据集并且具有最大几何间隔的分

2020-05-31 22:49:13 374

原创初识canvas

canvas的用途canvas元素可用于基础图形的绘制、文字的绘制、图形的变形和图片的合成、图片和视频的处理和动画的实现以及小游戏的制作等，canvas 元素本身是没有绘图能力的，绘制工作通过脚本 (通常是JavaScript)来完成.canvas绘制矩形1.首先需要创建一个画布（Canvas）<canvas id="myCanvas" width="200" height="100" style="border:1px solid #000000;"></canvas>

2020-05-31 22:16:00 123

原创 numpy-matplotlib的三个常用函数

文章参考学习于https://www.runoob.com/上文章subplot()subplot() 函数允许你在同一图中绘制不同的东西。例如：绘制正弦和余弦值import numpy as np import matplotlib.pyplot as plt # 计算正弦和余弦曲线上的点的 x 和 y 坐标 x = np.arange(0, 3 * np.pi, 0.1) y_sin = np.sin(x) y_cos = np.cos(x) # 建立 subplot 网格，

2020-05-24 21:00:54 342

原创机器学习正则化

机器学习正则化笔记概要正则化（regularization）是用于抑制过拟合的方法的统称，它通过动态调整估计参数的取值来降低模型的复杂度，以偏差的增加为代价来换取方差的下降。在线性回归里，最常见的正则化方式就是在损失函数（loss function）中添加正则化项（regularizer），而添加的正则化项 R(λ) 往往是待估计参数的 p- 范数。将均方误差和参数的范数之和作为一个整体来进行约束优化，相当于额外添加了一重关于参数的限制条件，避免大量参数同时出现较大的取值。由于正则化的作用通常是让参数估

2020-05-24 20:18:11 575

原创机器学习特征处理

机器学习特征处理笔记概要在特征工程之前，数据的特征需要经过哪些必要的预处理（preprocessing）?其中最广为人知的预处理技巧可能就是特征缩放（feature scaling），它的目的是保证所有的特征数值具有相同的数量级。在有些情况下，数据中的某些特征会具有不同的尺度，比如在电商上买衣服时，身高和体重就是不同尺度的特征。举个简单例子来说：假设我的身高 / 体重是 1.85 米 /64 公斤，而买了同款衣服的两个朋友，1.75 米 /80 公斤的穿 L 号合适，1.58 米 /52 公斤的穿

2020-05-17 22:32:01 618

原创模型验证方法

机器学习模型的验证方法笔记概要模型本身及其背后学习方法的泛化性能（generalization performance），也就是模型对未知数据的预测能力，是机器学习的核心问题。可在一个问题的学习中，往往会出现不同的模型在训练集上具有类似的性能，这时就需要利用模型验证来从这些备选中做出选择。简单来说模型验证的任务就是确定模型的复杂度以避免过拟合的发生。原则上说，模型验证应该使用专门的验证数据集。可是当数据集的容量较小，不足以划分成三个部分时，验证集和测试集就可以合二为一，共同来完成对模型的选择和评价。估计

2020-05-17 21:51:30 9193

原创模型设计准则

学习笔记摘要机器学习需要根据问题特点和已有数据确定具有最强解释性或预测力的模型，其过程也可划分为类似于“学习 - 练习 - 考试”三个阶段，每个阶段的目标和使用的资源可以归纳如下：1.模型拟合（model fitting）：利用训练数据集（training set）对模型的普通参数进行拟合；2.模型选择（model selection）：利用验证数据集（validation set）对模型的超参数进行调整，筛选出性能最好的模型；3.模型评价（model assessment）：利用测试数据集（tes

2020-05-10 22:55:22 530

abclaolao的博客