- 博客(11)
- 收藏
- 关注
RSS订阅原创 JAVA面试题一些整理（持续更新）
Java的finalize，finally，final三个关键字的区别和应用场景：（1）final：可以作为修饰符修饰变量、方法和类，被final修饰的变量只能一次赋值；被final修饰的方法不能够在子类中被重写（override）；被final修饰的类不能够被继承。（2）finally用在异常处理中定义总是执行代码，无论try块中的代码是否引发异常，catch是否匹配成功，finally块中的代码总是被执行，除非JVM被关闭（System.exit(1)），通常用作释放外部资源(不会被垃圾回收器.
2020-07-23 21:43:58
156
1
转载 TCP和UDP的区别
https://www.cnblogs.com/fundebug/p/differences-of-tcp-and-udp.html
2020-03-22 16:02:21
117
转载 字节跳动大佬的经验分享
一、导读由于公众号不能放外部链接，一些题目和资料的链接无法访问，可点击阅读全文获得更好阅读体验。据我了解，前端程序员有相当一部分不是科班出身，以至于对“数据结构”和“算法”的基础概念都不是很清晰，这直接导致很多人在看到有关这部分的内容就会望而却步。实际上，当你了解了“数据结构”和“算法”存在的真正意义，以及一些实际的应用场景，对它有了一个整体的认知之后，你可能会对它产生强烈的兴趣。...
2020-03-15 17:09:03
791
转载 支持向量机通俗导论（理解SVM的三层境界）
https://blog.csdn.net/v_JULY_v/article/details/7624837#commentBox
2019-12-24 10:41:21
72
转载 梯度下降法和牛顿法的比较
梯度下降和牛顿法的推导均与泰勒公式有关，所以先介绍泰勒展开公式：基本形式：上面这个迭代形式将应用到下面的梯度下降和牛顿法中。一、梯度下降梯度下降法应用一阶泰勒展开，假设L(θ)代表损失函数，目标：最小化损失函数，θ是需要更新的模型参数。下面公式中alpha是步长(学习率)，可以直接赋值一个小的数，也可以通过line search。二、牛顿法牛顿法应用二阶泰勒展开，目标：...
2019-11-30 18:56:11
540
转载 什么是指数加权平均、偏差修正？
指数加权平均在深度学习优化算法中，例如Momentum、RMSprop、Adam，都提到了一个概念，指数加权平均，看了Andrew Ng的深度学习课程后，总结一下什么是指数加权平均。式中v_t可近似代表1/(1-β)个θ的平均值。偏差修正由以上证明可以看出，每个最新数据值，依赖于以前...
2019-11-21 09:05:47
650
转载 【深度学习】深入理解优化器Optimizer算法（BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam）
在机器学习、深度学习中使用的优化算法除了常见的梯度下降，还有 Adadelta，Adagrad，RMSProp 等几种优化器，都是什么呢，又该怎么选择呢？在 Sebastian Ruder 的这篇论文中给出了常用优化器的比较，今天来学习一下：https://arxiv.org/pdf/1609.04747.pdf本文将梳理：每个算法的梯度更新规则和缺点 为了应对这个不足而提出的下一个...
2019-11-21 09:01:05
154
转载 几种常用激活函数的简介
1. sigmod函数函数公式和图表如下图在sigmod函数中我们可以看到，其输出是在(0,1)这个开区间内，这点很有意思，可以联想到概率，但是严格意义上讲，不要当成概率。sigmod函数曾经是比较流行的，它可以想象成一个神经元的放电率，在中间斜率比较大的地方是神经元的敏感区，在两边斜率很平缓的地方是神经元的抑制区。当然，流行也是曾经流行，这说明函数本身是有一定的缺陷的...
2019-11-20 17:51:30
701
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人