![](https://img-blog.csdnimg.cn/20190918140012416.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
最优化
最优化开发
优惠券已抵扣
余额抵扣
还需支付
¥19.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
南七小僧
这个作者很懒,什么都没留下…
展开
-
C# list 与 arraylist 的区别 使用要点 与性能相关
首先,我们从数组说起,数组是一种高效的但是不太方便的数据存储方式,之所以不方便,是因为固定长度无法修改。于是为了充分利用内存,就有了动态数组的概念。C#中动态数组的实现就是集合接口IList.ArrayList 和List都继承了接口IList(不知道是哪位“高人”让网上流传着List是接口的概念......)再来讲一下ArrayList中,据了解,有些人喜欢用的ArrayList...原创 2018-08-27 16:59:08 · 1218 阅读 · 0 评论 -
C#中的bitmap类和图像像素值获取方法
一.Bitmap类Bitmap对象封装了GDI+中的一个位图,此位图由图形图像及其属性的像素数据组成.因此Bitmap是用于处理由像素数据定义的图像的对象.该类的主要方法和属性如下:1. GetPixel方法和SetPixel方法:获取和设置一个图像的指定像素的颜色.2. PixelFormat属性:返回图像的像素格式.3. Palette属性:获取和设置图像所使用的颜色调色板....原创 2018-08-31 17:27:31 · 1980 阅读 · 0 评论 -
宝藏理论
我好像发明了一种理论,叫宝藏理论先记录一下 #from gensim.models import Word2Vec as wv#import pandas as pd##pd.read_csv('F:\\BaiduNetdiskDownload\\new_data\\train_set.csv')#from PIL import Image import nump...原创 2018-12-10 14:48:28 · 299 阅读 · 0 评论 -
基于LSI的 职位描述JD 匹配
在文本挖掘中,主题模型是比较特殊的一块,它的思想不同于我们常用的机器学习算法,因此这里我们需要专门来总结文本主题模型的算法。本文关注于潜在语义索引算法(LSI)的原理。1. 文本主题模型的问题特点 在数据分析中,我们经常会进行非监督学习的聚类算法,它可以对我们的特征数据进行非监督的聚类。而主题模型也是非监督的算法,目的是得到文本按照主题的概率分布。从这个方面来说,主题模型和普通的聚...原创 2018-08-29 17:20:52 · 492 阅读 · 0 评论 -
基于LDA的 职位描述JD 匹配
def findjd(request): print('推荐中') shixi = pd.read_table('shixi.txt', delimiter="\n") stopwords = '' with open('stopwords.txt', 'r') as f: stopwords = f.readline() jdldalis...原创 2018-08-30 10:15:55 · 410 阅读 · 0 评论 -
正则化 Dropout 与过拟合
正则化器的使用正则化器允许在优化过程中对层的参数或层的激活情况进行惩罚。 网络优化的损失函数也包括这些惩罚项。惩罚是以层为对象进行的。具体的 API 因层而异,但 Dense,Conv1D,Conv2D 和 Conv3D 这些层具有统一的 API。正则化器开放 3 个关键字参数:kernel_regularizer: keras.regularizers.Regularizer 的...原创 2018-11-06 14:20:28 · 436 阅读 · 0 评论