- 博客(10)
- 资源 (3)
- 问答 (1)
- 收藏
- 关注
RSS订阅转载 redis的底层原理
Redis对象类型简介Redis是一种key/value型数据库，其中，每个key和value都是使用对象表示的。比如，我们执行以下代码：[plain] view plain copy print?redis>SET message "hello redis" &nbs...
2018-12-28 10:41:01
158
原创 计算机网络-谢希仁版
1.基本概念划分OIS的七层协议：应用层、表示层、会话层、运输层、网络层、数据链路层、物理层。 OIS的五层协议：应用层、运输层、网络层、数据链路层、物理层。 由下往上介绍如下：2.第一章 物理层特性：机械特性、电气特性、功能特性、过程特性。 数据通信系统：源系统（或发送端、发送方）、传输系统（或传输网络）...
2018-12-24 13:51:31
2648
原创 计算机组成原理-白中英版
第1章：计算机系统概论1、计算机系统由哪两部分组成？计算机系统性能取决于什么？ 计算机系统是由“硬件”和“软件”组成。衡量一台计算机性能的优劣是根据多项技术指标综合确定的，既包括硬件的各种性能指标，又包括软件的各种功能。1）计算机系统由硬件和软件两部分组成。2）计算机系统性能由硬件和软件共同决定。2、计算机系统5层层次结构从下到上由哪五层组成？哪些是物...
2018-12-24 13:31:29
14680
7
原创 一个url的游历历程
引言打开浏览器，在地址栏输入URL，回车，出现网页内容。整个过程发生了什么？其中的原理是什么？以下进行整理和总结。整个过程可以概括为几下几个部分：域名解析成IP地址；与目的主机进行TCP连接（三次握手）；发送与收取数据（浏览器与目的主机开始HTTP访问过程）；与目的主机断开TCP连接（四次挥手）；正文下面详细介绍其中的原理：...
2018-12-21 12:24:17
112
原创 crontab定时任务
最近在做Python Scrapy框架搭建数据中心的项目，边做边学，手敲代码，现在spider已经可以采集数据了，但是还没有写定时执行的脚本。根据以前的工作经验，简单的任务可以使用Crontab来实现脚本的定时执行。不过因为工作的变动，而且当时对shell的了解也只是皮毛，还是出了点问题：crontab -e 添加一个最简单的计划任务：0 */1 * * * cd /data/spider ...
2018-12-16 17:23:12
121
原创 MultinomialNB相关的案例应用
内容主要涉及MultinomialNB(Naive Bayes)对sklearn内置的fetch_20newsgroups——新闻数据抓取器从互联网上即时下载的新闻文本数据进行多类分类。 朴素贝叶斯模型被广泛应用于互联网新闻的分类、垃圾邮件的筛选等分类任务，它单独考量每一维度特征被分类的条件概率，然后综合这些概率对其所在的特征向量做出分类预测，即“假设各个维度上的特征被分类的条件概率之间是相互独...
2018-12-15 13:53:01
5037
翻译 LSTM神将网路细节总结
LSTM长短时记忆网络(Long Short Term Memory Network, LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题，目前比较流行。长短时记忆网络的思路：原始 RNN 的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。把上图按照时间维度...
2018-12-05 21:40:34
470
原创 递归神经网络RNN总结
一、前述传统的神经网络每个输入节点之间没有联系， RNN （对中间信息保留）： 由图可知，比如第二个节点的输入不仅依赖于本身的输入U1，而且依赖上一个节点的输入W0,U0，同样第三个节点依赖于前两个节点的输入，假设每一个节点分别代表着“我出生在中国，我说——”的一个预测，则“说”后面则是依赖于前面的说的每个单词的所有组合。xt表示第t,t=1,2,3...步...
2018-12-04 15:10:53
1227
转载 相似度算法之余弦相似度
654转自：http://blog.csdn.net/u012160689/article/details/15341303余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫"余弦相似性"。上图两个向量a,b的夹角很小可以说a向量和b向量有很高的的相似性，极端情况下，...
2018-12-01 16:15:45
2938
原创 激活函数总结
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。1) 当输...
2018-12-01 10:41:00
196
cmake-3.16.6-Darwin-x86_64.dmg
2020-04-18
decisinon_tree_computer.zip
2019-12-13
pipeline.config
2019-08-21
eclipse中的servlet问题
2016-07-31
TA创建的收藏夹 TA关注的收藏夹
TA关注的人