- 博客(13)
- 收藏
- 关注
RSS订阅原创 Linux高性能服务器编程--第3篇 TCP/IP协议详解 笔记
上图中命令会输出很多内容，我们省略了次要的信息，后面的示例中，我们也仅显示主题相关的内容。，我们可以让它以服务器方式运行，监听某个端口并接收客户连接，因此它可用来调试客户端程序，我们也可以使之以客户端方式运行，向服务器发起连接并收发数据，因此它可用来调试服务器程序，此时它有点像telnet程序。，本书主要使用上述功能中的第一个，即显示TCP连接及其状态信息，毕竟，要想获得路由表信息和网卡接口信息，我们可以使用输出内容更丰富的route（管理和显示系统的网络路由表的命令）和ifconfig命令。
2024-05-29 15:18:21
697
原创 Linux高性能服务器编程--第2篇 TCP/IP协议详解 笔记
/ 把信号 sig 发给目标进程 pid// 成功返回 0，失败 -1 并设置 errno 如果sig参数传为0，则kill函数不发送任何信号，此时可用来检测目标进程或进程组是否存在，因为检查工作总是在信号发送前执行，但这种检测方式不可靠，一方面是由于PID的回绕，导致被检测的PID不是我们期望的进程的PID，另一方面，这种检测方法不是原子操作（检测完进程可能就终止了）。 至此，我们讨论完了TCP带外数据相关的所有知识。3.8节中我们介绍了TCP带外数据的基本知识，其中探讨了。
2024-05-28 15:22:58
1003
原创 Linux高性能服务器编程--第1篇 TCP/IP协议详解 笔记
TCP模块的另一个任务是提高网络利用率，降低丢包率，保证网络资源对每条数据流的公平性，这就是所谓的拥塞控制。拥塞控制的最终受控变量是发送端向网络一次连续写入（收到其中第一个数据的确认前）的数据量，我们称为SWND（Send Window，发送窗口）。报文段的数据部分的最大长度称为SMSS（Sender Maximum Segment Size，发送者最大段大小），其值一般等于MSS。
2024-04-08 17:42:20
894
原创 07机器学习
由于初始的聚类中心是随机选择的，最后结果为局部最优，为了达到全局最优，可以多初始化几次。找到一个低维平面，然后将数据投影在上面，使蓝色线段平方值最小，蓝色线段又叫投影误差。然后移动聚类中心，计算所有红点的均值，并将聚类中心移到那里，蓝点同理。然后不断重复这两步，直到聚类中心不在变化，点的颜色不在变化，可以结束了。将无标签数据输入到算法中，让算法找到隐含在数据中的结构。该算法为迭代算法，做两件事，进行簇分类和移动聚类中心。簇分类，遍历原始数据，确定每个数据分配给聚类中心。损失函数/失真代价函数。
2022-11-08 15:38:47
288
原创 06机器学习
注意此时，若C的值非常大，会对于异常点的存在十分敏感，会将决策边界从黑色变到粉色，C值较小，则依旧为黑色的线。在区分正负样本中，存在多条决策边界，但支持向量机会选择间距最大的那条，就是黑色那条。逻辑回归最后会输出一个概率，支持向量机则直接输出0或1。通过逻辑回归的loss引申出支持向量机的。支持向量机最重要为核kernel。如何训练得到非线性边界。那么怎么挑选标记点l。
2022-10-29 12:49:15
310
原创 05机器学习
偏斜类（skewed classes）：一个类中的数据比另一个类的数据多很多。1.查准率：以预测癌症为例，在所有预测为得了癌症的人之中，真正得了癌症的占比。判断是偏差bias问题还是方差variance问题，即是欠拟合还是过拟合。提问：对于不同的算法，如何比较不同的查准率和召回率。2.召回率：在所有真实得了癌症人中，预测正确的占比。选择几次方程来假设，用d表示多项式最高次幂。将样本分为三类，用交叉验证集来确定模型选择。最终选择在交叉验证集上错误率最小的。答：通过F Score的值来判断。
2022-10-28 15:24:37
496
原创 机器学习04
1.确实输入x的个数，输出y的个数（例如：几分类问题，y=几），注意y向量用one-hot编码形式。2.确定隐藏层，默认为一层，多层默认神经元个数相同，神经元个数一般与x维度相同或2倍等等。5.梯度检测，上步得到的偏导数项与数值方法在J（θ）得到的导数对比。2.前向传播，对x向量得到h（x），也就是输出值y向量。6.使用梯度下降算法或其他优化算法来减少J（θ）4.反向传播计算偏导数项J（θ）对θ求偏导。3.计算损失函数J（θ）多个神经元组合起来的神经网络模型。：可以保证前向和后向传播结果正确。
2022-10-26 15:51:02
380
原创 机器学习03
预测的变量y为是一个离散值的情况下的分类问题，这时要运算logistic回归算法，它能让的输出值处于区间之间,该数值用来表示处于某一分类的概率为多大假设，其中g（z）函数可以有很多，这里假设为sigmoid函数，即上面这条粉红的线就叫决策边界，它将整个平面分成了两个部分，一部分为类别1，另一部分为类别2，这决策边界是假设函数的属性，不是数据集的属性 用于分类问题的的损失函数，即交叉熵损失函数，可以简化为，二者等效，h（x）为预测结果，y为真实结果，最后整理可得，即除了用梯度下降的方法进行优化以外，还可以用一
2022-06-27 16:47:34
274
原创 机器学习02
举例： 此时有4个特征量，那么假设的线性函数为为了方便计算，一般定义 到此，结合上一章，可更新为 其中梯度下降的算法更加细化为目的：确保这么特征向量处于相似的取值范围内，这样梯度下降会更加快速收敛举例：红色的线表示梯度下降，第一幅中下降过程十分缓慢，第二幅下降更换直接 通常情况，一般将特征的取值约束-1到+1的范围内，接近这个区间也可以，但不能太大，也不能太小选择恰当的学习率使梯度下降算法更加高效如果学习率太小，会收敛的很慢如果学习率太大，cost function可能不会再每次迭代中都下降，也有可能收敛
2022-06-22 19:47:50
229
原创 机器学习01
目录一、监督学习一、监督学习监督学习（supervised learning），即回归问题（regression）。给算法一个数据集，其中包含了正确的答案，比如：给了一个房价的数据集，对于数据集中的每个样本（每套房子），都表明了正确的售卖价格，该算法的目的是为了给一套新房子生成的正确的房价。.........
2022-06-21 19:48:31
191
原创 深度学习01--Mnist手写体识别
纯记录自己在深度学习方面的学习历程--基于b站的人工智能许多up主的教学视频定义一个多层感知机的类 import numpy as npfrom utils.features import prepare_for_trainingfrom utils.hypothesis import sigmoid, sigmoid_gradient# 定义一个类，叫多层感知机--multilayer perceptronclass MultilayerPerceptron: # 初始化，dat
2022-04-19 20:45:54
1099
2
空空如也
SFinge（Synthetic Fingerprint Generator）
2024-03-26
NIST的指纹数据集
2024-03-26
TA创建的收藏夹 TA关注的收藏夹
TA关注的人