- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
python学习（8）
（数字可以是整数） 提示：判断是否整数的方法，isdigit() 遍历所有的输入数据，判断是否在0-9的字符串范围内 方式1： #coding=utf-8 result = 0 count = 0 while result += int(s) if count ==3: break print(result) 方式2：先定义一个判断数字的函数 #encoding=utf-8 break print(result1) 习题14：用嵌套列表的方式，遍历输出一个矩阵 方式1： l = [ [1,2,3], [4,5,6], [7,8,9 [i][j],end = " ") print() 习题15：嵌套列表的正、反对角线之和 正对角线之和 l = [ [1,2,3], [4,5,6], [7,8,9
38110发布于 2020-01-14 - 来自专栏机器学习算法工程师
《机器学习》笔记-集成学习（8）
对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结 这两本是机器学习和深度学习的入门经典。 记录笔记，一方面，是对自己先前学习过程的总结和补充。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。 同质集成中的个体学习器亦称为”基学习器“（base learning），相应的学习算法称为”基学习算法“（base learning algorithm）。 个体学习器要有一定的“准确性”，即学习器不能太坏，而且要有“多样性”（diversity），即学习器之间有差异。事实上，如何产生并结合“好而不同”的个体学习器，恰是集成学习研究的核心。
83760发布于 2018-03-30 - 来自专栏MiningAlgorithms
机器学习8：集成学习--LightGBM
LightGBM是一个梯度Boosting框架，使用基于决策树的学习算法。 它可以说是分布式的，高效的，有以下优势： 1）更快的训练效率 2）低内存使用 3）更高的准确率 4）支持并行化学习 5）可以处理大规模数据 与常见的机器学习算法对比，速度是非常快。 而对于 Histogram 算法，则只需要(#data #features * 1Bytes)的内存消耗，仅为pre-sorted算法的1/8。 无法加速split的过程，该过程复杂度为O(#data)，当数据量大的时候效率不高 2），需要广播划分的结果（左右子树的instance indices），1条数据1bit的话，大约需要花费O(#data/8) 虽然CatBoost有多个参数可以调优，但它还包含一些参数，比如树的数量、学习速率、正则化、树的深度等等。
2.2K20发布于 2019-08-08 - 来自专栏自由而无用的灵魂的碎碎念
Windows 8学习总结
方便的单独关闭或开启蓝牙、wifi等信号 Windows 8移动中心没有添加开启、关闭蓝牙、wifi无线信号，但windows 8针对他们还是添加了不错的开启关闭方式： ? 新建账户时，生成的用户目录差别 Win8新建账户支持两种方式：通过microsoft账户或本地账户新建，如果没有microsoft账户，需要在线注册。 Hyper-v的网络配置 这个不详细介绍，可以网上搜索一下，win8时hyper-v 3.0。如果想让你的虚拟机也可以访问外部网络，使用如下设置： 创建外部网路： ? 这是一个老生常谈的问题： 程序的配置一般在C:\Users\[用户]\AppData\Roaming下，vista/7/8的配置路径都一样。 以如上两个程序的配置迁移为例： Ultraedit: 把FtpData.ini复制到你win8同样的路径下，打开UE再看看，出来了。 ?
78820发布于 2018-07-24 - 来自专栏周小末天天开心
Java 基础学习（8）
目录 前言 键盘输入语句 （1）介绍 （2）输入案例演示 （3）细节 （4）运行步骤 总结 ---- 前言 熟练使用键盘输入语句 键盘输入语句 （1）介绍 在编程中，用户需要输入数据就可以使用键盘输入语句来获取。 （2）输入案例演示 import java.util.Scanner; public class Input { public static void main(String[] args) { Scanner csdn = new S
23520编辑于 2022-10-26 - 来自专栏python3
Python 学习笔记 （8）—— sy
__builtin__', 'warnings', 'UserDict', 'encodings.utf_8', 'sys', 'codecs', 'readline', 'os.path', 'signal sys.setdefaultencoding() 设置系统默认编码 执行dir（sys）时不会看到这个方法，在解释器中执行不通过，可以先执行reload(sys)，再执行 setdefaultencoding('utf8' )，此时将系统默认编码设置为utf8。 >>> reload(sys) <module 'sys' (built-in)> >>> sys.setdefaultencoding('utf8') sys.getfilesystemencoding () 获取文件系统使用编码方式 >>> sys.getfilesystemencoding() 'UTF-8' sys.stdin,sys.stdout,sys.stderr 标准输入和标准错误
1.2K30发布于 2020-01-08 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
图10-2 一个3维到2维的例子 降维的好处很明显，它不仅可以数据减少对内存的占用，而且还可以加快学习算法的执行。 注意，降维只是减小特征量的个数(即n)而不是减小训练集的个数(即m)。 图10-6 PCA不是线性回归 分别基于上述两种目标的具体推导过程参见周志华老师的《机器学习》P230。 10.2.4 Advice for Applying PCA PCA通常用来加快监督学习算法。 PCA应该只是通过训练集的特征量来获取投影矩阵Ureduce，而不是交叉检验集或测试集。 参考：《机器学习》 周志华
1.1K100发布于 2018-04-04 - 来自专栏Android点滴分享
汇编学习(8) 宏，IO
00 00 40113e: 48 be 38 40 40 00 00 movabs rsi,0x404038 401145: 00 00 00 401148: 48 8b 14 25 30 40 40 mov rdx,QWORD PTR ds:0x404030 40114f: 00 401150: b8 00 00 00 00 mov eax,0x0 401155: e8 d6 fe ff ff call 401030 <printf@plt> 40115a: 48 8b 04 25 00 00 401177: 48 be 4e 40 40 00 00 movabs rsi,0x40404e 40117e: 00 00 00 401181: 48 8b 14 25 30 40 40 mov rdx,QWORD PTR ds:0x404030 401188: 00 401189: b8 00 00 00 00
73820编辑于 2022-12-13 - 来自专栏往期博文
MySQL学习8：连接查询
关键词：inner join … on 案例： 1.查询 对应班级的学生以及班级信息
1.4K20编辑于 2022-06-14 - 来自专栏后端技术学习
java8学习整理
由于项目中使用java8中的lambda表达式，因此想学习一下java8中的lambda表达式和stream流。 //接着进行进一步改写,从改写第4条，我们知道参数只有一个时，可以不写，也是最简方案 nams.forEach(System.out::println); } Stream流的一些学习
42010发布于 2020-07-16 - 来自专栏mukekeheart的iOS之旅
OC学习8——异常处理
5 @catch (NSException *exception) { 6 // 2 7 NSLog(@"%s\n%@", __FUNCTION__, exception); 8 // 7 30 NSLog(@"%s\n%@", __FUNCTION__, exception); 31 } 32 @finally { 33 // 8 那么这段代码则不会执行 39 NSLog(@"如果这里抛出异常，那么这段代码则不会执行"); 40 } 为了方便大家理解，我在这里再说明一下情况： 如果6抛出异常，那么执行顺序为：1->5->6->8- >3->4 如果6没抛出异常，那么执行顺序为：1->5->7->8->9->3->4 由于tryTwo方法中对@try中的异常都进行了处理，并没有继续向上一层调用它的函数抛出异常，所以第3行的方法调用并不会抛出异常 Foundation/Foundation.h> 3 4 @interface SomethingException : NSException 5 6 @end 7 8
2.1K60发布于 2018-02-27 - 来自专栏全栈程序员必看
JAVA8 Stream学习
//流操作：获取大于5的 arrayList.stream().filter((num)->num>5).forEach(System.out::println); } //结果： 6 7 8 num)->num>5) .skip(2) .forEach(System.out::println); } //结果： 8 forEach(System.out::println); } //结果： 6 7 4.10 reduce /** * 归纳 */ @Test public void test8(
38730编辑于 2022-07-09 - 来自专栏技术翻译
8个深度学习框架
随着越来越多的企业希望扩大其运营规模，它们已成为接受机器学习和预测分析的必要条件。人工智能与正确的深度学习框架相结合，真正放大了企业在其领域内可以实现和获得的整体规模。 机器学习范式不断发展。 如果您恰好是具有一定Python经验并希望深入学习的开发人员，那么Keras应该是您应该查看的内容。 8. 作为一个以商业为重点的商业分布式深度学习平台，这一深度学习框架的最大优势在于，您可以将整个Java生态系统整合在一起，以执行深度学习。 结论 很明显，深度学习的出现引发了许多机器学习和人工智能的实际使用案例。通过深度学习，以最简单的方式分解任务，以便以最有效的方式协助机器。 上面列表中哪个深度学习框架最适合您的业务需求？ 原文标题《Top 8 Deep Learning Frameworks》 作者：Mitul Makadia 译者：February 不代表云加社区观点，更多详情请查看原文链接
1.6K30发布于 2018-12-04 - 来自专栏WD学习记录
机器学习 学习笔记（8） 决策树
决策树的损失函数通常是正则化的极大似然函数，决策树学习的策略是以损失函数为目标函数的最小化。 决策树学习算法包含特征选择、决策树的生成与决策树的剪枝过程，由于决策树表示一个条件概率分布，因此深浅不同的决策树对应着不同复杂度的概率模型。 剪枝处理 剪枝是决策树学习算法对付过拟合的主要手段。主要有预剪枝和后剪枝。 为参数，则决策树学习的损失函数为： ? ，经验熵为 ? ， 损失函数中的右边的第一项为： ? ，此时有 ? 多变量决策树 多变量决策树又称为斜决策树，实现如下图所示的斜划分 甚至更复杂的决策树： image.png image.png 参考 《机器学习》 《统计学习方法》 《机器学习实战》
1K10发布于 2018-09-03 - 来自专栏Lauren的FPGA
学习笔记：深度学习与INT8
上期内容：过约束到底怎么做 越来越精确的深度学习模型面临两大挑战：计算密度越来越高；存储带宽越来越大。解决此问题的可行方法之一就是降低数据位宽。 实践证明，在某些CNN模型中，采用INT8与采用浮点数据相比，精度损失很小。 这里我们将关注点放在INT8的具体实现上。就CNN模型而言，INT8主要用在卷积层。 DSP48E2的结构如下图所示（图片来源：wp486, Figure 1），这里我们将利用一个DSP48E2同时实现两个INT8乘法，前提条件是这两个INT8乘法具有一个相同的因子，也就是同时实现axb DSP48E2的B端口为18位，将数据b进行符号位扩展，低8位填充数据b。最终，DSP48E2的P端口（48位）将输出ab（或ab-1）和db。 ? 在实际应用中，充分利用DSP48E2实现两个INT8相乘可有效节省乘法器资源，提高乘法器的利用率。 ?
2K21发布于 2020-06-30 - 来自专栏全栈程序员必看
8. 强化学习之——模仿学习
模仿学习与强化学习结合 （1）最简单直接的结合：预训练和调整 Pretrain and Finetune【应用十分广泛】 （2）IL 结合 Off-Policy RL：算是对 Pretrain and 行为克隆 BC 和 DAGGER 算法 逆强化学习 IRL 和 生成对抗模仿学习GAIL 改进模仿学习的性能 把模仿学习和强化学习结合 Introduction & Behavioral Cloning 从最简单的行为克隆方法开始介绍：比较简单的思想就是把策略的学习当做有监督的学习来进行，例如学习出来策略网络 这样直接把它当做一个有监督的问题来解决的话其实是有问题的：数据的分布假设相矛盾 —— 有监督学习假设数据是 模仿了 GAN 的思想 Connection between IRL & GAIL 改进模仿学习的性能 怎样提升我们的策略模型？ 所以下面我们就想把模仿学习与强化学习结合起来 模仿学习与强化学习结合 模仿学习与强化学习的各自的特点对比 怎么把两者结合起来，既有 Demonstration 又有 Rewards？
2K30编辑于 2022-10-02 - 来自专栏Vincent-yuan
前端学习(8)~css学习(二)：背景属性
DOCTYPE html> <html> <head lang="en"> <meta charset="UTF-<em>8</em>"> <title></title> <style> DOCTYPE html> <html> <head lang="en"> <meta charset="UTF-<em>8</em>"> <title></title> <style> DOCTYPE html> <html> <head lang="en"> <meta charset="UTF-<em>8</em>"> <title></title> <style>
1.9K00发布于 2020-02-25 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-5 学习曲线
2 学习曲线 学习曲线其实非常简单，可以想象一下，我们在学习知识的时候是不断的将新的内容放入我们的大脑中去消化理解，而对于模型来说，所谓的这些知识就是已知的样本信息，学习曲线描述的就是随着训练样本的逐渐增多 阶数为2的多项式回归学习曲线如下图所示。 ? 上面就是使用二阶的多项式回归得到的学习曲线，仔细观察一下就会发现，这个学习曲线从整体的趋势来看和使用线性回归得到的学习曲线是一致的， train这根曲线逐渐上升，上升到一定程度后变得相对比较稳定； test 阶数为20的多项式回归学习曲线如下图所示。 ? 我们绘制了三种学习曲线，这三种学习曲线分别对应了欠拟合、正合适以及过拟合的情况。 ? ? 接下来具体的总结比较一下这三张图： 欠拟合和最佳的情况相比较： ?
1.7K10发布于 2019-12-26 - 来自专栏探物及理
强化学习笔记8：整合学习和规划
1、introduction 第7章节，讲了PG，从episode经验学习到 策略 policy 之前的章节，讲了从episode 经验学习到 价值函数 本章，从过去经验学习到环境模型 通过规划的手段 的学习方法 Model-free RL 无模型 从真实环境Env采样，学习价值函数 Model-based RL 从真实环境Env中学习，建模Model 从Model虚拟采样，规划价值函数 Dyna 从真实环境Env中学习，建模Model 根据Env 和 Model采样，同时学习 并 规划 价值函数 ? a,b,c,d,和e都是从实际经历中学习，d过程是学习价值函数，e过程是学习模型。 在f步，给以个体一定时间（或次数）的思考。 类似监督学习里，用数据增强，来丰富数据集。 例子 将规划引入RL之后，规划比学习具有更小的抖动和噪声，稳定性好 ?
1K20发布于 2020-08-31 - 来自专栏全栈程序员必看
【强化学习纲要】8 模仿学习「建议收藏」
【强化学习纲要】8 模仿学习 8.1 模仿学习概要 8.2 Behavioral cloning and DAGGER 8.3 Inverse RL and GAIL 8.4 进一步改进模仿学习的模型 8.5 模仿学习和强化学习结合 8.6 Case studies 周博磊《强化学习纲要》 学习笔记 课程资料参见： https://github.com/zhoubolei/introRL. 在正常的强化学习里面，agent并没有及时得到反馈每一步对不对。模仿学习是说在每一步做出行为后就可以直接告诉agent当前这一步正确行为是什么，所以就可以把它看作对行为模型的监督学习。 在强化学习里面是给定了环境，也给定了奖励函数，通过强化学习可以对价值函数以及决策函数进行参数化来优化参数。 右边是逆强化学习。 有些比较复杂的机械情况下面，人并不是很好的提供数据，比如六旋翼的飞行桨很难通过一个遥控来采集数据 人的行为有的时候是非监督学习 8.5 模仿学习和强化学习结合 模仿学习： 优点： 简单稳定的监督学习
1.2K10编辑于 2022-10-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号