机器学习入门 6-6 随机梯度下降法

本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍批量梯度下降法的弊端进而引出随机梯度下降法，并通过代码构建随机梯度下降法。

6-6 带头结点的链式表操作集 (20分)

Position Find( List L, ElementType X )：返回线性表中X的位置。若找不到则返回ERROR；

分布式电商系统的设计与实现⑦-2

搜索商品的测试用例分析如下表6-6：表 6-6 搜索功能测试用例分析表测试主题测试步骤预期结果实际结果搜索商品（1）用户输入，自动补齐关键词 （2）能够根据关键词进行查询 （3）选中商品规格项也能查询 （4）点击新品，输入价格区间，是否排序等操作通过上述操作均能查询出相关商品符合预期结果搜索商品界面如下图6-6所示：图 6-6 搜索商品界面1.1.3 秒杀商品相关功能测试秒杀商品的测试用例分析表如下表

SystemVerilog-决策语句-case语句

示例6-6类似于示例6-3中所示的4选2优先级编码器，但这次使用case…inside，只允许检查4位d_in值中的特定位。 示例6-6：使用内部的case项来仿真优先级编码器 //`begin_keywords "1800-2012" // use SystemVerilog-2012 keywords module priority error = '1; end endcase end endmodule: priority_4to2_encoder //`end_keywords 图6- 6：示例6-6的综合结果：case…inside作为优先编码器 优先级逻辑的效果可以在一系列门电路中看到，d_in的不同位通过这些门传播。 后面章节将详细讨论RTL模型中使用的修饰符。 简而言之，unique、unigue0和priority修饰符有两个功能： 它们影响综合编译器在门级电路实现case语句的方式。

浙大版《C语言程序设计（第3版）》题目集 习题6-6 使用函数输出一个整数的逆序数

习题6-6 使用函数输出一个整数的逆序数 本题要求实现一个求整数的逆序数的简单函数。

阿里面试官：说说你对java虚拟机中，并发设施和指令重排序的理解！

关于Java内存模型整理了一份+笔记，地址：Java后端面试真题。 并发设施 并发是Java的一大特色，通过并发，可以在Java层实现多个线程协同工作或者互斥执行。 在HotSpot VM中，指令内存屏障的实现位于OrderAccess模块，以x86为例，它的各种内存屏障实现如代码清单6-6所示： 代码清单6-6 x86的OrderAccess static inline CPU可能会将_from_compiled_entry的设置重排序到_from_interpretered_entry后面导致错误，所以需要OrderAccess::storestore指明禁止弱内存模型的 借助这些内存屏障，现在我们可以开始定义一个语义良好、可预测的内存模型。

[C#1] 11-接口

) { Location l = new Location(); l.x = l.y = 6; Console.WriteLine(l);//[6- 改变已装箱的对象，最后丢弃改变 13 ((IChangeBoxedLocation)l).Change(5, 5); 14 Console.WriteLine(l);//[6-

面向切面编程

以下我们以用户管理业务逻辑组件UserService的AOP实现过程（见图6-6）为例，深度剖析一下AOP技术的实现原理。AOP技术是建立在Java语言的反射机制与动态代理机制之上的。 现将图6-6中涉及到的一些概念解释例如以下。切面（Aspect）：由切点和增强组成，既包含了横切逻辑的定义。也包含了连接点的定义。通知（Advice）：是切面的详细实现。

Python写算法：二元决策树

图6-6的曲线非常接近一个实际的阶梯函数曲线。决策树深度的增加意味着更细小的步长、更高的保真度（准确性）。但是如果这个过程无限地继续下去会怎样？ ? 图片 18{67%}

图6-6　深度为2的决策树的预测曲线

【OpenCV 4开发详解】形态学应用

op：形态学操作类型的标志，可以选择的标志及含义在表6-6中给出。 kernel：结构元素，可以自己生成，也可以用getStructuringElement()函数生成。 函数第三个参数是形态学操作类型的选择标志，可以选择的形态学操作类型有开运算、闭运算、形态学梯度、顶帽运算、黑帽运算以及击中击不中变换，详细的参数在表6-6给出。

数据结构【Golang实现】(五)——栈

假设有这么一个表达式1000+5*6-6，从左向右遍历表达式，当遇到数字时，将数字放入到存储数字的栈；如果遇到运算符，将存储运算符栈的栈顶元素取出，进行优先级比较。 代码实现（例如“1000+5*6-6”这样简单的正整数运算，不包括() [] ）： // 只包括+-*/的简单正整数运算，不包括负数 [] () var numStack = NewStack(20)

被冒犯了：6个实验报告满天飞了

图6-3样图 4，在netdraw中打开你保存的##h格式的数据，打开步骤如下图6-4、6-5所示： 图6-4步骤一 图6-5步骤二 5，生成的效果图如图6-6所示： 图6-6最终效果图 通过词网 信息计量学主要内容： 三个应用范围：核心期刊的测定、信息资源的管理、科学评价； 四个方法：引文分析法、信息统计分析法、数学模型分析方法、计算机辅助分析方法； 五个定律：增长规律、老化规律、集中与分散规律

pycaret之集成模型（集成模型、混合模型、堆叠模型）

1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。

操作系统 | 源码分析

对实时进程和多CPU的支持如图6-10. 8.评价linux的调度策略，提出改进意见如图6-11. 1.4 实验过程 ​​ 图6-1 ​​ 图6-2 ​​ 图6-3 ​​ 图6-4 ​​ 图6-5 ​​ 图6-

【软件测试】敏捷模型（Scrum模型）和V模型、W模型

敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、

pycaret之训练模型（创建模型、比较模型、微调模型）

1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。

星星模型&&雪花模型

在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。

光照模型：Gouraud模型

它不是一个新的光照模型（不改变 Phong/Blinn-Phong 的公式），这两种光照模型的不同就是在不同的阶段计算光照。 （高光消失）、高光漂移、大片三角形上光照显得不真实主要是性能成本；若法线质量差会暴露法线问题但不属于插值缺陷 适用场景 移动端/低端硬件、物体很多、以漫反射为主、网格较密的模型 高质量渲染、强高光材质（金属/塑料/车漆等）、网格较粗也要细节的情况 与光照模型关系 可搭配 Lambert/Phong/Blinn-Phong；只是“在哪算”

光照模型：Phone模型

Phong模型1) 向量定义（对应图中几何关系）P：表面上一点（当前像素/片元的位置）N：该点的单位法线（图中虚线方向），N = normalize(N)L：光照方向（从点 P 指向光源 LightPos 2) Phong 三项：环境光 + 漫反射 + 镜面反射Phong 模型把最终颜色/亮度写成： I = I_ambient + I_diffuse + I_specular(1) 环境光 Ambient color = (ambient + diffuse + specular) * uObjectColor; FragColor = vec4(color, 1.0);}Blinn-Phong模型在 phong模型的基础上，改变高光的计算，不使用反射向量，取而代之的是半程向量H：H = normalize(L + V)几何意义：H 是 L 和 V 的角平分方向。 镜面反射（替换为 Half Vector）：undefined I_specular = Ks * Il * (max(dot(N, H), 0) ^ shininess)其他项计算和phong模型的计算一致

PyTorch 实战（模型训练、模型加载、模型测试）

本次将一个使用Pytorch的一个实战项目，记录流程：自定义数据集->数据加载->搭建神经网络->迁移学习->保存模型->加载模型->测试模型 自定义数据集 参考我的上一篇博客：自定义数据集处理 数据加载 此时拟合目标就变为F(x)，F(x)就是残差： [在这里插入图片描述] * 训练模型 def evalute(model, loader): model.eval() correct pytorch保存模型的方式有两种： 第一种：将整个网络都都保存下来 第二种：仅保存和加载模型参数（推荐使用这样的方法） # 保存和加载整个模型 torch.save(model_object , 'model.pkl') model = torch.load('model.pkl') # 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict( model.pkl则是第一种方法保存的 [在这里插入图片描述] 测试模型 这里是训练时的情况 [在这里插入图片描述] 看这个数据准确率还是不错的，但是还是需要实际的测试这个模型，看它到底学到东西了没有