- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 11-8 RBF核函数中的gamma
本小节将通过实践应用sklearn为我们封装的高斯核的SVM算法来进行具体的分类并解释分类决策边界的几何意义，着重实验不同的gamma取值对最终分类决策边界的影响。 a 高斯核中的gamma 高斯核函数和概率论中的高斯函数（正太分布）形式是一致的。 高斯核函数中的gamma越大，相对高斯函数中的σ越小，此时的分布曲线也就会越高越瘦； 高斯核函数中的gamma越小，相对高斯函数中的σ越大，此时的分布曲线也就越矮越胖； 接下来使用sklearn中核函数为高斯核函数的 接下来使用前面一直使用的绘制决策边界的函数绘制使用高斯核且gamma = 1.0的SVM分类算法的决策边界。 使用高斯核函数进行分类的决策边界其实就是针对其中的某一类的每一个样本点都有一个分布曲线，我们所观察的决策边界可以想象成俯视每个样本点的分布曲线，而这些样本点就是俯视时候看到的分布曲线的尖。
5.8K51发布于 2020-10-26 - 来自专栏愿天堂没有BUG（公众号同名）
自从学了深入解析java虚拟机：FullGC和字符串去重后，我无敌了
早期G1的FGC使用单线程的标记整理算法，后来为了充分发挥多核处理器的优势，JEP 307提案为G1的FGC设计了多线程标记整理算法，此时多线程的FGC的线程数量可以由-XX:ParallelGCThreads G1的多线程FGC与Parallel GC的FGC类似，是一个全局STW的过程，G1使用线程组完成垃圾回收工作，整个阶段都不允许Mutator线程运行。 触发FGC的场景有很多，举例如下： Mixed GC中如果老年代回收的速度小于对象分配或晋升的速度，会触发FGC； YGC最后会移动存活对象到其他分区，如果此时发现没有能容纳存活对象的Region，会触发 由于FGC的全局STW性，如果频繁发生FGC是比较糟糕的信号，它暗示应用程序的特性与当前的G1参数配置不能良好契合，需要开发者找到问题并进一步调优处理。 11-8所示： 代码清单11-8 选择重复字符串 bool G1StringDedup::is_candidate_from_evacuation(...) { // 如果对象在Eden Region，
89720编辑于 2022-10-31 - 来自专栏华章科技
所到之处，寸草不生！深扒黑产工具和羊毛党操作流程
导读：随着“互联网+”的兴起，越来越多的公司开始上线互联网业务，为了吸引客户或引来更多的流量，企业就需要进行各种促销与补贴活动，但这些原本应该给真实用户带来优惠的活动，却被互联网上的另一群团体——黄牛、 笔者曾经以损失近1000台小米手机的惨痛代价认识了这个群体，在后续的工作中也组建了风控团队，在“6.18”“双11”活动中与这群人多次交手。在本文中，笔者将介绍对付羊毛党、黄牛的一些经验。 而刷机软件则可以瞬间改变手机的各种信息，制造虚假的手机信息，用于逃避一些风控策略的检测，如图11-5和图11-6所示。 ? ▲图11-5 手机模拟器 ? 黑产团长：可以认为是P2P行业的产物，负责与平台内部人员进行谈判，或威胁运营人员或与运营人员合作。 可以用一张图表示各种角色相互之间的关系，如图11-8所示。 ? ▲图11-8 黑产工具和角色 关于作者：林鹏（lion_00），CCIE (SECURITY)，猎豹移动安全总监，曾任当当网安全经理、网信金融安全专家、万达电商信息安全部总经理等职位。
3.9K21发布于 2020-07-29 - 来自专栏软件开发
C语言 第六章 多重循环
} } while() { for(){ } for(){ } } break,continue只跳出当前循环，不会影响外重循环，不会因为内重循环跳出整个循环体，只影响与自己最近的一个循环 printf("\n"); } } /* 1 1 4 0 9 11-2*i 2 3 3 1 7 11-4 3 5 2 2 5 11-6 4 7 1 3 3 11 -8 5 9 0 4 1 11-10 ********* ******* ***** *** * */ 三、三重循环 百钱买百鸡的问题算是一套非常经典的不定方程的问题，题目很简单 Note:Your choice is C IDE */ #include "stdio.h" #include <math.h> //定义一个输出函数，用于重复向屏幕输出信息 //c表示参数，要输入的字符 //控制空格 { printf(" "); } for(j=1;j<=(2*r+1)-2*abs(i);j++) //控制星号与中间的空格
1.3K50发布于 2018-01-03 - 来自专栏程序猿DD
宜家如何利用低代码平台提升员工效率，提高数据价值
低代码开发已经在全球范围内的不同行业、不同企业中得到应用，并且使用的场景、角色等也在不断拓展。本文介绍低代码在零售领域的应用：构建敏捷的客户服务管理案例。 产品质量、品牌影响力并不能完全决定顾客的购买意愿，售前、售中、售后的购买体验，客服人员的专业程度，都会影响潜在顾客的购买。 整个2B的销售过程涉及几个团队的协作，销售部门利用定制的电子表格来追踪相关的预约、潜在客户、正在进行的项目以及项目中涉及的厨房用品的采购流程等。 整个解决方案的系统架构如图11-8所示。 图11-8 基于Power Apps所开发的应用的系统架构 任何一个解决方案的实施都需要考虑如下问题，此解决方案也不例外。 如图11-8中所描述的，在本案例中，初期我们看到，整个应用需求的实现需要从官网、第三方系统、Dynamics 365中获取数据，并汇总到Microsoft Dataverse中进行数据建模。
1.7K20发布于 2021-09-03 - 来自专栏华章科技
马太效应和幂律分布是怎么回事？终于有人讲明白了
因此当我们遇到在对数图里成一条直线的数据时，就是其理论分布可能是幂率的明显信号。 经济学中幂率的一个例子是帕累托法则，它指出80%的结果源自20%的起因。 除了在介绍马太效应时已经提到的例子外，我们还发现幂率出现在如科技论文的引用、地震震级和月球陨石坑的直径等如此不同的领域中，还有生物物种随时间推移而增多、分形学、食肉动物的觅食模式以及太阳耀斑的射线峰值强度 它指出了在很多种类的数据中数字频率的分布。 具体地，它指出，一个数的第一位数字是1的概率是30%，从2到9每个数字出现在第一位的频率逐渐降低。 表11-2 Benford定律，给出了数字出现在一个值首位的概率 ? 图11-8中给出了Benford定律的一个图示。 ▲图11-8 Benford定律 ? ▲图11-9 对数坐标轴下的Benford定律 Benford定律的广度令人震惊。
1.9K11发布于 2020-08-07 - 来自专栏小程序云开发入门
点餐系统的部署，Java点餐系统部署到腾讯云Linux服务器
经过前面几节的学习，我们在腾讯云Linux服务器上成功的安装了jdk8，mysql8，并且教会了大家如何配置ssl证书实现https，今天我们就来正式的部署点餐系统到linux服务器，这里以腾讯云服务器为例 准备工作 1，linux服务器安装jdk8 2，linux服务器安装mysql8 3，申请ssl证书，配置https 4，要有一个备案的域名 上面这几条我前面的章节和视频都有讲解过，大家翻下我的文章，或者去看下我的视频 把证书放到我们项目里的resources目录下 ? 二，配置ssl证书到点餐项目里 ? 把上图的配置代码贴出来给大家，一定要注意，根据代码上的注释来配置。 这样我们就可以成功的加载到数据了 ? 然后点餐系统就可以提交发布了。 到这里我们的点餐系统和点餐小程序就可以成功的供外界使用了，后面会更新更多Java和小程序的课程出来，请持续关注。 11-1~点餐系统部署到Linux服务器简介 11-7~在服务器上运行点餐系统供别人访问 11-8~小程序配置域名访问我们的点餐后台 完整点餐系统+小程序视频：https://study.163.com
4.3K30发布于 2020-10-22 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-9 SVM思想解决回归问题
a SVM的思想解决回归问题 回归问题的本质其实就是找到一根直线（或曲线）能够最大程度的拟合样本数据点，不同定义拟合的方式对应着不同的回归算法。 比如前面介绍的线性回归算法定义拟合的方式就是让样本点到预测的这根直线的MSE的值最小。 SVM的思想解决回归问题对拟合的定义是指定一个margin值（在使用SVM的思想解决分类问题的时候，对应决策边界的上下也有一个margin），与SVM的思想解决分类问题的margin不同，使用SVM的思想解决回归问题期望在这个给定的 margin范围内包含的样本点越多越好，margin范围内的样本点越多代表这个margin范围能够更好的表达我们的样本点，在这种情况下，取margin范围中间的这根直线作为真正的回归结果。 【机器学习】机器学习入门 11-6 到底什么是核函数 【机器学习】机器学习入门 11-7 RBF核函数 【机器学习】机器学习入门 11-8 RBF核函数中的gamma 【Pytorch】PyTorch
1.3K31发布于 2020-10-26 - 来自专栏mathor
matlab—图形界面（GUI）程序设计
图11-6 对齐对象 对齐控件了以后，我们再考虑一个问题，按钮都有它各自的作用，所以我们要让他展现不同的名字，以直观的让人知道这个按钮是干什么的，所以我们需要修改控件的样式，如何操作？ 就通过它的tag的id ? 图11-8 tag 上面讲的都是界面的一些知识，下面我们要讲的就是关于GUI程序背后代码撰写的部分，一个应用程序，除了有界面以外，还需要背后的代码才能实现交互 ? 图11-15 选择确定的axes 其实就加了个代码，将surf要画的图的”tag“确定下来即可 下面我们做个小例子，这个例子的功能是，当我滑动滑动条的时候，静态文本显示的值会随着我的滑动而改变 首先是界面设计 图11-17 滑动条参数 然后我们稍微把静态文本的字体调大一点，顺便记住他的tag，后面要用到的 ? 图11-18 静态文本参数 界面设计就到这了，接下来我们需要写消息相应代码，代码的工作主要是，当我滑动滑动条的时候，有一个参数将我当前滑动条的值保存下来，然后传给静态文本，主要思路就是这样，所以我们的代码应该是在滑动条的函数里面写
5.4K20发布于 2018-07-24 - 来自专栏开源能源管理系统
MyEMS能源管理系统后台配置-设备管理
MyEMS开源能源管理系统适用于建筑、工厂、商场、医院、园区的电、水、气等能源数据采集、分析、报表，还有光伏、储能、充电桩、微电网、设备控制、故障诊断、工单管理、人工智能优化等可选功能。 查看绑定计量表： 1.点击菜单“系统管理” 2.点击菜单“设备管理” 3.点击标签页“绑定计量表” 4.选择设备“5-8#冷冻水泵” 5.右侧绿色框“5-8#冷冻水泵绑定的表 ”下显示即为该设备所绑定的计量表图11-4绑定计量表列表 添加绑定计量表： 1.点击菜单“系统管理” 2.点击菜单“设备管理” 3.点击标签页“绑定计量表” 4.选择设备“5- 3.点击标签页“绑定参数” 4.选择设备“5-8#冷冻水泵” 5.点击按钮“添加参数” 6.在“添加参数”对话框输入“名称”、“类型”和“常量值” 7.点击“保存”按钮图11 .添加命令成功图11-11绑定命令 删除命令： 1.点击菜单“系统管理” 2.点击菜单“设备管理” 3.点击标签页“绑定命令” 4.在“设备”框中选择设备 5.拖动想删除的数据点到红色的回收桶中
33010编辑于 2025-05-28 - 来自专栏PowerBI战友联盟
Power Query 真经 - 第 11 章 - 处理基于 Web 的数据源
使用 Power Query 的一个非常有趣的场景是，可以利用它从 Web 上抓取与业务相关的数据，并用它来丰富自己的公司数据。数据通常以两种不同的方式之一存储在 Web 上。 存储在网站中的文件。 如果有，将在【导航器】窗口的左侧窗格中看到标题为 “HTML 表格” 的列表。相反，在这里看到的只是两个 “建议的表格”，Power Query 引擎从 HTML 文档的 CSS 推断出的表。 短暂延迟后，Power Query 会根据用户的示例输入信息以及其他网页上的数据推断出用户真实的提取意图，并自动填充这一列的其他部分。 图 11-7 使用【示例添加表】获取数据 完成后，用户可以通过单击【确定】，然后选择进一步【加载】或【转换数据】来访问自定义表，如图 11-8 所示。 图 11-8 将自动选择 “自定义表” 进行【加载】 11.3 连接到没有表的页面 若本书出版之际，【使用示例添加表】的功能尚未在 Excel 中发布，只能耐心再等待下。
4.4K30编辑于 2023-03-01 - 来自专栏SeanCheney的专栏
《Scikit-Learn与TensorFlow机器学习实用指南》 第11章 训练深度神经网络（下）
到目前为止，我们已经看到了四种加速训练的方法（并且达到更好的解决方案）：对连接权重应用良好的初始化策略，使用良好的激活函数，使用批量规范化以及重用预训练网络的部分。 见方程式 11-8）。 公式11-8 Adam算法 T 代表迭代次数（从 1 开始）。 如果你只看步骤 1, 2 和 5，你会注意到 Adam 与动量优化和 RMSProp 的相似性。 如果您的计算预算有限，那么您可能必须在正确收敛之前中断训练，产生次优解决方案（参见图 11-8）。 ? 图11-8 不同学习速率的学习曲线 通过使用各种学习率和比较学习曲线，在几个迭代内对您的网络进行多次训练，您也许能够找到相当好的学习率。 理想的学习率将会快速学习并收敛到良好的解决方案。
1.3K20发布于 2020-10-27 - 来自专栏SeanCheney的专栏
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第11章 训练深度神经网络
（见方程式 11-8）。 公式11-8 Adam算法 T 代表迭代次数（从 1 开始）。 如果你只看步骤 1, 2 和 5，你会注意到 Adam 与动量优化和 RMSProp 的相似性。 最后，Adam还有两种变体值得一看： AdaMax 公式11-8的第2步中，Adam积累了s的梯度平方（越近，权重越高）。 如果将其设置得稍高，开始的进度会非常快，但最终会在最优解周围跳动，永远不会停下来。如果计算资源有限，可能需要打断训练，在最优收敛之前拿到一个次优解（见图11-8）。 ? 图11-8 不同学习速率的学习曲线 正如第10章讨论过的，可以通过几百次迭代找到一个好的学习率，学习率一开始设的很小，然后指数级提高，查看学习曲线，找到那条要要开始抬高的曲线，要找的学习率比这条曲线稍低
1.7K10发布于 2019-10-25 - 来自专栏其它
【转】系统设计-第11章：设计一个信息推送系统
面试官：都是候选人：哪些是重要的特征？面试官：用户可以发布帖子，并在信息流页面上看到她朋友的帖子。候选人：信息是按逆时针顺序排序，还是按任何特定顺序，如主题得分？例如，你的亲密朋友的帖子有更高的分数。 一个新的帖子在发布后会立即被送到朋友的缓存中。优点：动态消息是实时生成的，可以第一时间推送给朋友。获取信息流的速度很快，因为信息流是在写的时候预先计算的。 读扇出信息源是在阅读时间内产生的。这是一个按需分配的模式。当用户加载她的主页时，最近的帖子被拉出。优点：对于不活跃的用户或那些很少登录的用户，读取时的扇出效果更好，因为它不会在他们身上浪费计算资源。 数据不会被推送给朋友，所以不存在热键的问题。缺点：获取信息源的速度很慢，因为信息源不是预先计算的。我们采用了一种混合方法，以获得两种方法的好处并避免其中的缺点。 完全整合的信息流以JSON格式返回到客户端进行渲染。缓存架构缓存对于信息流系统非常重要。 我们将缓存层分为 5 层，如图 11-8 所示。News Feed：它存储了信息的ID。
87010编辑于 2024-10-30 - 来自专栏积累沉淀
Python快速学习第十天
大于1的数字代表缓冲区的大小(单位是字节)，-1(或者是任何负数)代表使用默认的缓冲区大小。 11.2 基本的文件方法 打开文件的方法已经介绍了，那么下一步就是用它们做些有用的事情。 首先指定了我要读取的字符数"4"，然后(通过不提供要读取的字符数的方式)读取了剩下的文件。注意，在调用open时可以省略模式，因为'r'是默认的。 在这部分的所有例子中都使用了一个名为process的函数，用来表示每个字符或每行的处理过程。读者也可以用你喜欢的方法自行实现这个函数。 处理行使用的方法和处理字符一样，即使用readline方法(先前在11.2.3节介绍过)，如代码清单11-8所示。 # 代码清单11-8 在while循环中使用readline f = open(filename) while True: line = f.readline() if not line
1.7K60发布于 2018-01-11 - 来自专栏csdn
【Java应用】Java提取B站视频教程详情(完整代码|下载可直接运行|自带页面|可直接复制)
控件 3-12 实战TrackBar的使用 4-1 RGB与BGR【OpenCV的色彩空间】 4-2 HSV与HSL【OpenCV的色彩空间】 4-3 实战OpenCV色彩空间转换 4-4 图像操作的基石 Numpy【基础操作】 4-5 Numpy基本操作之矩阵的检索与赋值 4-6 Numpy基本操作三-ROI 4-8 OpenCV的重要结构体Mat 4-9 Mat的深拷贝与浅拷贝 4-11 图像的多种属性 4-12 通道的分割与合并 5-1 OpenCV绘制直线 5-2 OpenCV椭圆的绘制 5-3 OpenCV椭圆的绘制 5-4 OpenCV绘制多边形 5-5 OpenCV绘制文本 5-6 OpenCV 6-6 OpenCV位操作-或与异或 6-7 大作业-为图像添加水印 7-1 图像的放大与缩小 7-2 图像的翻转 7-3 图像的旋转 7-4 仿射变换之图像平移 7-5 仿射变换之获取变换矩阵 7- 11-2 Harris角点检测 11-3 Shi-Tomasi角点检测 11-4 SIFT关键点检测 11-5 SIFT计算描述子 11-6 SURF特征检测 11-7 OBR特征检测 11-8 暴力特征匹配
1.8K10编辑于 2024-04-10 - 来自专栏逆向技术
保护模式-第五讲-门-调用门
但是如果我们将构造的调用门的 DPL改为0. 那么在进行调用的时候就会发生提权了. 当然我们的RPL CPL也要进行修改. 跨段不提权的堆栈图 ? 也就是 调用call 之前的esp 是ring3 的堆栈 .而在保存调用者的ss esp cs的时候堆栈已经切换到 ring0的了. 1.1.4 总结 1.跨段调用的时候. 从对应的段描述符中 找出记录的BASE 以 BASE+调用门中记录的地址 进行调用. 记录的地址就是我们真正要执行的地址. 第12位 = 0 11-8固定的是1100 因为 s位 我们学过段描述符 当 s位 = 0 代表是系统段描述符. 调用门描述符就是系统段描述符. 调用们中的记录的段选择子是提权的 所以我们看下堆栈 ? 分别记录了 返回地址 调用者的CS 调用者的ESP 调用者的SS 2.6 构造有参调用门 之前讲的调用们是无参数的.
2.1K10发布于 2020-07-15 - 来自专栏燕鸻
Jmeter函数助手
在函数的第6个参数中，测试人员可以指定一个引用名。在函数执行以后，测试人员可以使用用户定义值的语法来获取同样的值。 在这个例子中，链接的name作为第 一个匹配组合，链接的value会作为第二个匹配组合。 这些组合可以用在测试人员的模板字符串中 是 第2个参数 这是一个模板字符串，函数会动态填写字符串的部分 内容。 计数器既可以被配置成针对每个虚拟用户是独立的，也可以被配置成所有虚拟用户公用的。如果每个虚拟用户的计数器是独立增长的，那么通常被用于记录测试计划运行了多少遍。 参数如表11-8所示。 表11-8 参数描述 函数参数 描述 是否必需 JavaScript代码片段 待执行的JavaScript代码片段。 函数的默认返回值是空字符串，因此该函数可以被用在任何地方，只要对函数本身调用是正确的。 通过将函数可选的第3个参数设置为"true"，函数就会返回属性的原始值。
3K20发布于 2020-08-10 - 来自专栏Android进阶编程
Android之View绘制问题汇总
MeasureSpec是一种“测量规则”或者“测量说明书”，决定了View的测量过程 View的MeasureSpec会根据自身的LayoutParamse和父容器的MeasureSpec生成。 最终根据View的MeasureSpec测量出View的宽/高(测量时数据并非最终宽高) 2、MeasureSpec的组成？ SpecMode和SpecSize打包和解包的方法 3、测量模式SpecMode的类型和具体含义？ UNSPECIFIED：父容器不对View有任何限制，一般用于系统内部 EXACTLY：精准模式，View的最终大小就是SpecSize指定的值（对应于LayoutParams的match_parent 和具体的数值） AT_MOST：最大值模式，大小不能大于父容器指定的值SpecSize(对应于wrap_content) 4、MeasureSpec和LayoutParams的对应关系？
1.4K20编辑于 2023-03-06 - 来自专栏Idea激活码
2022 PyCharm激活的，码上用起来吧 ，python快速使用等等
【最新评论区获取即可】下面信息直接使用（注:若过期或者不能用，评论区直接获取最新即可!!!!!!）：JKMMK98IO6-eyJsaWNlbnNlSWQiOiJRQjFJUkUwQzgzIiwibGljZW5zZWVOYW1lIjoi5rC45LmF5r+A5rS7IHd3d8K3YWppaHVvwrdjb20iLCJhc3NpZ25lZU5hbWUiOiIiLCJhc3NpZ25lZUVtYWlsIjoiIiwibGljZW5zZVJlc3RyaWN0aW9uIjoiIiwiY2hlY2tDb25jdXJ
1.2K10编辑于 2022-12-14
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