5 木呆呆瓶子

尚未进行身份认证

我要认证

知识补充中

等级
TA的排名 9w+

网络基础知识点总结(笔试面试用)

网络基础OSI七层网络模型分别是什么样的,以及每层的数据格式TCP/IP四层模型分别是什么样的,以及每层的数据格式TCP/IP协议建立连接的三次握手,关闭连接的四次握手,为什么要这么做常见的网络协议以及它们分别属于TCP/IP模型的那一层应用层:HTTP、FTP…传输层:TCP、UDP网络层:IP、ICMP、IGMP链路层:ARP、RARPTCP滑动窗口(1)滑动窗口机制的原...

2019-06-16 10:09:10

Hadoop集群简介和搭建步骤

参考多篇博客后,成功搭建Hadoop和Spark集群,希望记录下安装步骤,目前只更新了Hadoop部分Hadoop简介在搭建Hadoop集群之前,先简单了解一下Hadoop集群Hadoop是什么Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群进行高度运算和存储。主要解决海量数据的存储和分析计算的问题...

2019-06-04 17:58:14

使用keras训练神经网络时 训练集和验证集准确率远远高于测试集

环境为keras在cifar100上训练lenet5训练集和验证集准确率分别为acc:0.9510val_acc:0.9330测试集准确率只有0.46model=Lenet(n_class)es=EarlyStopping(monitor='val_acc',patience=5)tb=TensorBoard(log_dir='./logs',#log...

2019-05-17 10:31:59

P类问题 VS NP问题 VS NP完全问题

简单了解一下P类问题、NP类问题和NP完全问题P 类问题 一个问题可以在多项式时间(polynimal time)内解决,就是P类问题,时间复杂度为O(n),O(n^2)…多项式时间求解NP类问题(nondeterministic polynomial) 一个问题在多项式时间判断一个值是不是该问题的解,即多项式时间验证举栗子:一个数组求最大值,是P类问题一个很大的数组,判断x是不是该数...

2019-04-11 21:10:20

操作系统知识点总结(笔试面试用)

进程管理1.进程和线程以及他们的区别进程是对运行时程序的封装,是系统进行资源调度和分配的基本单位,实现了操作系统的并发性;线程是进程的子任务,是CPU调度和分派的基本单位,用于保证程序的实时性,实现进程内部的并发;一个程序至少有一个进程,一个进程至少有一个线程,线程依赖于进程为存在;进程在执行过程中拥有独立的内存单元,而多个线程共享进程的内存。2.进程间的通信进程之间的信息交换成为...

2019-04-06 20:16:54

计算理论导引-图灵机

定义形式定义:TMm=(Q,Σ,Γ,δ,q0,qaccept,qreject)TM m=(Q,\Sigma,\Gamma,\delta,q_{0},q_{accept},q_{reject})TMm=(Q,Σ,Γ,δ,q0​,qaccept​,qreject​)(1)QQQ是状态集(2)Σ\SigmaΣ编入定义表(3)Γ\GammaΓ带定义表,ε⊆Γ,⊔⊆Γ\varepsilon \su...

2019-04-04 17:04:44

Cost-effective training of deep CNNs with active model adaptation

KDD2018,作者:Sheng-Jun Huang, Jia-Wei Zhao, Zhao-Yang Liu将论文中的主要算法流程翻译过来,方便以后使用注:这不是标准的算法流程,为了方便,将算法中的公式直接写入到流程中了。ADMA算法流程:输入:UUU:nun_unu​:实例的无标签数据集M0M^0M0:预训练模型AAA:特征训练的初始化层的层号BBB:特征训练的最终层的层号Z...

2019-03-26 19:42:31

指数加权平均数

指数加权平均数简单理解指数加权平均数上图中的蓝色点是伦敦一年的温度,可以看出大致的趋势,但是有一点杂乱。如果我们如图中公式所示,设初始值为v0=0v_0=0v0​=0,将第二天的温度设为v1=0.9v0+0.1θ1v_1=0.9 v_0+0.1 \theta_1v1​=0.9v0​+0.1θ1​,以此类推,我们将得到的一系列值绘制到图中,用红线表示,可以看出比之前的趋势要更明显一些,这些值都是...

2019-03-19 21:30:15

2019 腾讯数据分析实习生提前批笔试题

总共5道编程1.大意是:一个比赛,有n个打卡点,分别为X1,X2,…,Xn ,起点为a,完成比赛必须走完n-1个打卡点(打卡点顺序不限),找出完成比赛最短的路径值。1<=n<=100000 -1000000 <= a <=1000000 -1000000 <=Xi<=1000000程序输入格式为:第一行是 n,a 第二行是n个打卡点输入:3 ...

2019-03-11 09:38:47

连接打印机教程

情况一:插线直接连接打印机 1、 确认打印机插线连接正确 2、 确认打印机可正常使用 3、 打开打印机设备管理【开始—设备和打印机】 4、 添加打印机【添加打印机—添加本地打印机】 5、 选择打印机端口 【使用现有的端口】(一般选择USB端口,若未成功连接可尝试LPT端口) 6、 安装打印机驱动,选择所需添加打印机的厂商和具体型号,没有可选择【Windows Update】...

2018-06-19 18:23:49

增量式在线学习:对最先进的算法进行回顾和比较

翻译论文:IncrementalOn-lineLearning:AReviewandComparisonofStateoftheArtAlgorithms作者:ViktorLosing,BarbaraHammer,HeikoWersing发表在2018neurocomputing摘要最近,增量式和在线学习受到更多关注,特别是在大数据和从数据...

2018-06-14 08:55:41

针对多任务学习的“十字绣网络”

多任务学习是机器学习的重要组成部分,但是对于应用深度学习进行多任务学习时会遇到一个棘手的问题,那就是我们该如何确定网络的共享部分。针对不同的任务,其最佳共享层往往不同。此外,针对不同的多任务学习,我们需要根据任务需求设计不同的共享层,并没有统一的标准。因此,本文针对这一问题设计了“十字绣”单元,通过端对端的学习来自动决定共享层。论文: Cross-stitch Networks for M...

2018-06-04 16:22:40

使用体系结构权衡分析法(ATAM)对两种体系结构进行评估

论文题目:Evaluation of two architectures Using the Architecture Tradeoff Analysis Method (ATAM) 作者:Mildred N. Ambe Frederick Vizeacoumar {mildred, fred}@cs.ualberta.ca 仅供参考,如有错误欢迎指正。摘要任何一种软件系统的软件架...

2018-05-27 18:31:11

深度自适应增量学习(Incremental Learning Through Deep Adaptation)

翻译论文:IncrementalLearningThroughDeepAdaptation代码:https://github.com/rosenfeldamir/incremental_learning该方法取得2017cvprVisualDecathlonChallenge竞赛冠军注:翻译中可能存在用词不准的情况,如有发现,欢迎留言摘要:\quad鉴...

2018-05-25 18:56:00

分布式系统-命名系统(1)

1.名称、标识符、地址名称:是由位或字符组成的字符串,用来指向一个实体。分布式系统的实体几乎可以是任何事物,比如主机、打印机、磁盘和文件等资源。地址:访问实体时需要通过一个访问点访问实体,因此访问点的名称称为地址,一个实体的访问点地址也可以简称为该实体的地址。访问点是一种特殊类型的实体。一个实体可以提供多个访问点,并且经过一段时间后实体的访问点可能会发生变化,例如电话号码可以看作是一个人的访问点,...

2018-03-16 21:16:25

SVDD和OCSVM的比较

OCSVM(one class support vector machine)即单类支持向量机,最先提出的文献为:Estimating the support of a high-dimensional distribution.该模型 将数据样本通过核函数映射到高维特征空间,使其具有更良好的聚集性,在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离,如图1:坐标原...

2018-03-14 10:45:11

分布式操作系统简介

        一个分布式系统是一些独立的计算机的集合,但是对这个系统的用户来说,系统就像一台计算机一样。这个定义有两个方面的含义:第一,从硬件角度来讲,各个计算机都是自治的;第二,从软件角度来讲,用户将整个系统看作是一台计算机。这两者都是必需的,缺一不可。分布式操作系统是建立在网络之上的软件系统,可以说分布式系统一定是网络操作系统,反之不成立。分布式系统的主要目标:1.    使用户能够方便地访...

2018-03-07 20:54:52

XGBoosting简单原理及参数调优

Booster参数:1.学习率和n_estimators具有相反的关系,建议学习率设小,用交叉验证确定estimators。随机森林与XGBoosting区别   随机森林的损失函数对树的的处理是并行的,而XGB是串行的处理。在XGB安装完成后就可以在sklearn的调用,XGB的弱学习器是不能换的,XGB可以实现增量学习,对与连续特征,对样本中出现的特征认为是一个分裂点,这是精确搜索。树的数目调...

2018-03-06 20:55:49

ubuntu 16.04 安装pycharm

记录下自己安装的过程1、安装java  jdk      直接打开终端,执行下面的命令;     sudo add-apt-repository ppa:webupd8team/java    sudo apt-get update    sudo apt-get installl oracle-java8-installer   安装过程中会出现oracle licens

2016-05-23 10:12:32
勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。