精华内容
参与话题
问答
  • Parameters用法

    千次阅读 2009-08-02 13:55:00
    SQL = "Insert Into titledetail (DETAILS_NAME, DETAILS_EMAIL, DETAILS_SUBJECT, DETAILS_CONTENT, TITLES_ID)Values (?, ?, ?, ?, ?)" 建立参数 Cmd = New OleDbCommand(SQL, Conn) 建立Command对象 向S

    SQL = "Insert Into titledetail (DETAILS_NAME, DETAILS_EMAIL, DETAILS_SUBJECT, DETAILS_CONTENT, TITLES_ID)Values (?, ?, ?, ?, ?)"  '建立参数
            Cmd = New OleDbCommand(SQL, Conn) '建立Command对象
            '向SQL语句添加参数
            Cmd.Parameters.Add(New OleDbParameter("DETAILS_NAME", OleDbType.Char, 255))
            Cmd.Parameters.Add(New OleDbParameter("DETAILS_EMAIL", OleDbType.Char, 255))
            Cmd.Parameters.Add(New OleDbParameter("DETAILS_SUBJECT", OleDbType.VarChar))
            Cmd.Parameters.Add(New OleDbParameter("DETAILS_CONTENT", OleDbType.VarChar))
            Cmd.Parameters.Add(New OleDbParameter("TITLES_ID", OleDbType.Integer))
            '给参数赋值
            Cmd.Parameters(0).Value = Session("user_name")
            Cmd.Parameters(1).Value = DETAILS_EMAIL.Text
            Cmd.Parameters(2).Value = DETAILS_SUBJECT.Text
            Cmd.Parameters(3).Value = DETAILS_CONTENT.Text
            Cmd.Parameters(4).Value = TITLES_ID
     
            Cmd.ExecuteNonQuery()

            SQL = "Update titles Set TITLES_LASTPOSTDATE=Now(),TITLES_NUM=TITLES_NUM+1 Where TITLES_ID=" & TITLES_ID
            Cmd = New OleDbCommand(SQL, Conn)
            Cmd.ExecuteNonQuery()
            Conn.Close()

    展开全文
  • 我们知道可以通过Module.parameters()获取网络的参数,那这个是如何实现的呢?我先直接看看函数的代码实现: def parameters(self): r"""Returns an iterator over module parameters. This is...

    我们知道可以通过Module.parameters()获取网络的参数,那这个是如何实现的呢?我先直接看看函数的代码实现:

        def parameters(self):
            r"""Returns an iterator over module parameters.
    
            This is typically passed to an optimizer.
    
            Yields:
                Parameter: module parameter
    
            Example::
    
                >>> for param in model.parameters():
                >>>     print(type(param.data), param.size())
                <class 'torch.FloatTensor'> (20L,)
                <class 'torch.FloatTensor'> (20L, 1L, 5L, 5L)
    
            """
            for name, param in self.named_parameters():
                yield param
        def named_parameters(self, memo=None, prefix=''):
            r"""Returns an iterator over module parameters, yielding both the
            name of the parameter as well as the parameter itself
    
            Yields:
                (string, Parameter): Tuple containing the name and parameter
    
            Example::
    
                >>> for name, param in self.named_parameters():
                >>>    if name in ['bias']:
                >>>        print(param.size())
    
            """
            if memo is None:
                memo = set()
            #本身模块的参数
            for name, p in self._parameters.items():
                if p is not None and p not in memo:
                    memo.add(p)
                    yield prefix + ('.' if prefix else '') + name, p
            for mname, module in self.named_children():
                submodule_prefix = prefix + ('.' if prefix else '') + mname
                #递归取得子模块的参数
                for name, p in module.named_parameters(memo, submodule_prefix):
                    yield name, p

    可以看到是通过枚举模块和子模块(成员对象是Module类型)的成员_parameters,那_parameters是什么?我先不着急,我们先看Module的一些实现,首先看下初始化函数:

        def __init__(self):
            self._backend = thnn_backend
            self._parameters = OrderedDict()
            self._buffers = OrderedDict()
            self._backward_hooks = OrderedDict()
            self._forward_hooks = OrderedDict()
            self._forward_pre_hooks = OrderedDict()
            self._modules = OrderedDict()
            self.training = True

    可以看到_parameters(也留意_modules ) 其实是有序字典。

    接着我们看下函数__setattr__(self, name, value)

       def __setattr__(self, name, value):
            def remove_from(*dicts):
                for d in dicts:
                    if name in d:
                        del d[name]
    
            params = self.__dict__.get('_parameters')
            #如果成员是Parameter类型
            if isinstance(value, Parameter):
                if params is None:
                    raise AttributeError(
                        "cannot assign parameters before Module.__init__() call")
                remove_from(self.__dict__, self._buffers, self._modules)
                self.register_parameter(name, value)
            elif params is not None and name in params:
                if value is not None:
                    raise TypeError("cannot assign '{}' as parameter '{}' "
                                    "(torch.nn.Parameter or None expected)"
                                    .format(torch.typename(value), name))
                self.register_parameter(name, value)
            else:
                modules = self.__dict__.get('_modules')
                #如果成员是Module类型
                if isinstance(value, Module):
                    if modules is None:
                        raise AttributeError(
                            "cannot assign module before Module.__init__() call")
                    remove_from(self.__dict__, self._parameters, self._buffers)
                    modules[name] = value
                elif modules is not None and name in modules:
                    if value is not None:
                        raise TypeError("cannot assign '{}' as child module '{}' "
                                        "(torch.nn.Module or None expected)"
                                        .format(torch.typename(value), name))
                    modules[name] = value
                else:
                    buffers = self.__dict__.get('_buffers')
                    if buffers is not None and name in buffers:
                        if value is not None and not isinstance(value, torch.Tensor):
                            raise TypeError("cannot assign '{}' as buffer '{}' "
                                            "(torch.Tensor or None expected)"
                                            .format(torch.typename(value), name))
                        buffers[name] = value
                    else:
                        object.__setattr__(self, name, value)
    

    我们知道如果类实现了该函数,赋值类成员时,将调用该函数。可以看到如果赋值类成员的对象是Parameter类型,那么将调用函数register_parameter注册参数,看该函数实现,其实是添加参数到有序字典成员_parameters中:

        def register_parameter(self, name, param):
            r"""Adds a parameter to the module.
    
            The parameter can be accessed as an attribute using given name.
    
            Args:
                name (string): name of the parameter. The parameter can be accessed
                    from this module using the given name
                parameter (Parameter): parameter to be added to the module.
            """
            if '_parameters' not in self.__dict__:
                raise AttributeError(
                    "cannot assign parameter before Module.__init__() call")
    
            elif not isinstance(name, torch._six.string_classes):
                raise TypeError("parameter name should be a string. "
                                "Got {}".format(torch.typename(name)))
            elif '.' in name:
                raise KeyError("parameter name can't contain \".\"")
            elif name == '':
                raise KeyError("parameter name can't be empty string \"\"")
            elif hasattr(self, name) and name not in self._parameters:
                raise KeyError("attribute '{}' already exists".format(name))
    
            if param is None:
                self._parameters[name] = None
            elif not isinstance(param, Parameter):
                raise TypeError("cannot assign '{}' object to parameter '{}' "
                                "(torch.nn.Parameter or None required)"
                                .format(torch.typename(param), name))
            elif param.grad_fn:
                raise ValueError(
                    "Cannot assign non-leaf Tensor to parameter '{0}'. Model "
                    "parameters must be created explicitly. To express '{0}' "
                    "as a function of another Tensor, compute the value in "
                    "the forward() method.".format(name))
            else:
                self._parameters[name] = param

    所以通过调用Module.parameters()获取网络的参数,有一部分是类成员中的Parameter对象,是不是全部呢?我们后面看

    展开全文
  • Parameters用法

    千次阅读 2010-04-20 09:24:00
    public bool InsertAdmin(string userName, string password, string remark, string mail, int departId, int power) { string sql = "insert into S_Admin(UserName,Password,Remark,Mail,DepartId,Powe

    public bool InsertAdmin(string userName, string password, string remark, string mail, int departId, int power)
        {
           
    string sql = "insert into S_Admin(UserName,Password,Remark,Mail,DepartId,Power)values(:UserName,:Password,:Remark,:Mail,:DepartId,:Power)";
            OracleConnection connection
    = new OracleConnection();
            connection.ConnectionString
    = "";//此处设置链接字符串
            OracleCommand command = new OracleCommand(sql, connection);
            command.Parameters.Add(
    "@UserName", OracleType.NVarChar, 60).Value = userName;
            command.Parameters.Add(
    "@Password", OracleType.NVarChar, 60).Value =password;
            command.Parameters.Add(
    "@Remark", OracleType.NVarChar, 60).Value = remark;
            command.Parameters.Add(
    "@Mail", OracleType.NVarChar, 60).Value =mail;
            command.Parameters.Add(
    "@DepartId", OracleType.Int32, 4).Value =departId;
            command.Parameters.Add(
    "@Power", OracleType.Int32, 4).Value = power;
            connection.Open();
           
    int rowsAffected=command.ExecuteNonQuery();
            connection.Close();
            command.Dispose();
           
    return rowsAffected > 0;
        }
    }

    展开全文
  • 目录 1、参数与超参数概念 1.什么是参数 2.什么是超参数 2、二者有什么区别 1.得到方式不同 ...有些概念其实,很纠结,它到底是属于机器学习呢,还是属于深度学习呢?比如说,分类与回归,这个有些是很难界定的,...

    目录

    1、参数与超参数概念

    1.什么是参数

    2.什么是超参数

    2、二者有什么区别

    1.得到方式不同

    2.影响因素不同

    3.可控程度不同


    说在前面的话

    有些概念其实,很纠结,它到底是属于机器学习呢,还是属于深度学习呢?比如说,分类与回归,这个有些是很难界定的,有人说,它属于深度学习,又有人说,它属于机器学习。

    其实争论这些,好像并无太大意义,就像一个男生对一个姑娘宠溺的说:这天下,是你的;而你,是我的。

    所以,其实不管这个概念属于谁,深度学习是属于机器学习的。深度学习作为机器学习比较完善的一个分支,即便真正是属于深度学习的概念,那便也是属于机器学习罢。

    所以我们就不纠结这个是机器学习小常识,还是深度学习小常识,我一概写作机器学习,因为我们的重点在于这些小常识,我们应该了解掌握它。

    如果你有什么问题,希望跟我能够一起交流,除了通过博客交流外,欢迎你加入我的QQ群,一起交流有关于机器学习、深度学习、计算机视觉有关内容。目前我并未确定具体的研究方向,所以现在 处于广泛涉猎阶段,希望我们能够一起沟通。下图是我的群二维码:

    今天要给大家分享的是参数与超参数。

    敲黑板

    重点来啦重点来啦!!!

    1、参数与超参数概念

    1.什么是参数

    参数,也叫参变量,是一个变量。我们在研究当前问题的时候,关心某几个变量的变化以及它们之间的相互关系,其中有一个或一些叫自变量,另一个或另一些叫因变量。如果我们引入一个或一些另外的变量来描述自变量与因变量的变化,引入的变量本来并不是当前问题必须研究的变量,我们把这样的变量叫做参变量或参数。

    统计学中,描述总体特征的概括性数字度量,它是研究者想要了解的总体的某种特征值。总体未知的指标叫做参数。

    机器学习领域,参数还有自己独特的含义,由模型通过学习得到的变量,叫参数,比如权重w和偏置b。

    2.什么是超参数

    在机器学习的上下文中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。

    2、二者有什么区别

    1.得到方式不同

    参数是通过模型训练得到的,超参数是人为设定得到的。

    我们要人为设定一些数据,这些数据是超参数,根据我们设定的数据和模型,得到的数据是参数。

    以深度学习训练为例,训练图像数据集,我们要提前设定迭代次数,学习速率,这些数据是超参数;我们设定好以后,模型自己训练会得到权重,这个数据是参数。

    2.影响因素不同

    超参数来源于人的经验,会受到硬件的制约,例如学习速率,如果电脑配置不行,那速率太快电脑带不起来,CPU和GPU处理图像时速率也有差别。

    参数主要受模型的影响,不同的模型,训练得到的结果差距很大,例如YOLO是实时监测,速度快,但是准确度有所下降。R-CNN速度没有YOLO快,但是在识别准确度上要更好。那这两个模型训练得到的参数是有很大不同的。

    3.可控程度不同

    超参数是人为设定,可控性高,参数与模型有关,得到的结果有时候与期望有差距,可控性较差。

    展开全文
  • 【pytorch】named_parameters()和parameters()

    千次阅读 2019-10-24 18:57:30
    nn.Module里面关于参数有两个很重要的属性,分别是named_parameters()和parameters(),前者给出网络层的名字和参数的迭代器,而后者仅仅是参数的迭代器。 import torchvision.models as models model = models....
  • cmd.Parameters.Add方法 VS Parameters.AddWithValue(“@参数”,value)方法的区别 以前用command方法执行存储过程增加参数时,总是先用cmd.Parameters.Add方法来设置参数和参数类型,再用Parameters[0].Value来给...
  • CNN中parameters和FLOPs计算

    万次阅读 多人点赞 2018-12-03 23:07:41
    在这之前我们先看一下CNN的前向传播计算公式,便于理解什么是parameters和FLOPs,这里参考Andrew老师课堂上的课件,如下: 前向传播过程其实就是将输入或上层输出左乘以一个,然后加上一个,最后使用合适的函数...
  • 使用Jmeter测试时,很多人不知道请求参数Parameters 、Body Data的区别和用途,这里简单介绍下: 先了解一个接口的基本概念 在客户机和服务器之间进行请求-响应时,HTTP协议中包括GET和POST两种基本的请求方法,...
  • Pytorch之parameters

    万次阅读 2018-08-16 15:02:22
    2.net.parameters() 逐列表项输出列表元素和index   1.预构建网络 class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 1 input image channel, 6 output chann...
  • 【Jmeter】参数Parameters和Body Data

    万次阅读 多人点赞 2016-05-31 19:03:56
    在做接口并发测试的时候,才发现Jmeter中的Parameters和Body Data两种参数格式并不是简单的一个是xx=xx,另外一个是json格式的参数先看一个接口[post] /api/xx/xxxx/xxxx 通知服务端文件上传完毕输入参数:...
  • jmeter中Parameters和Body Data区别

    千次阅读 2017-10-31 09:01:35
    Parameters xx=xx&amp;xxx=xx格式的参数为GET或者POST请求中,url中带的参数值,如: 在一个这样的请求中/api/v1/courseware/list?index=0&amp;pagesize=100&amp;thumb=1  ?号后面的可以写在url中,...
  • number of parameters, which is 0)结合网上各位大佬给出的解答,终于将其解决。问题出在手写的sql出错。这个报错的含义指的是第一个参数的问题,也就是说问题出在?左右。这是我写的sql:Stri...
  • 一. 先看官网的说明1.1 V$NLS_PARAMETERSV$NLS_PARAMETERS contains current values of NLS parameters。 Column Datatype Descriptio
  • Oracle v$nls_parameters 和 nls_database_parameters 区别
  • asp(Parameters) 参数化实现方法

    千次阅读 2015-06-07 10:15:39
    本文演示了使用 ActiveX 数据对象 (ADO) 从 Active Server Pages 调用存储过程的三种方法 下面的示例使用 Command 对象调用示例存储过程 sp_test。此存储过程接受整数,同时返回一个整数值: ...
  • Python pika.ConnectionParameters Examples

    千次阅读 2016-03-01 20:14:41
    The following are 20 code examples for showing how to use pika.ConnectionParameters. They are extracted from open source Python projects. You can click to vote up the examples you like, or ...
  • 先看官网的说明1.1 V$NLS_PARAMETERSV$NLS_PARAMETERS contains current values of NLS parameters。ColumnDatatypeDescriptionPARAMETERVARCHAR2(64)Parameter names are as follows: NLS_CALENDAR, NLS_...
  • SpringCloud Feign报错:Method has too many Body parameters 1、feign多参数问题 1.1GET方式 错误写法 @RequestMapping(value="/test", method=RequestMethod.GET) Model test(final String name, final int...
  • 修改后出现了这个错误getParameters failed (empty parameters) 出现这个错误大概率是在采集视频,需要认真的管理Camera对象,以及跟MediaRecorder类的协调。当使用Camera对象记录视频时,除了Camera.open()和...
  • Android Camera Parameters 获取

    万次阅读 2013-07-12 17:37:37
    以下是我写的使用Camera Parameters 获取相机相关参数的例子,展示如何 逐个获取所需的参数,在此记录下,为方便自己Review,也希望能帮到其他人。 其中,picture 相关的,Preview相关的都是大家比较关心的。 ...

空空如也

1 2 3 4 5 ... 20
收藏数 568,847
精华内容 227,538
关键字:

parameters