精华内容
下载资源
问答
  • 之前讲了一些机器学习的算法和特征工程的东西,相信大家如果有一些数据也是可以建立出自己的模型了,但是,模型的效果却没有想象中那么好,那么,应该怎么呢?这里有一份关于模型调...
        

    之前讲了一些机器学习的算法和特征工程的东西,相信大家如果有一些数据也是可以建立出自己的模型了,但是,模型的效果却没有想象中那么好,那么,应该怎么做呢?


    这里有一份关于模型调优的备忘录,每当出现上述问题的时候或者是建模前,都可以按照这个清单来进行检查,话不多说,大家一起来看看呗~

    原文来自Jason Brownlee 的文章《Machine Learning Performance Improvement Cheat Sheet》)

    640?wx_fmt=png


    为了文章阅读的清晰,先在前面简单说明一下文章的目录框架。

    本文存在的意义在于辅助大家提升机器学习模型的效果,方法有很多,如果你在其中的一个办法中找到了突破,仍可以回头再找其他,直到满足你的模型效果要求,本备忘录主要从4个角度来进行方法的阐述,分别是:

    • Improve Performance With Data.(数据)

    • Improve Performance With Algorithms.(算法选择)

    • Improve Performance With Algorithm Tuning.(算法调优)

    • Improve Performance With Ensembles.(效果集成)

    好的,下面就分别从这4个角度来说一下。



    1. Improve Performance With Data

    事实上,你直接改变训练数据或者改变目标的定义,好效果会来得更加“不费吹灰之力”,有的时候还可能是最好的操作,所以有一句话说得很有道理:选择比努力重要哈哈哈

    鸡汤不多说,说下Strategy: 创建不同的目标样本并且尽量使用最底层的特征来训练模型算法。

    具体策略:

    • 获得更多的数据:一个好的深度学习模型需要更多的数据来训练,其他非线性的机器学习模型也是如此。

    • 开发更多变量:如果你实在不能获得更多的数据亦或是更好质量的数据,也许可以通过概率模型、统计模型来生成新的变量。

    • 清洗数据:通过数据清洗,你可以对缺失值、异常值进行合理的填补与修复,从而提升数据整体的质量。

    • 重新采样数据:其实可以通过对数据的重新采样来改变数据的分布和大小。对某一特定类型的样本进行采样,说不定可以更好滴表现出效果。又或者是使用更小的数据,从而加快速度。

    • 问题解决思路的重新思考:有的时候,你可以把你目前正在“焦头烂耳”想要解决的“预测性”问题,换成回归、分类、时间序列、异常检测、排序、推荐等等的问题。

    • 调整变量再入模:这里指的是对数据进行离散化、标准化等的操作。

    • 改变现有的变量:这里相信大家也很常见,就是对变量进行对数转换或指数转换,让其特性能更好地表现。

    • 对变量进行降维:有的时候降维后的变量有更好的表现哦。

    • 特征选择:这个就是特征工程了,简单来说,就是你对特征(变量)进行重要性的排序,选择相对预测力强的特征进入模型。



    2. Improve Performance With Algorithms

    机器学习其实都是关于算法的学习。

    Strategy: 识别出优于平均值的算法,但要对其实验过程以及结果抱着怀疑态度,并反复思考。

    具体策略:

    • 重采样方法:使用什么方法来估计效果?有个原则就是要充分利用可用的数据来验证,这里,k-fold交叉验证方法可以是最好的哦。

    • 评价指标:不同的目标需要使用不同的评价指标,这个相信大家在学习混淆矩阵的时候应该有所了解,什么pv+,命中率等等,都是对于特定类型的目标有着非常有效的识别。如果是一个排序性的问题,而你却用了准确度的指标来衡量模型的好坏似乎也说不过去把?

    • 关注线性算法:线性算法通常会不那么好用,但是却更好地被人类理解且可以快速测试,如果你发现某个线性算法表现地还行,请继续优化它。

    • 关注非线性算法:非线性算法往往会需要更多的数据,通过更加复杂的计算来获得一个不错的效果。

    • 从文献中找ideas:这个方法还经常做,从文献中可以了解到更多的经典算法在特定需要下的应用,通过对文献的阅读来扩充你的“解题”思路把。



    3. Improve Performance With Algorithm Tuning

    模型调参也是一个非常费时间的环节,有的时候“好运”可以马上抽查出表现还不错的结果,并持续调参,就可以得到一个不错的结果。但如果要对其他所有的算法进行优化,那么需要的时间就可能是几天、几个星期或者几个月了。

    Strategy: 充分利用性能良好的机器学习算法。

    具体策略:

    • 诊断方法:不同的算法需要提供不同的可视化和诊断的方法。

    • 调参的直觉:这个就很“玄学”了,但其实都是一些经验,当你调的参足够多,也可以大致可以对这些不同算法的参数有了自己的理解,自然就有了这些所谓的“直觉”。

    • 随机搜索:在N维参数空间按某种分布(如正态分布)随机取值,因为参数空间的各个维度的重要性是不等的,随机搜索方法可以在不重要的维度上取巧。

    • 网格搜索:先固定一个超参,然后对其他各个超参依次进行穷举搜索。

    • 从文献中找ideas:从文献中了解这个算法用到了哪些算法,并且这些算法主要的取值值域,有益于自身工作的开展哦。

    • 从知名网站中找ideas:国内我个人觉得知乎还是蛮可以的,关于这节的参数调参,也是有好多好文章,其外还有csdn也不错。



    4. Improve Performance With Ensembles

    这个算法集成的方法也是非常常用的,你可以结合多个模型的结果,综合输出一个更加稳定且效果不错的结果。

    Strategy: 结合各种模型的预测结果并输出。

    具体策略:

    • 混合模型的预测值:你可以把多个模型的预测结果结合起来,你可以将多个训练效果还不错的模型的预测结合综合起来,输出一个“平均”结果。

    • 混合不同数据的预测值:你也可以把不同的数据集训练出来模型的结果进行结合,作为一个输出。(这个与上面的区别在于数据集的特征不同)

    • 混合数据样本:很拗口,其实意思就是将数据集拆分成不同的子数据集,用于训练同一个算法,最后输出综合的预测结果。这个也被称之为bootstrap aggregation 或 bagging。

    • 使用模型的方法集成:你也可以使用一个新的模型来学习如何结合多个性能不错的模型结果,输出一个最优的结合。这被称之为堆叠泛化或叠加,通常在子模型有技巧时很有效,但在不同的方式下,聚合器模型是预测的一个简单的线性加权。这个过程可以重复多层深度。



    5. 参考资料

    1.机器学习各种算法怎么调参?   https://www.zhihu.com/question/34470160?sort=created

    2.《machine-learning-performance-improvement-cheat-sheet》   https://machinelearningmastery.com/machine-learning-performance-improvement-cheat-sheet/



    —End—


    展开全文
  • Irrlicht学习备忘录——前言

    千次阅读 2013-10-26 20:56:40
    一份工作每天都是光传输组网络网优化设计,加班也越来越多,基本没空学习这内容了。辞职出来后,想跨行跳槽,一样找不到这方面工作,只好干自由职业,自己瞎折研究游戏引擎。 花了2年多时间,参考NeHe...

    前言

            一直都喜欢3D游戏编程,可惜一直都没能找到份跟这个相关的工作,也许昆明太落后的关系吧。第一份工作每天都是做光传输组网络网优化的设计,加班也越来越多,基本没空学习这内容了。辞职出来后,想跨行跳槽,一样找不到这方面的工作,只好干自由职业,自己瞎折研究游戏引擎。

           花了2年多时间,参考NeHeOpenGL教程,自己也一步一步的做出了个3d引擎,虽然基本的功能有了,但问题太多,多线程下不稳定,只能支持自己设计的3d模型格式,根本不能做复杂的游戏。后来在开源社区里仔细对比了好几个开源引擎,发现Irrlicht还不错,上手容易,还能跨平台,支持的3d模型文件格式也比较丰富,就开始转到用这引擎来做游戏了。

           用Irrlicht也用来大半年,在它上面自己扩展了声音和物理部分,用它做出了个Demo。这时发现没美工,的确是个大问题。自己尝试做三维模型,和PS纹理,虽然制作方法不复杂,可是非专业人员做这些,费时不说,效果还有点惨不忍睹,自己PS几个图标按钮之类的还可以接受,别的实在是没法用,只好放弃了。

           人也不小了,一直自由职业也不是个事,就开始重新找工作了。这次找到份编程的工作,仍然跟游戏无关,不过至少是编程了。公司做的产品,几乎都是B/S的,只是目前要做的阅卷系统找不到合适的人做,就让我来试试,等做好以后必须转到Web程序开发是一定的。这样也就意味着,以后基本没时间在弄自己喜欢的3D游戏编程。实际情况也是这样,上了一个月的班,每天回到家看下新闻,也就该睡了。前期在这块上花的精力岂不白费了,于是决定乘着现在还没忘记,每天花几分钟写下前期学到的内容,遇到跟我一样有同样爱好的人,也可以给他做参考,节省点时间。万一那天失业了,又想试试自己做游戏,也可以看看回忆下。

    展开全文
  • 前几天帮老师做一个城市设计项目空间句法分析,本来以为一个下午就能搞定事,拖了好几天。...我没有打算写一份完整空间句法教程,只是展开谈谈自己在学习使用DepthmapX进行空间句法分析时一些发现和感悟...

    c834014afe8b490a49f65f1c5febb1dd.png

    前几天帮老师做一个城市设计项目的空间句法分析,本来以为一个下午就能搞定的事,拖了好几天。其间暴露出一些软件本身的问题,使用操作的问题,设计人员之间协同工作的问题等等,觉得有必要稍作小结。一是给自己提个醒,有些错误,再一再二不可再三再四,如果同时还能对别人有所启发,自然是更好。

    我没有打算写一份完整的空间句法教程,只是展开谈谈自己在学习使用DepthmapX进行空间句法分析时的一些发现和感悟,不够成熟,也不够深刻。如果要做详细了解,可以直接去看Bill Hillier等人编写的SPACE SYNTAX METHODOLOGY的英文原版。如果觉得麻烦,也有中文版的《空间句法简明教程》可供参考。

    一、什么是空间句法?




    先简单说一下什么是空间句法。比较官方的说法是:空间句法(SPACE SYNTAX)是一系列对于城市和建筑尺度下的空间组构与行为活动开展研究的理论方法和工具的总称。它能帮助我们以可视化、定量化的形式理解空间的内在组构关系。

    空间句法起源于Hillier对英国1960年代战后新建住区缺乏活力的反思:“是否是不合适的空间组构导致了这一现象?”同时又受到社会网络分析的启发:社会网络结构是否能在物质空间环境中找到类似的情况?是否有些更为重要的街道或者空间?如何识别他们?

    在空间句法中有几个非常重要的基本概念,例如空间表征方面的轴线(Axial line),线段(Segment),凸空间(convex space),视域分析(Isovist)等,解决的是如何对空间进行抽象的问题;分析测度方面的连接度(Connectivity),整合度(Integration),选择度(Choice)等,解决的是如何测度空间之间相互关系的问题。分析方法主要包括Axial analysis, Angular Segment analysis, Visibility Graph Analysis等。

    在这些概念里,最核心的就是连接度、整合度和选择度,三个概念相互影响,但又不完全一样,共同成为理解所有计算和分析的基础。

    连接度是指:与轴线/线段/凸空间等空间单元直接连接的其他空间单元的数量。

    整合度是指:某一轴线/线段/凸空间等空间单元在整个空间网络体系中的深度情况,越深则整合度越低。

    选择度是指:某一轴线/线段/凸空间等空间单元在整个空间网络体系中更容易被人使用和通过的程度。

    二、空间句法分析中需要注意那些问题?




    空间句法分析一般有两个层面,一个是建筑尺度,主要用来做视域分析,另一个是城市尺度,主要用来做道路分析。我接触的主要是城市尺度,所以只谈后者。

    1、CAD建模很关键,一定要细心细心再细心。

    空间句法分析第一步就是要建立专门的分析模型,通过CAD将路网抽象成许多线段组成的网络。道路转弯或者与其他道路相连时,线段一定要出头,否则软件无法识别。在城市尺度的研究中,都需要建立模型的缓冲区,所以面积不会小,线段动辄上千条,要保证每一个节点准确出头,是一件非常考验细心的事情。CAD精度很高,有时候肉眼觉得相交,但放大以后其实是不相交的。所以在建模时,一定要按F3关掉“自动捕捉”功能,画出的所有节点,都要明显出头,一遍成功,不要指望后期再去检查。

    在小组合作的过程中,建模的同学更是任务重大,因为后期所有的分析都建立在模型的基础上,而其他人可能并不熟悉路网的详细情况,一旦细节上出错,别人在运算过程中几乎不可能查出来。每一条线段都是一条路,线不连则路断,所以即使是很微小的错误,也会导致分析结果失之毫厘谬以千里。很多人其实一开始建模就错了,分析完发现跟经验判断不一致,查又查不出来,又不想重做,就只好避而不谈。

    准确而完整的建立模型,既是节省自己的工作量,也是节约别人的时间。不然你错了,后面都要跟着改,一遍遍重复同样的操作,对于分析的同学来说,工作量就翻了好几倍。

    ee16c0e98eaa1b6a098025b6e5c12566.png

    ba481af86e1616f3087a1172f81eba05.png

    ▲ CAD中看似相交的线,放大以后其实不相交

    2、  软件一定要先调试,再详细操作

    DepthmapX无需进行安装,直接把文件夹拷进电脑里,就可以使用。这样虽然方便,但也使得软件非常不稳定,在有些系统下不能正常运行。所以正式开始分析操作之前,一定要先打开文件调试,看看计算,导出,保存,另存为等基本操作可否正常进行,如果出现闪退等问题,要及时更换电脑。否则一旦分析深入下去,最后一步发现结果无法保存或者导出,会浪费更多时间。我在这次项目中第一次操作时就过于大意,忘记自己的笔记本曾经重装过系统,结果所有操作都弄完了,保存的时候软件崩掉,之前的工作都白做了。

    3、  NODE COUNT进行路网测试

    导入DepthmapXCAD地图,需要先转化成轴线模型,再转成线段模型。一般来说,在转成轴线模型之前,要做一步Graph analysis,查看node count的界面是否全绿,如果出现大面积红色和几根蓝线,则说明地图中有单独的线段,和任何其他线段都不连接,那么最好的办法就是返回CAD中修改,重新导入修改后的文件再检查,直到全绿。

    独立线段在现实生活中是不允许存在的,因为每一根线段都代表一段路,所有路网都是联系在一起的,直到出现端头路为止,不可能有道路两端与其他路都不相连。

    feda7640e4e78920fe133c5b70468dba.png

    2717da95ed632109352cf205ad5dc3f9.png

    ▲ 转化为轴线模型

    66311cfc4dc8e157ff9ac0c2df3a8c53.png

    229ff7cf5c94b2fa02c6eb47d8541914.png

    5b82b719c21c7094f54033806a296e77.png

    ▲ node count 检验流程

    19624129c7f6c09d8ce427383419999a.png

    b6a80431a820483a76069ca5f055240b.png

    ▲ node count 错误与正确路网对比

    4、  Color range调整显示颜色

    有时候DepthmapX自动生成的分析结果并不明显,需要调整color range让结果更加易读。调整的时候要注意的问题是,如果需要做多方案比较,一定要记清楚第一次调整好以后每一项分析指标的数值,以保证多种方案在同一标度下比较,否则无意义。第二是要考虑调整到什么程度合适,不能仅仅看全局颜色,更重要的是关注自己所分析的区域,在该区域内,色差是否足够进行对比分析。

    9eb0efa70633fc03c1e9021cca834f44.png

    bb0fa7fef438c9fb086ba23c5a8a9e90.png

    ▲ color range窗口

    238df12d8020c0b321ecedd99202f921.png

    91b0a015b8deb787813cb11692d73c51.png

    ▲ 同一分析结果,不同color range的呈现

    5、  分析结果的后期处理

    DepthmapX的分析结果在软件本身的界面上往往不甚清晰,也难以多方案比较,所以必须导出后,再做后期处理。我一般比较习惯的导出方式是Edit--Export screen,导出为svg格式,然后用Adobe Illustrator(AI)打开,调整线段粗细和图面大小,加入底图和红线,直到图面直观,美观为止。导出时还要注意,先保存在原文件夹下,以简单的数字或者字母命名,然后复制出来,再修改文件名。这样可以避免因为文件名称或者存储路径过于复杂,导致软件崩掉。

    49bc134e915e49d29bdd55051c2c9737.png

    c5666e44c2773d33a5d189c319f5d70c.png

    ▲ 导出文件

    b41020940ec5e7d869c26f06fe72c839.png

    ▲ 导出的SVG文件在AI中打开

    a6e3ee413c630daddc7f51c64d4929ba.png

    ▲ AI处理以后的图面

    6、  知其然,也要知其所以然

    如今,我们可以借助计算机,做到很多以前仅靠人脑和经验做不到的事情,比如定量分析,比如海量比选。答辩的时候,老师多半没有时间去细看软件分析结果与设计结果之间是否逻辑一致,所以一些学生仅仅把高科技的软件当做噱头,分析与设计完全是两张皮,欺人,也自欺。科技发展与计算机辅助分析软件的成熟应该内化为设计中新鲜的血液,而非一件华丽的外衣。

    当然,还有一种情况另当别论,就是设计早已经心里有数,软件分析只是为了印证自己的经验判断,同时更加有力地说服听众或者甲方。这时候,更要清楚分析图表的每一根线,每一种颜色,每一点差异到底意味着什么。要知道具体操作,更要知道操作背后的道理,是所谓“知其然,亦知其所以然”。

    其他





    以前导师跟我们说过,一件事情你尽百分之八十的力,能做到基本完成,但是只要再往前做百分之二十,就可以让这件事发挥更大的价值,同时得到更丰厚的回报。对此,我深以为然。

    空间句法和Arch-GIS是研究生一年级设计二课程上叶老师教的,当时其实只上了几节课,学了一点皮毛。后来做设计的时候小组分工,我负责软件分析。建筑系的学生对于做方案,出图,排文本很熟悉,做起来得心应手。但是用一个新学两三天的软件去分析场地,并且在短时间内拿出分析结果,却是一件压力很大的事。但我最终还是选择了后者,在学习阶段,只有去做自己不熟悉,不擅长的事情,才可能学到更多。虽然软件分析的成果最终对设计的影响并不大,但在这个过程中,我对空间句法有了基本认知。

    一段时间以后,又有机会用空间句法帮老师在实际项目中做分析,学以致用的感觉很好。接触一个新的软件,不是仅仅为了完成设计作业,课程结束就将其束之高阁,而是应该让它变成一种自己可以驾驭的工具,帮助我在以后的项目中做出更快更好的判断。渐渐地,经过反复实践和研究,它被沉淀下来,成了思考问题的一种方式。

    人不能一味忙着往前走,也要时常回头看看。我花时间写这样的总结,也是觉得应该把自己遇到的问题的解决问题的过程记录下来,以便后期回顾与反思。让做过的事,犯过的错,浪费过的时间,不至于白白变成记忆的垃圾。

    2019年3月11日

    完笔于上海,同济大学





    PS:文中提到的书与软件的下载链接:

    depthmapX-0.50-64bit-Windows 软件包:

    https://pan.baidu.com/s/1O4eOQRP4P1bJ9Cbj8edTAw 

    提取码:u9y4 

    空间句法简明教程(第二版):

    https://pan.baidu.com/s/1C3lBfiQSvwlxSleicAUOOw 

    提取码:ysdq 

    SPACE SYNTAXMETHODOLOGY 英文原版:

    https://pan.baidu.com/s/1l-cMvYe3VCNmtnWosYj6wQ 

    提取码:eot1 

    展开全文
  • LaTeX表格绘制方法备忘一

    千次阅读 2019-01-13 11:08:38
      这里把自己用到表格绘制方法一些记录,免得以后要用时候又到处去找。这博客内容会随着我在工作中使用表格经历而变化,所以如果你看到是转载,最好还是来CSDN上看原文,因为内容可能已经不一样。...

      这里把自己用到的表格绘制方法做一些记录,免得以后要用的时候又到处去找。

    使用环境

    • 操作系统:Ubuntu 16.04 64位桌面版
    • LaTeX工具:TeXstudio 2.10.8
    • 编译方式:LuaLaTeX

    1、绘制固定列宽度、指定列对齐方式的表格

      
    完整代码如下:

    \documentclass{book}
    %
    \usepackage{ctex}
    \usepackage{geometry}
    \usepackage{booktabs}
    \usepackage{tabularx}
    %
    \geometry{a4paper, left = 3.17cm, right = 3.17cm, top = 2.54cm, bottom = 2.54cm}
    %
    \newcolumntype{L}[1]{>{\raggedright\arraybackslash}p{#1}}
    \newcolumntype{C}[1]{>{\centering\arraybackslash}p{#1}}
    \newcolumntype{R}[1]{>{\raggedleft\arraybackslash}p{#1}}
    %
    \setlength{\parindent}{0pt}
    %
    \begin{document}
    %
    %
    \heiti\centerline{表1-1 因程序设计语言或编译技术而获图灵奖的科学家}\songti
    \begin{tabular}{R{1cm}|C{3cm}|L{10cm}}
    \bottomrule[2pt]
    年份 & 获奖者 & 获奖原因\\
    \specialrule{2pt}{0pt}{0pt}
    1966 & Alan J. Perlis & 先进编程技术和编译架构方面的贡献\\
    \hline
    1971 & John McCarthy & Lisp语言、程序语义、程序理论、人工智能方面的贡献\\
    \hline
    1972 & E. W. Dijkstra & 对开发Algol做出了原理性贡献\\
    \hline
    1977 & John Backus & 在高级语言方面所做出的具有广泛和深远意义的贡献,特别是在Fortran语言方面\\
    \toprule[2pt]
    \end{tabular}
    %
    \end{document}
    

    效果如下:
    在这里插入图片描述
    说明:

    1. 每列的宽度由“\begin{tabular}{R{1cm}|C{3cm}|L{10cm}}”中的尺寸决定;
    2. 三行\newcolumntype语句定义了三种对齐方式,只是左对齐似乎没有必要设置,因为系统默认就是左对齐。要注意的是LaTeX的命令是大小写敏感的,别把其中大写的C打成小写的c了。定义对齐命令中包含的命令来自tabularx宏包。
    3. 这份例子中顺带使用了宏包booktabs,代码中的\bottomrule[2pt]、\specialrule{2pt}{0pt}{0pt}与\toprule[2pt]就来自这个宏包,效果大家也看见了。要注意的是我们是在表格顶部使用\bottomrule[2pt],而不是使用\toprule,否则会存在缝隙。本来booktabs中还提供了\midrule命令,但这个命令同样会产生缝隙,所以我才使用\specialrule{2pt}{0pt}{0pt}命令,其中第1个参数是线条的粗细,第2个是上方的间隙、第3个是下方的间隙。
    4. 这份代码我是在LuaLaTeX编译方式下写的,所以使用了ctex宏包来支持汉字显示。ctex为我们提供了一些默认的字体命令,包括\songti、\heiti、\kaishu、\lishu与\youyuan,名字一看大家就明白是哪些字体。
        

    2、绘制一行多列合并表格

      
    代码如下,导言区与上一例相同,不再列出。

    \begin{center}
      \heiti 表1-4 Neo Pascal基本数据类型\songti\small\\
      \begin{tabular}{C{1.9cm}|C{2.1cm}|c|C{1.6cm}|C{2.8cm}|c}
        \bottomrule[2pt]
        \multicolumn{3}{c|}{整型} & \multicolumn{3}{c}{实型}\\
        \hline
        BYTE & unsigned char & 单字节无符号整型 & SINGLE & float & 单精度型\\
        \hline
        WORD & unsigned short & 双字节无符号整型 & REAL & double & 双精度型\\
        \hline
        LONGINT & unsigned int &  四字节无符号整型 & \multicolumn{3}{c}{字符型}\\
        \hline
        CARDINAL & unsigned int & 四字节无符号整型 & CHAR & char & 字符型\\
        \hline
        SHORTINT & char & 单字节有符号整型 & \multicolumn{3}{c}{布尔型}\\
        \hline
        SMALLINT & short & 双字节有符号整型 & BOOLEAN & C++的bool & 布尔型\\
        \hline
        INTEGER & int & 四字节有符号整型 & \multicolumn{3}{c}{字符串型}\\
        \hline
        & & & STRING & 类似C的char* & 字符串型\\
      \toprule[2pt]
      \end{tabular}
    \end{center}
    

    效果如下:
    多列合并表格
      代码表达得已经很清楚,不再说明。

    展开全文
  • 今天让运维将测试库数据到了导出一份自己电脑本地来测试,数据量较大(几百万条吧),系统运行起来之后查看订单列表数据很慢(估计是自己电脑配置太low了,刷新列表时候一直在加载),然后就想删除部分数据...
  • 学习方法指导本节课的学习内容都在学习网站中请同学们通过网站左边栏目里的目录选择相应的内容浏览网站时请按照从上到下的次序 在学习的过程中需要同学们完成一份学习备忘录请同学们根据这份备忘录来开展自己的学习...
  • 看手机备忘录翻出一份2019年3月份写随笔,觉得挺有感触,发表此处,聊以表存。 本篇博文篇幅较长,大部分是牢骚话,可能对于一些在纠结于acm或者本科科研还有本科学业该选择哪个学弟学妹有些许帮助。 本着...
  • 作者 | 刘润来源 | 刘润(runliu-pub),一个洞察身边事物本质公众号。回忆一下,今年最重要三个目标是什么?制定对吗?如何管理?我从床上蹦起来,一再问自己这些...我为自己,也为你,一份管理工具...
  • 选自Machine Learning Performance Improvement Cheat Sheet作者:Jason Brownlee翻译&整理 By Sam之前讲了一些机器学习的算法和特征工程...这里有一份关于模型调优的备忘录,每当出现上述问题的时候或者是建模...
  • 最近在对卷积神经网络(CNN)进行学习过程中,发现自己之前对反向传播算法理解不够透彻,所以今天专门写篇博客记录一下反向传播算法推导过程,算是一份备忘录吧,有需要朋友也可以看一下这篇文章,写挺...
  • 最近在对卷积神经网络(CNN)进行学习过程中,发现自己之前对反向传播算法理解不够透彻,所以今天专门写篇博客记录一下反向传播算法推导过程,算是一份备忘录吧,有需要朋友也可以看一下这篇文章,写挺...
  • 最近在对卷积神经网络(CNN)进行学习过程中,发现自己之前对反向传播算法理解不够透彻,所以今天专门写篇博客记录一下反向传播算法推导过程,算是一份备忘录吧,有需要朋友也可以看一下这篇文章,写挺...
  • 最近在做一个自动转速测量仪,要求将测到电机转速显示在TFT显示...然后添加到字库中,但是在查找怎么生成字库问题时,却始终没有找到一份详细文档说明,后面也是自己试出来,现在写在博客,做个备忘录。 ...
  • 商业洞察 丨 作者 / 刘润 ...我为自己,也为你,一份管理工具大盘点。事先有沙盘,事后有复盘,请笑纳。 本文首发于2019年3月。 — 1 — MECE法则,平衡计分卡不重不漏,平衡目标 君子性非异也,善假于物也,好
  • 一份给员工的备忘录里,谷歌的首席执行官桑达尔·皮查伊(Sundar Pichai)承认这并不容易,并且他鼓励员工留出时间休息以免精疲力竭。为此,谷歌采取了一些值得借鉴的措施。 首先,公司给每位员工额外地放两天带...
  • 2006年接近尾声,大家在准备新礼物同时,有没有想过给自己明年工作准备一份周历。既然是为工作准备周历,当然主要目的是为了有足够空间记录日程安排和备忘事宜。虽说现在形形色色日历不少,但是通常都得...
  • 您可以发送先前保存传真文档(如您可能已将公司相关文献保存为传真文档以便于发送)、仅发送封面信息(这对仅发送简短信息及备忘录的您十分有用)、发送扫描入图象、转发所接收到传真、“传输日志”重新...
  • 接口性能测试随笔

    2019-10-03 21:42:47
    之前很少性能测试,经过两周奋战,终于拿出了一份报告。过程坎坷,记录以备忘。 1、jmeter java请求,记得在finally代码块中调用SampleResult.sampleEnd(),否则测试时无响应时间。 2、YOUNG GC频率比较高,...
  • 5. 重学 Java 设计模式:实战备忘录模式「模拟互联网系统上线过程中,配置文件回滚场景」 6. 重学 Java 设计模式:实战观察者模式「模拟类似小客车指标摇号过程,监听消息通知用户中签场景」 7. 重学 Java 设计模式...
  • 图床教程

    2020-12-08 23:55:00
    上传自己的图片方便了自己,慷他人之慨</strong>,从道义上来说,也不太好吧。</li></ol> 虽说多上传两张图片不会让一家网站直接由盈利变亏损,但是这么干毕竟不好。 怎么获取图床的链接...
  • 大智慧股票本地数据读取接口(含源码)

    千次下载 热门讨论 2009-03-22 13:45:51
    2)如果数据文件已经被分析家等软件占用导致无法打开时,将自动复制一份该文件,并从该备份文件中读取数据. 3)程序将自动补充数据,即如果目标表不存在,则建立并添加数据,如果目标表已存在,则判断表中每只证券最新 ...

空空如也

空空如也

1 2
收藏数 23
精华内容 9
关键字:

做一份自己的备忘录