ctr

找到了一篇比较直白的解释： CTR预估解析 来源： https://blog.csdn.net/YangTinTin/article/details/100085930

模板类的static成员 　　与其它任何类相同，模板类可以声明static成员： template <typename T> class Foo { public: static std::size_t count() {return ctr;} //其它接口成员 private: static std::size_t ctr; }; 在这段代码中，Foo是一个类模板，它有一个名为count的public static成员函数和一个名为ctr的private static的数据成员。 每个Foo的实例都有自己的static成员实例。即，对任意给定类型X，都有一个Foo<X>::ctr和一个Foo<X>::count成员。所有Foo<X>类型的对象共享相同的ctr对象和count函数。 例如： //实例化static成员Foo<std::string>::ctr和Foo<std::string>::count Foo<std::string> fs; //所有三个对象共享相同的Foo<int>::ctr和Foo<int>::count成员 Foo<int> fi, fi2, fi3; 　　与任何其它static数据成员相同，模板类的每个static数据成员必须有且仅有一个定义。但是，模板类的每个实例都有一个独立的static对象。因此，与定义模板成员函数相似

判断一个商品的 是否进行推荐 需要根据 CTR预估的点击率 来进行。 在进行CTR预估时，除了单特征外，往往要对特征进行组合。对于特征组合来说，通用的做法主要有两大类：FM系列与Tree系列。 今天，我们就来讲讲FM算法。 FM(Factorization Machine)主要是为了解决数据稀疏的情况下，特征怎样组合的问题。 country,day,ad_type则是对应的特征。对于这种categorical特征，一般都是进行one-hot编码处理。one-hot编码带来的另一个问题是特征空间变大 来源： https://www.cnblogs.com/pocahontas/p/11399003.html

在开发个人博客的时候，用到了腾讯移动分析(MTA)，相比其他数据统计平台来说我喜欢她的简洁高效，易上手，同时文档也比较全面，提供了数据接口供用户调用。 在看了MTA演示 Demo 和 官方文档 后，我就决定使用 .NET Core将其HTML5统计API进行封装，以供博客直接调用，省去各种鉴权生成sign的操作。 首先需要在 MTA 官网进行HTML5应用创建，当然她还支持小程序和移动App。 然后就可以看到如上图的应用管理界面，如果你不打算使用其API接口，直接拿到统计代码嵌入在自己网站中即可，不出意外10分钟左右即可查看网站部分指标的实时数据，次日可以查看昨日的全部数据。 接下来继续，在调用MTA接口之前需要先生成sign， 双方维护同一份私钥，在发起请求的时候，发起方(合作方)将当前的请求参数数组，按照key值进行排序，然后'key=value'拼接到加密串后，进行md5的编码。接收方以同样的处理方式，对ts小于或等于30分钟的请求进行处理，sign一致则合法，否则失败。 有了这段算法描述，利用C#代码实现如下： /// <summary> /// 生成sign /// </summary> /// <param name="keyValues"></param> /// <returns></returns> public static string

代码文件结构 bbox_transform.py # bounding box变换。 generate_anchors.py # 生成anchor，根据几种尺度和比例生成的anchor。 proposal_layer.py # 通过将估计的边界框变换应用于一组常规框（称为“锚点”）来输出对象检测候选区域。选出合适的ROIS。 anchor_target_layer.py # 将anchor对应ground truth。生成anchor分类标签和边界框回归目标。为anchor找到训练所需的ground truth类别和坐标变换信息。 proposal_target_layer_cascade.py # 将对象检测候选分配给ground truth目标。生成候选分类标签和边界框回归目标。为选择出的rois找到训练所需的ground truth类别和坐标变换信息 rpn.py # RPN网络定义。 参考 详细的Faster R-CNN源码解析之RPN源码解析 https://blog.csdn.net/jiongnima/article/details/79781792 Faster R-CNN 入坑之源码阅读 https://www.jianshu.com/p/a223853f8402?tdsourcetag=s_pcqq_aiomsg 对RPN部分代码进行注释。 1 rpn.py 1

1. ctr + alt + t 打开新的终端窗口 2. ctr + shift + + 终端窗口字体放大 3. ctr + - 终端窗口字体缩小 4. ls : 查看目录下的文件信息 5. pwd: 查看目录所对应路径 6. touch: 创建文件 7. mkdir: 创建文件夹 8. cd: 切换目录 8.1 cd .. 切换到上一级目录 8.2 cd 目录名： 切换到指定目录 8.3 cd -: 切换到上一次路径 8.4 cd ~: 切换到用户的家目录 /home/python 8.5 cd .: 切换到当前目录 9. rmdir: 删除空文件夹，注意点:只能是空文件夹 10. rm:可以删除文件也可以删除文件夹，如果删除的是文件夹需要加上一个选项， -r: 以递归的方式把文件夹里面的文件都删除，然后再删除外面的目录 11. clear: 清屏 12. 绝对路径: 从根目录算起的路径就是绝对路径 比如： /home/python/xxx 13. 相对路径: 从当前目录算起的路径就是相对路径 比如: ../ 或者 ./ 14. cp: 复制 14.1 cp 文件名 路径 ： 把指定文件拷贝到指定路径 14.2 cp 文件夹 路径 -r : 把指定文件夹拷贝到指定路径，需要加上-r选项 :以递归的方式把文件夹里面的文件拷贝到指定的目录 14.3 cp 文件名 路径/新文件名:

本blog为github上 CharlesShang/TFFRCNN 版源码解析系列代码笔记 --------------- 个人学习笔记 --------------- ---------------- 本文作者吴疆 -------------- ------点击此处链接至博客园原文------ 1.generate_anchors(base_size=16, ratios=[0.5, 1, 2],scales=2**np.arange(3, 6)) 在scaled图像（即真正馈入网络的图像）（0,0）位置产生9个base anchors并返回， 被proposal_layer_tf.py中proposal_layer(...)函数调用 # ratios=[0.5, 1, 2]表示1:2, 1:1, 2:1 # scales = 2**np.arange(3, 6)表示（8,16,32） def generate_anchors(base_size=16, ratios=[0.5, 1, 2], scales=2**np.arange(3, 6)): """ Generate anchor (reference) windows by enumerating aspect ratios X scales wrt a reference (0, 0, 15, 15) window.