权重

https://keras.io/zh/ https://keras.io/zh/models/about-keras-models/ 在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。 这些模型有许多共同的方法和属性： model.layers 是包含模型网络层的展平列表。 model.inputs 是模型输入张量的列表。 model.outputs 是模型输出张量的列表。 model.summary() 打印出模型概述信息。 它是 utils.print_summary 的简捷调用。 model.get_config() 返回包含模型配置信息的字典。 model.get_weights() 返回模型中所有权重张量的列表，类型为 Numpy 数组。 model.set_weights(weights) 从 Numpy 数组中为模型设置权重。列表中的数组必须与 get_weights() 返回的权重具有相同的尺寸。 model.to_json() 以 JSON 字符串的形式返回模型的表示。请注意，该表示不包括权重，仅包含结构。 model.to_yaml() 以 YAML 字符串的形式返回模型的表示。请注意，该表示不包括权重，只包含结构。 model类继承 网络层定义在 __init__(self, ...) 中

1. CBAM Convolutional Block Attention Module (CBAM) 表示卷积模块的注意力机制模块。是一种结合了空间（spatial）和通道（channel）的注意力机制模块。 2. Channel Attention Module 我们知道一张图片经过几个卷积层会得到一个特征矩阵，这个矩阵的通道数就是卷积核的个数。那么，一个常见的卷积核经常达到1024，2048个，并不是每个通道都对于信息传递非常有用了的。因此，通过对这些通道进行过滤，也就是注意，来得到优化后的特征. 主要思路就是： 增大有效通道权重，减少无效通道的权重 M c ( F ) = σ ( M L P ( A v g P o o l ( F ) ) + M L P ( M a x P o o l ( F ) ) ) = σ ( W 1 ( W 0 ( F a v g c ) ) + W 1 ( W 0 ( F m a x c ) ) ) \begin{aligned} \Large M_c(F)=& \Large\sigma(MLP(AvgPool(F))+MLP(MaxPool(F))) \\ \\ =&\Large\sigma (W_1(W_0(F_{avg}^c))+W_1(W_0(F_{max}^c))) \end{aligned} M c ​ ( F ) = = ​ σ (

向量空间模型 - 维基百科，自由的百科全书 向量空间模型 维基百科，自由的百科全书 跳转到： 导航 , 搜索 向量空间模型 (或者 词组向量模型 ) 作为 向量 的标识符（比如索引），是一个用来表示文本文件的代数模型。它应用于信息过滤、 信息检索 、 索引 以及关联规则。SMART是第一个使用这个模型的信息检索系统。 目录 [ 隐藏 ] 1 定义 2 应用 3 范例: tf-idf 权重 4 优点 5 局限 6 基于模型的以及扩展的向量空间模型 7 以向量空间模型为工具的软件 7.1 免费开放的软件资源 8 进一步参考 9 另见 10 参考文献 [ 编辑 ] 定义 文档和问题都用向量来表示。 每一维都相当于是一个独立的词组。如果这个术语出现在了文档中，那它在向量中的值就非零。已经有很多不同的方法来计算这些值，这些值叫做（词组）权重。其中一种广为人知的算法就是tf_idf权重（见下面的例子）。 我们是根据应用来定义 词组 的。典型的词组就是一个单一的词、 关键词 、或者较长的短语。如果字被选为词组，那么向量的维数就是出现在词汇表中不同字的个数。 向量运算能通过查询来比较各文档。 [ 编辑 ] 应用 通过文档相似度理论的假设，比较每个文档向量和原始查询向量（两个向量的类型是相同的）之间的角度偏差，使得在文档中搜索关键词的关联规则是能够计算的。 实际上

存在N个城市：第i和i+1个之间有路径(i,i+1)，第一个和第N个之间有路径(0,N-1)；其中k个城市特殊，与其它城市都有唯一直接路径；每个城市具备权重r，路径(x,y)的值定义为r(x)*r(y)。问：所有路径值之和？ //JavaScript(浏览器页面按F12输入代码即可) //arrCity:[city1[权重，特殊1],city2[权重，非特殊0],...cityN[权重，特殊1]] var arrCity = [ [ 6 , 1 ] , [ 4 , 0 ] , [ 1 , 1 ] , [ 4 , 0 ] , [ 4 , 0 ] , [ 1 , 1 ] ] ; var sum = RoadSum ( arrCity ) ; console . log ( sum ) ; //求和 function RoadSum ( Cities ) { let arrRoad = Road ( Cities ) ; let sum = 0 ; for ( let i = 0 ; i < arrRoad . length ; i ++ ) { sum += Cities [ arrRoad [ i ] [ 0 ] ] [ 0 ] * Cities [ arrRoad [ i ] [ 1 ] ] [ 0 ] ; } return sum ; } //路径 function Road (

我们通过走访各类SEO大牛及自身几万网站做SEO的经验，内部分享下网站从0开始的SEO的生命周期。 我们把网站分为6个周期，新站期1-15天，扶持期16-45天，降权期45-90天，上升期90-135天，平稳期135-300天，信任期300后! 我们总结出百度每月26号以后会进行一次更新，月中11-16会进行一次更新，每周3会进行一次更新，每天上午9点左右、下午15点左右会进行一次更新。每年的6月底、12月底更新幅度会很大，月底更新的幅度大于月中更新幅度，月中更新幅度大于每周更新幅度，每周更新幅度大于每天更新幅度。 网站文章的发布以月为单位的话，最佳更新时间是月初，以周为单位更新时间最佳是周一、周二，以日单位的话最佳更新时间是9点到11点。如果你是夜猫子，每日更新的时间是刚好过了12点，更新的文章立马进行推送! 百度对不同网站类型收录是不一样的。最容易收录的博客站，其次是图片电影站、小说站，最难收录的是论坛、商城。站群一般使用博客博客。不同类型的网站发布文章数量也是不一样的。比如正规站来说，博客站每天1-5篇，企业站每天5-25篇，新闻站每天20-100篇，同时参考竞争对手发布文章数量。 新站期1-15天 1-7天，网站收录，在这七天内，网站文章需要大量更新，伪原创居多，如果做黑帽的文章一天更新1000篇以上，原则是越多越好! 如果做白帽的

模型的选择 机器学习中，如果参数过多，模型过于复杂，容易造成过拟合（overfit）。即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。 L2 正则化公式非常简单，直接在原来的损失函数基础上加上权重参数的平方和 我们知道，正则化的目的是限制参数过多或者过大，避免模型更加复杂。例如，使用多项式模型，如果使用 10 阶多项式，模型可能过于复杂，容易发生过拟合。所以，为了防止过拟合，我们可以将其高阶部分的权重 w 限制为 0，这样，就相当于从高阶的形式转换为低阶。 为了达到这一目的，最直观的方法就是限制 w 的个数，但是这类条件属于 NP-hard 问题，求解非常困难。所以，一般的做法是寻找更宽松的限定条件： 上式是对 w 的平方和做数值上界限定，即所有w 的平方和不超过参数 C。这时候，我们的目标就转换为：最小化训练样本误差，但是要遵循 w 平方和小于 C 的条件。 正则化的作用 正则化：防止数据过拟合。 对损失函数加上一个正则项。 正则化的主要作用是防止过拟合，对模型添加正则化项可以限制模型的复杂度，使得模型在复杂度和性能达到平衡。 常用的正则化方法有L1正则化和L2正则化。L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓『惩罚』是指对损失函数中的某些参数做一些限制。 L1正则化的模型建叫做Lasso回归

一、web前端 1. web前端三大标准： html结构标准、css样式标准、js行为标准 2. 表单 表单数据必须要放在form中，form中的属性 action=“表示交给哪个后台数据处理” method=“传输数据中使用哪种方法” =get：表示不加密的传输 =post：表示加密传输 3. input标签 input标签的type类型不同则实现效果不同 type=“text”：普通文本框 =“submit”：提交按钮 =“radio”：单选框 =“checkbox”：复选框 =“button”：普通按钮 =“password”：密码框 =“reset”：恢复到默认状态 select=“select”：下拉框 textarea：文本域 4. css css:级联样式表、层叠样式表、样式表，就是给网页中的内容设置样式，css的代码要写在style标签中，而style标签要放在head标签中的最后位置（即title的下面） 5. 标签选择器 ： 只需要写要找的标签名字即可 6. id选择器 ： 给标签设置id属性，在css代码中使用 #id名 的方式来寻找页面中的标签 7. 类选择器： 给标签设置class属性—在css中设置.class 名字 8. id和class命名规则 不能以数字开头、不能设成中文、不能使用特殊符号（除了-和_） ——① id命名不可重复

1.TF-IDF 昨天给大家演示简单的文本聚类，但要给每个聚类再提取一两个关键词用于表示该聚类。我们还是用TFIDF算法来做，因为这是比较简单的提取特征算法，不过这里的TF是指某词在本聚类内所有文章的词频，而不是本文章内出现的次数，IDF还是在所有文章里出现的倒文档频率。 原理：1、先给本聚类内的所有文档进行分词，然后用一个字典保存每个词出现的次数 2、遍历每个词，得到每个词在所有文档里的IDF值，和在本聚类内出现的次数（TF）相乘的值 3、用一个字典(key是词，value是TF*IDF权重)来保存所有的词信息，然后按value对字典排序，最后取权重排名靠前的几个词作为关键词。 2.基于语义的统计语言模型 文章关键词提取基础件能够在全面把握文章的中心思想的基础上，提取出若干个代表文章语义内容的词汇或短语，相关结果可用于精化阅读、语义查询和快速匹配等。 采用 基于语义的统计语言模型 ，所处理的文档不受行业领域限制，且能够识别出最新出现的新词语，所输出的词语可以配以权重。 文章关键词提取组件的主要特色在于： 1、 速度快 ：可以处理海量规模的网络文本数据，平均每小时处理至少50万篇文档； 2、 处理精准 ：Top N的分析结果往往能反映出该篇文章的主干特征； 3、 精准排序 ：关键词按照影响权重排序，可以输出权重值； 4、 开放式接口

直接上代码，看效果！ 第一种现象：当权重相同时，以后来设置的属性为准，前提一定要权重相同 #box2 .wrap3 p{ color: yellow; } #box1 .wrap2 p{ color: red; } 我们会发现此时显示的是红色的。 第二种现象： 第一个选择器没有选中内层标签，那么它是通过继承来设置的属性，那么它的权重为0。第二个选择器选中了内层标签，有权重。 所以 继承来的元素 权重为0。跟选中的元素没有可比性。 #box1 #box2 .wrap3{ color: red; } #box2 .wrap3 p{ color: green; } 我们会发现此时显示的是绿色的。 第三种现象：如果都是继承来的属性，谁描述的近，显示谁的属性。'就近原则' #box1 #box2 .wrap3{ color: red; } .wrap1 #box2{ color: green; } !important 的使用。 ！important:设置权重为无限大 !important 不影响继承来的权重，只影响选中的元素。不要随便使用!important,因为使用它会影响页面的布局 第一种现象：当权重相同时，以后来设置的属性为准，前提一定要权重相同 #box2 .wrap3 p{ color: yellow; } #box1 .wrap2 p{ color: red; }

递归神经网络是最先进的顺序数据算法之一，在苹果Siri和Google语音搜索中都使用到的算法。这是因为它是第一个记忆它的输入的算法，由于内部存储器，这使得它非常适合涉及顺序数据的机器学习问题。它是过去几年Deep Learning的惊人成就背后的算法之一。在这篇文章中，你将学习递归神经网络如何工作的基本概念，最大的问题是什么以及如何解决它们。 介绍 递归神经网络(RNN)是一种功能强大的神经网络类型，属于目前最有前途的算法，因为它们是唯一具有内部存储器的算法。 与许多其他深度学习算法一样，RNN也相对较旧。它们最初是在20世纪80年代创建的，但是由于可用计算能力的增加，现在我们拥有的大量数据以及20世纪90年代的LSTM的发明，这些数据的真正潜力逐渐发挥出来。 由于内部记忆，RNN能够记住他们收到的输入的重要信息，这使得他们能够非常精确地预测接下来会发生什么。 这就是为什么它们是像时间序列、语音、文本、财务数据、音频、视频、天气等时序数据的首选算法，因为它们可以形成对序列及其上下文的深入理解的算法。 递归神经网络在连续数据中产生预测结果，而其他算法则不能。 但是，你何时需要使用循环神经网络? “每当有数据序列时，连接数据的时间动态都比每个帧的空间内容更重要。”- Lex弗里德曼(麻省理工学院) 由于它们正在苹果和谷歌翻译的Siri软件中使用，神经网络正在各地出现。 他们如何工作?