权重 | 易学教程

514 ，css不同选择器的权重（css层叠的规则）

阅读更多关于 514 ，css不同选择器的权重（css层叠的规则）

！important规则最重要，大于其它规则行内样式规则，加1000 eg，<html> <head> </head> <body> <h3>站长中心</h3> <p style="padding-left: 60;color: blue"> 站长 </p> </body> </html> 对于选择器中给定的各个id属性值，加100 对于选择其中给定的各个类属性，属性选择器或者伪类选择器，加10 对于选择器中给定的各个元素标签选择器，加1 如果权值一样，就按照样式规则的先后顺序来应用，顺序靠后的覆盖前面的规则来源： https://www.cnblogs.com/1998Archer/p/12371480.html

ZhaoWei-2020-01-19

阅读更多关于 ZhaoWei-2020-01-19

Dubbo Dubbo是一个分布式服务治理框架，提供高性能和透明化的RPC远程服务调用方案及 SOA 架构治理方案。远程通信提供对多种基于长连接的NIO框架抽象封装，包括多种线程模型，序列化，以及 “ 请求-响应”模式的信息交换方式。集群容错提供基于接口方法的透明远程过程调用，包括多协议支持，以及软负载均衡，失败容错，地址路由，动态配置等集群支持。自动发现基于注册中心目录服务，使服务消费方能动态的查找服务提供方，使地址透明，使服务提供方可以平滑增加或减少机器。 springboot整合dubbo 引入依赖在服务提供者、消费者工程中的pom.xml文件中添加依赖。配置Dubbo相关参数启动类添加 @EnableDubbo 注解服务提供方和服务消费方实现服务提供者和消费者服务治理和配置管理服务治理服务治理主要作用是改变运行时服务的行为和选址逻辑，达到限流，权重配置等目的，主要有以下几个功能：应用级别的服务治理在Dubbo2.6及更早版本中，所有的服务治理规则都只针对服务粒度，如果要把某条规则作用到应用粒度上，需要为应用下的所有服务配合相同的规则，变更，删除的时候也需要对应的操作，这样的操作很不友好，因此Dubbo2.7版本中增加了应用粒度的服务治理操作，对于条件路由(包括黑白名单)，动态配置(包括权重，负载均衡)都可以做应用级别的配置：

保存模型与保存模型权重

阅读更多关于保存模型与保存模型权重

保存模型将整个模型保存下来,以后直接载入模型与训练数据即可开始训练, 不用再定义网络和编译模型.(这种方法已经保存了模型的结构和权重,以及损失函数和优化器) model.save('**.h5') 载入模型 from keras.models import load_model model.load_model('**.h5') 保存模型权重只保存模型的权重,可以看作是保存模型的一部分. model.save_weights(’**.h5’) 载入模型权重 model.load_weights('**.h5') 来源： https://www.cnblogs.com/ldcs/p/10736931.html

深度学习概述：从感知机到深度网络

阅读更多关于深度学习概述：从感知机到深度网络

　　（注：本文译自一篇博客，作者行文较随意，我尽量按原意翻译，但作者所介绍的知识还是非常好的，包括例子的选择、理论的介绍都很到位，由浅入深，源文地址）　　近些年来，人工智能领域又活跃起来，除了传统了学术圈外，Google、Microsoft、facebook等工业界优秀企业也纷纷成立相关研究团队，并取得了很多令人瞩目的成果。这要归功于社交网络用户产生的大量数据，这些数据大都是原始数据，需要被进一步分析处理；还要归功于廉价而又强大的计算资源的出现，比如GPGPU的快速发展。　　除去这些因素，AI尤其是机器学习领域出现的一股新潮流很大程度上推动了这次复兴——深度学习。本文中我将介绍深度学习背后的关键概念及算法，从最简单的元素开始并以此为基础进行下一步构建。　　（本文作者也是Java deep learning library的作者，可以从此处获得，本文中的例子就是使用这个库实现的。如果你喜欢，可以在Github上给个星~。用法介绍也可以从此处获得）机器学习基础　　如果你不太熟悉相关知识，通常的机器学习过程如下：　　　　1、机器学习算法需要输入少量标记好的样本，比如10张小狗的照片，其中1张标记为1（意为狗）其它的标记为0（意为不是狗）——本文主要使用监督式、二叉分类。　　　　2、这些算法“学习”怎么样正确将狗的图片分类，然后再输入一个新的图片时

受限玻尔兹曼机 (Restricted Boltzmann Machines, RBM)

阅读更多关于受限玻尔兹曼机 (Restricted Boltzmann Machines, RBM)

==================================================================== 结构标准的受限玻尔兹曼机由二值（布尔 / 伯努利）隐层和可见层单元组成。权重矩阵 W=(w ij )中的每个元素指定了隐层单元 h j 和可见层单元 v i 之间边的权重。此外对于每个可见层单元 v i 有偏置 a i ，对每个隐层单元 h j 有偏置 b j 以及在这些定义下，一种受限玻尔兹曼机配置（即给定每个单元取值）的“能量” (v,h) 被定义为或者用矩阵的形式表示如下：这一能量函数的形式与霍普菲尔德神经网络相似。在一般的玻尔兹曼机中，隐层和可见层之间的联合概率分布由能量函数给出：其中， Z 为配分函数，定义为在节点的所有可能取值下的和（亦即使得概率分布和为1的归一化常数）。类似地，可见层取值的边缘分布可通过对所有隐层配置求和得到：由于RBM为一个二分图，层内没有边相连，因而隐层是否激活在给定可见层节点取值的情况下是条件独立的。类似地，可见层节点的激活状态在给定隐层取值的情况下也条件独立。亦即，对 m 个可见层节点和 n 个隐层节点，可见层的配置v对于隐层配置h的条件概率如下：类似地，h对于v的条件概率为其中，单个节点的激活概率为和其中代表逻辑函数。训练算法

多模型融合推荐算法

阅读更多关于多模型融合推荐算法

常见的多模型融合算法多模型融合算法可以比单一模型算法有极为明显的效果提升。但是怎样进行有效的融合，充分发挥各个算法的长处？这里总结一些常见的融合方法： 1. 线性加权融合法线性加权是最简单易用的融合算法，工程实现非常方便，只需要汇总单一模型的结果，然后按不同算法赋予不同的权重，将多个推荐算法的结果进行加权，即可得到结果：是给用户（user）推荐商品（item）的得分，是算法K的权重，是算法k得到的用户（user）对商品item的推荐得分。这种融合方式实现简单，但效果较差。因为线性加权的参数是固定的，实践中参数的选取通常依赖对全局结果升降的总结，一旦设定后，无法灵活的按照不同的推荐场景来自动变换。比如如果某个场景用算法A效果较好，另外一种场景用算法B效果较好，线性融合的方式在这种情况下不能取得好的效果。为了解决这个问题，达观数据进行了改进，通过引入动态参数的机制，通过训练用户对推荐结果的评价、与系统的预测是否相符生成加权模型，动态的调整权重使得效果大幅提升。 2. 交叉融合法交叉融合常被称为Blending方法，其思路是在推荐结果中，穿插不同推荐模型的结果，以确保结果的多样性。这种方式将不同算法的结果组合在一起推荐给用户。交叉融合法的思路是“各花入各眼”，不同算法的结果着眼点不同，能满足不同用户的需求，直接穿插在一起进行展示

CSS引入方式有哪些，区别是什么

阅读更多关于 CSS引入方式有哪些，区别是什么

学习CSS肯定绕不开的就是如何将css引入到HTML文件中，引入方式主要有三种：内联样式、内部样式、外部样式 1、内联样式内联样式又称行内样式，使用该样式需要直接在标签内添加“ style=" " ”，再将需要的样式写在双引号内，如 <div style= "background: red;" >hello world!</div> 行内样式比较适合初学者学习的时候使用，在网站开发时尽量不要去用，因为使用这种样式会把结构和CSS全部融合在一个页面里面，造成代码冗余，后期调整样式的时候非常不方便。 2、内部样式内部样式是一种适合案例或者比较小的页面的引入方式，它的语法是在在head标签里添加style标签，再在style标签的内容区添加需要的样式，如： <head> <style type="text/css"> div { background : red ; } </style> </head> 内部样式比较适合案例或者比较小的页面中，因为它也会增加HTML文件的代码量。 3、外部样式外部样式是使用最广的引入方式，适合比较大的页面或者整站开发。引入方法是将样式写css文件中，再将css文件链接到HTML文件里。而外部样式有两种链接方法引入HTML文件中： link 和 import 1）用 link 链接需要在html文件内添加link标签，在该标签内属性“

神经网络基本概念

阅读更多关于神经网络基本概念

相关练习项目: 一个简单的神经网络感知器 (perceptron) 即信号输入元, 单个的数据源, 比如人的眼睛,耳朵,鼻子,都是感知器离散型和连续型预测 (discrete & continuous) 激活函数 (activation function) 使用连续激活函数,预测的结果不是非对即错,而是一个概率,表示预测结果的可靠,及确定性 SoftMax 多类别分类时使用 SoftMax 定义 def softmax(L): expL = np.exp(L) return expL/expL.sum() 分类问题的预测结果使用 softmax 作为激活函数,转化之后的结果加总为 100%,每个值代表一个预测结果可能发生的概率 One-hot Encoding 多类别分类时,分类目标数据一般表示为 [2,4,56,7,8,...] ,需要转换成类似 [[0,1,0,0,0,0,0], [0,0,0,1,0,0,0], [0,0,1,0,0,0,0], [0,0,0,0,1,0,0], ...] 这样的数据,计算机才能高效的处理. (不过使用PyTorch做分类问题时,不需要手动转化) 最大似然率(maximum likelihood) 最大似然率所有预测结果(概率)的乘积, 用来衡量预测的结果的好坏,随着数据量变大,乘积无限接近0,不是一个好的衡量方式,所以不用. 交叉墒

《可解释机器学习》笔记：理解线性回归模型中的权重、特征和结果

阅读更多关于《可解释机器学习》笔记：理解线性回归模型中的权重、特征和结果

[《Interpretable Machine Learning》 Christoph Molnar](https://christophm.github.io/interpretable-ml-book/index.html) 内容围绕：对于一个训练好的线性模型，怎样去向模型使用者（客户）解释这个模型（参数含义、为什么得会得出这种预测结果）。上图为一个线性回归的单个实例，最后一项为误差。 1. 模型是否“正确”，需要用到的数据间遵循一定假设数据关系是线性的；训练结果分布是正态的；误差项的方差是恒定的；实例间是独立的；输入特征是真实常量，不存在误差；特征间不存在强相关性。对于训练用的数据，可以从以上角度评估模型质量。 2. 权重β的解释——取决于对应特征的类型线性模型中，特征可以归类为：数值特征（比如气温）、二进制特征（性别0/1）、范畴特征（天气：下雨、阴天、晴天，使用one-hot编码，让具体类别有自己的二进制选项）截距β0：只有当特征被标准化(均值为0，标准差为1)时，截距的解释才有意义，而不应被理解为，x都为0的实例的预测结果。标准化后，截距反映了一个特征值=平均值的实例预测结果。 3. 特征x的解释数值特征、二进制特征和范畴特征：其他特征不变的情况下，x改变一个单位，y就改变β单位，非常直观的y=β*x的线性变化。 4. R-squared

MATLAB神经网络（5）基于BP_Adaboost的强分类器设计——公司财务预警建模

阅读更多关于 MATLAB神经网络（5）基于BP_Adaboost的强分类器设计——公司财务预警建模

5.1 案例背景 5.1.1 BP_Adaboost模型 Adaboost算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为：首先给出弱学习算法和样本空间($X$,$Y$)，从样本空间中找出$m$组训练数据，每组训练数据的权重都是$\frac{1}{m}$。然后用弱学习算法迭代运算$T$次，每次运算后都按照分类结果更新训练数据权重分布，对于分类失败的训练个体赋予较大权重，下次迭代运算时更加关注这些训练个体。弱分类器通过反复迭代得到个分类函数序列${f_1},{f_2},...,{f_T}$，每个分类函数赋予一个权重，分类结果越好的函数，其对应权重越大。$T$次迭代之后，最终强分类函数$F$由弱分类函数加权得到。BP_Adaboost模型即BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。来源： https://www.cnblogs.com/dingdangsunny/p/12334396.html

订阅权重