bonelee - 博客园

2018年2月3日

摘要：（5）Date Histogram Aggregation 时间直方图聚合，专门对时间类型的字段做直方图聚合。这种需求是比较常用见得的，我们在统计时，通常就会按照固定的时间断（1个月或1年等）来做统计。下面统计学校中同一年出生的学生数。返回结果如下，可以看到由于上面的”format”: “yyyy 阅读全文

posted @ 2018-02-03 15:28 bonelee 阅读(1967) 评论(0) 推荐(0)

lucene 范围过滤

摘要： Lucene里面有关于Filter的整体知识下面，我们来看下具体的在代码里怎么实现，先来看下我们的测试数据 Java代码 id score bookname ename type price date 1 1 飘渺之旅 pmzl 小说 52.23 201005 2 1 三国演义 sgyy 小说 3 阅读全文

posted @ 2018-02-03 12:05 bonelee 阅读(390) 评论(0) 推荐(0)

elasticsearch _field_stats 源码分析

摘要： _field_stats 实现的功能：https://www.elastic.co/guide/en/elasticsearch/reference/5.6/search-field-stats.html 获取索引下字段的统计信息，如下表，同时还可以针对这些统计值进行过滤： Field statis 阅读全文

posted @ 2018-02-03 11:00 bonelee 阅读(1078) 评论(2) 推荐(0)

2018年2月2日

tflearn mnist 使用MLP 全连接网络一般都会加dropout哇

摘要： from：https://github.com/tflearn/tflearn/blob/master/examples/images/dnn.py 阅读全文

posted @ 2018-02-02 11:40 bonelee 阅读(545) 评论(0) 推荐(0)

2018年2月1日

https://www.threatminer.org/domain.php?q=blackschickens.xyz ——域名的信誉查询站点还可以查IP

摘要： https://www.threatminer.org/domain.php?q=blackschickens.xyz https://www.threatminer.org/host.php?q=62.112.9.52 https://www.robtex.com/dns-lookup/79186 阅读全文

posted @ 2018-02-01 15:05 bonelee 阅读(937) 评论(0) 推荐(0)

2018年1月31日

GBDT（MART）迭代决策树入门教程 | 简介

摘要： GBDT（MART）迭代决策树入门教程 | 简介在网上看到一篇对从代码层面理解gbdt比较好的文章，转载记录一下： GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策阅读全文

posted @ 2018-01-31 17:48 bonelee 阅读(478) 评论(0) 推荐(0)

local_response_normalization 和 batch_normalization

摘要： Normalization Normalization local_response_normalization local_response_normalization出现在论文”ImageNet Classification with deep Convolutional Neural Netw 阅读全文

posted @ 2018-01-31 15:48 bonelee 阅读(1215) 评论(0) 推荐(0)

交叉熵代价函数——当我们用sigmoid函数作为神经元的激活函数时，最好使用交叉熵代价函数来替代方差代价函数，以避免训练过程太慢

摘要：交叉熵代价函数 machine learning算法中用得很多的交叉熵代价函数。 1.从方差代价函数说起代价函数经常用方差代价函数（即采用均方误差MSE），比如对于一个神经元（单输入单输出，sigmoid函数）,定义其代价函数为：其中y是我们期望的输出，a为神经元的实际输出【 a=σ(z), w 阅读全文

posted @ 2018-01-31 15:38 bonelee 阅读(1577) 评论(0) 推荐(0)

深度学习必备：随机梯度下降（SGD）优化算法及可视化

摘要：补充在前：实际上在我使用LSTM为流量基线建模时候，发现有效的激活函数是elu、relu、linear、prelu、leaky_relu、softplus，对应的梯度算法是adam、mom、rmsprop、sgd，效果最好的组合是：prelu+rmsprop。我的代码如下：梯度下降算法是机器学习中阅读全文

posted @ 2018-01-31 15:12 bonelee 阅读(68907) 评论(0) 推荐(5)

我在Suse 11 Sp3上使用anaconda安装TensorFlow的过程记录

摘要：成功后： python import tflearn 没有任何错误阅读全文

posted @ 2018-01-31 10:47 bonelee 阅读(1480) 评论(1) 推荐(0)

将者，智、信、仁、勇、严也。

Hi，我是李智华，华为-安全AI算法专家，欢迎来到安全攻防对抗的有趣世界。

公告