2021年7月29日
摘要: 在互联网出现的早期,为了保证交换机buffer不会过饱和,会在MAC层进行流量控制,如果当前节点的接受速率大于发送速率,则会在接收端的MAC层主动丢包,避免网络拥堵。 ​ 但是,现如今,网络中数据包的转发节点愈来愈多,MAC层的流量控制无法满足多节点转发的情况,因此,流量控制的工作也就自然而然的交给 阅读全文
posted @ 2021-07-29 00:45 潇洒的大宝 阅读(308) 评论(0) 推荐(0) 编辑
  2020年9月2日
摘要: 1、函数重载 原理 允许多个函数共享同一个函数名 针对不同类型参数,提供不同操作 案例:加法操作符“+”重载 原因 对不同类型数据,执行相同的一般性操作(大量重复使用) 方法 如果两个函数的参数表中参数的个数或类型不同,则认为这两个函数是重载的 void print( const string & 阅读全文
posted @ 2020-09-02 10:42 潇洒的大宝 阅读(225) 评论(0) 推荐(0) 编辑
  2020年8月28日
摘要: 1、概述 TensorFlow 中的 Device 是通过注册机制添加到运行的进程中的 TensorFlow 使用工厂来创建各种各样的 Device,并且几乎为每一种 Device 都实现了对应的 DeviceFactory 在定义每个Device时,通过利用C++事先定义好的宏(Macro)将类对 阅读全文
posted @ 2020-08-28 22:11 潇洒的大宝 阅读(327) 评论(0) 推荐(0) 编辑
  2020年8月25日
摘要: 1、类的初显示初始化 方法 在创建对象时,显示指定各个成员的值 类似于用在初始化数组上的初始化表 缺点 只能被应用在所有数据成员都是公有的类的对象上 它要求程序员的显式干涉 增加了意外和错误的可能性 2、构造函数 概述 构造函数与类同名,我们以此来标识构造函数 构造函数上惟一的语法限制是,它不能指定 阅读全文
posted @ 2020-08-25 11:23 潇洒的大宝 阅读(359) 评论(0) 推荐(0) 编辑
  2020年8月18日
摘要: 1、成员类型 • 公有成员(public member): ○ 在程序的任何地方都可以被访问 ○ 实行信息隐藏的类将其 public 成员限制在成员函数上 ○ 这种函数定义了可以被一般程序用来操纵该类类型对象的操作 • 私有成员(private member) ○ 只能被成员函数和类的友元访问 ○ 阅读全文
posted @ 2020-08-18 11:21 潇洒的大宝 阅读(166) 评论(0) 推荐(0) 编辑
摘要: 1、概述 头文件通过 include 预处理器指示符(preprocessor include directive)而成为我们程序的一部分 预处理器指示符用 # 号标识,这个符号将放在程序中该行的最起始一列上处理,这些指示符的程序被称做预处理器 preprocessor,通常捆绑在编译器中 2、分类 阅读全文
posted @ 2020-08-18 11:15 潇洒的大宝 阅读(269) 评论(0) 推荐(0) 编辑
  2020年8月13日
摘要: 最近在学习智能计算相关的东西,后期可能涉及到对Tensorflow源码的修改(添加自己的算子啥的),在此之前,最让程序员痛苦的“配环境”这一环却是必不可少的。经过多日的查资料、安装、出现问题、再查资料、修复bug、重装、等等一系列的尝试后,找到了针对我自己需求的可行的完整配置方案,记录在此,以备不时 阅读全文
posted @ 2020-08-13 14:02 潇洒的大宝 阅读(491) 评论(0) 推荐(0) 编辑
  2020年7月31日
摘要: 1、分词简述 在做文本处理的时候,首先要做的预处理就是分词 英文 英文单词天然有空格隔开容易按照空格分词 但是也有时候需要把多个单词做为一个分词,比如一些名词如“New York” 中文 中文没有空格,因此分词是一个需要专门去解决的问题 中英文分词原理类似 2、分词当中的基本问题 分词规范 对于一句 阅读全文
posted @ 2020-07-31 12:56 潇洒的大宝 阅读(862) 评论(0) 推荐(0) 编辑
  2020年7月21日
摘要: 1、基本原理 S 表示一连串特定顺序排列的词 , ,…, 使用链式法则计算词序列 S 发生的概率 由于上述条件概率过于复杂,因此引入马尔科夫假设 马尔科夫假设:第 I 个词仅与前面的 k 个词有关 取 k=1,将上式简化为 计算 对大量文本进行阅读,并统计得到 在文本中出现的概率 词序列 在文本中出 阅读全文
posted @ 2020-07-21 18:46 潇洒的大宝 阅读(321) 评论(0) 推荐(0) 编辑
  2020年4月23日
摘要: 1、L2正则化 由最小二乘法得到的损失函数为 对于 L2 正则化,损失函数为 2、线性回归的极大后验估计(MAP) 假设 映射函数为 f(w)=wTx 真实标签与预测值之间的关系为:y=f(w)+ε=wTx+ε 其中 ε~N(0,σ2) 权重参数 w~N(0,σ02) 后验概率 p(w|y)=p(y 阅读全文
posted @ 2020-04-23 14:01 潇洒的大宝 阅读(1110) 评论(0) 推荐(1) 编辑