摘要: 一、位运算符简介: 1.按位与&。如果两个整形数据 a、b 对应位都是1,则结果位才为1,否则为0,(int 最大值0x7fffffff ): 1 int a = 0x7fffffff; 2 int b = 12; 3 int c = 0; 4 int aAndB = a&b; // aAndB i 阅读全文
posted @ 2019-02-06 18:07 ylxn 阅读(952) 评论(0) 推荐(0) 编辑
摘要: 一、java程序编译到运行大概流程 1、Source Code Files为.java文件 2、通过编译产生可执行的字节码。 3、通过jvm得到机器可以执行的机器码 4、操作系统运行机器码,并与硬件进行交互。 为什么JVM能一次编译,处处运行? 查了资料。大概的解释是,JVM将class文件翻译成当 阅读全文
posted @ 2019-01-10 17:33 ylxn 阅读(140) 评论(0) 推荐(0) 编辑
摘要: 在DNN中,当前输出层的值只和当前输入值有关系。如果当前输出值不仅依赖当前输入值,也依赖于前面时刻的输入值,那么DNN就不适用了。因此也就有了RNN。 一、RNN 1、RNN结构 此RNN结构一共有T个时间序列,每个时间序列的输入为x,输出为y,流向下一个循环神经细胞的隐藏层状态为a。 2、RNN 阅读全文
posted @ 2019-01-06 22:43 ylxn 阅读(295) 评论(0) 推荐(0) 编辑
摘要: 摘自: https://www.zhihu.com/question/24304289/answer/147529485 反射机制具有更高的灵活性。 一、前提描述: 假设在工厂模式下。有接口以及实现如下: (1)接口 1 package reflectlearn; 2 3 public interf 阅读全文
posted @ 2019-01-06 11:39 ylxn 阅读(165) 评论(0) 推荐(0) 编辑
摘要: 在相似文本的推荐中,可以用TF-IDF来衡量文章之间的相似性。 一、TF(Term Frequency) TF的含义很明显,就是词出现的频率。 公式: 在算文本相似性的时候,可以采用这个思路,如果两篇文章高频词很相似,那么就可以认定两片文章很相似。 二、IDF(Inverse Document Fr 阅读全文
posted @ 2019-01-03 14:05 ylxn 阅读(609) 评论(0) 推荐(0) 编辑
摘要: 简介 在推荐系统里,有些场景下是需要推荐相似商品,从而可以更好的挖掘用户行为并且提升用户体验。这些情况下需要一些公式计算商品的相似度。 一、距离公式 1、曼哈顿距离 $$\left | X_{1}-X_{2} \right | +\left | Y_{1}-Y_{2}\right |$$ 即每个纬度 阅读全文
posted @ 2019-01-02 14:43 ylxn 阅读(2966) 评论(0) 推荐(0) 编辑
摘要: 一、公式 计算过程为样本x的值与样本总体平均值的差,再除以标准差。 当以标准差为单位,要统计样本与均值偏离了多少值时,就用此公式。 阅读全文
posted @ 2018-12-29 16:29 ylxn 阅读(595) 评论(0) 推荐(0) 编辑
摘要: 摘自 1.李航的《统计学习方法》 2.http://www.cnblogs.com/pinard/p/6955871.html 一、概率计算问题 上一篇介绍了概率计算问题是给定了λ(A,B,π),计算一个观测序列O出现的概率,即求P(O|λ)。 用三种方法,直接计算法,前向算法,后向算法。 考虑隐马 阅读全文
posted @ 2018-12-28 14:43 ylxn 阅读(1003) 评论(0) 推荐(0) 编辑
摘要: 一、梯度消失与梯度爆炸 1、在DNN学习(二)反向传播中,观察公式三(3),为了求隐藏层参数的其中一步。根据链式法则,有 重新复习一下,J为损失函数。o为神经元的值,也是输入通过激励函数之后的值,z为上一层的神经元的线性变换的值。 2、那么下面上面式子中的这一步就是对激励函数的求导: 3、如果隐藏层 阅读全文
posted @ 2018-12-25 11:50 ylxn 阅读(830) 评论(0) 推荐(0) 编辑
摘要: 一、DNN 简介 DNN一共可以分为三层。 输入层(input layer) 隐藏层(hidden layer) 输出层(output layer) DNN的前向传播即由输入经过一些列激活函数得到最终的输出 在对DNN参数求解的时候,通过反向传播,以及链式法则求得。 二、Tensorflow下的DN 阅读全文
posted @ 2018-12-24 21:00 ylxn 阅读(4234) 评论(0) 推荐(0) 编辑