import tensorflow as tf import numpy as np x = np.array([1, 2, 3, 4]) y = np.array([0,0,1,1]) w = tf.Variable(1.) b = tf.Variable(1.) sigmodX = 1 / (1 ...
分类：
其他好文 时间：
2020-08-04 16:42:00
阅读次数：
91
这是一个人看看到就心慌的现实消息，壮丽70年，奋斗新时代，与祖国同庆之后，我们需要回归正轨了(这句话貌似无比的刺耳)，祖国会有无数个70年，我们却只有一个，所以把握当下，提前收拾好心情，调整好状态并发编程是一个漫长的系列，所以在假期的最后一天，将过往的文章罗列在此处，带领大家一起做个回忆，以便大家节后更好的进入并发编程的节奏，文章内容都很好记忆，大家也不用有什么压力，当个故事看就好了:这里整理了手
分类：
其他好文 时间：
2020-08-02 10:23:32
阅读次数：
94
前因那是一个月黑风高的夜晚，不管有没有圆圆的月亮，都无法解救要加班的我。这就是苦涩的人生啊！那天正好是春节回家的日子，定了晚上的票，然后还是上线的日子。测试在做回归测试的时候，发现一个老功能报错了，什么鬼，都没改过那块代码怎么会出问题？案件疑点重重呀。。。为了能够早点上线，早点回家，所以这个Bug就显得十万火急了，因为就这一个问题，其他都没问题，解决好了就可以上线了，于是开启了破案之路。第一步：找
分类：
其他好文 时间：
2020-08-01 12:39:08
阅读次数：
59
昨天实现了一个计算机函数的提取过程，不过就函数提取的公式而言，因为用的是sklearn提供的多元线性回归分析函数，其中有最小二乘法和梯度下降的模拟。 但是无论是上述的哪种函数的模拟，一旦针对一些相对而言比较复杂的多元非线性问题，就很有可能不能发挥出函数提取的功能了。要做到一种精度比较高的模拟图像识别 ...
分类：
其他好文 时间：
2020-07-29 10:04:19
阅读次数：
67
1.数据处理时缺失指怎么处理 2.L1和L2的区别 3.高维数据如何降维 4.特征处理，连续型和非连续性，给了个例子，年龄和user_id两个特征如何处理 5.LR了解吗，如何解决过拟合问题 6.如何评估模型结果，我把分类和回归分别解释，介绍各种评估方式的不足，还问了ROC曲线横纵坐标 7.Rand ...
分类：
其他好文 时间：
2020-07-28 22:38:27
阅读次数：
115
项目讨论 一、项目中符合自动化测试的部分有哪些？(目标和范围 scope， 准入准出标准) 1、稳定的需求点、变动较少的页面2、每日构建后的测试验证 daily build3、比较频繁的回归测试4、需要在多平台上运行的相同测试案例、组合遍历型的测试、大量的重复任务二、自动化用例在整个项目的测试用例的 ...
分类：
Web程序 时间：
2020-07-27 15:38:48
阅读次数：
95
代码和其他资料在 github 一、tf.keras概述 首先利用tf.keras实现一个简单的线性回归，如 \(f(x) = ax + b\)，其中 \(x\) 代表学历，\(f(x)\) 代表收入，分别代表输入特征和输出值。为了描述预测目标与真实值之间的整体误差最小，需要定义一个损失函数，数学描 ...
分类：
其他好文 时间：
2020-07-26 15:25:59
阅读次数：
78
一、概述 假设有以下数据： $$D=\left {(x_{1},y_{1}),(x_{2},y_{2}),\cdots ,(x_,y_)\right }\ x_\in \mathbb,y_\in \mathbb,i=1,2,\cdots ,N\ X=(x_{1},x_{1},\cdots ,x_)= ...
分类：
其他好文 时间：
2020-07-22 20:54:34
阅读次数：
82
一、偏差和方差 欠拟合的loss主要来自偏差 过拟合的loss主要来自方差 应对大的偏差的方法： 增加更多特征作为输入 使用更复杂的模型 应对大的方差的方法： 更多数据 正则化 k折交叉验证 二、梯度下降 Adagrad 二次微分大的点梯度虽然大但是可能会比梯度小的点离极值点更近，因此学习率需要考虑 ...
分类：
其他好文 时间：
2020-07-22 20:53:23
阅读次数：
106
SVM现在主流的有两个方法。一个是传统的推导，计算支持向量求解的方法，一个是近几年兴起的梯度下降的方法。 梯度下降方法的核心是使用了hinge loss作为损失函数，所以最近也有人提出的深度SVM其实就是使用hinge loss的神经网络。 本文的目的是讲解传统的推导。 SVM的超平面 SVM模型的 ...
分类：
其他好文 时间：
2020-07-22 20:16:36
阅读次数：
68
