SGISTL源码阅读十九 set关联式容器
SGISTL源码阅读十九 set关联式容器 前言 之前我们已经分析了vector，list，deque三个容器。如果按照“数据在容器中的排列”特性，容器可以分为序列式(sequence)和关联式(associative)两种，前面学习过的三种容器都是序列式容器。 接下来我们将学习关联式容器。标准的STL关联式容器分为set(集合)和map(映射表)两大类，以及这两大类的衍生体muiltiset(多键集合)和multimap(多键映射表)，他们的底层机制均以RB-Tree红黑树完成，红黑树是一种
代理模式（静态代理和动态代理）
Java 静态代理 静态代理通常用于对原有业务逻辑的扩充。比如持有二方包的某个类，并调用了其中的某些方法。然后出于某种原因，比如记录日志、打印方法执行时间，但是又不好将这些逻辑写入二方包的方法里。所以可以创建一个代理类实现和二方方法相同的方法，通过让代理类持有真实对象，然后在原代码中调用代理类方法，来达到添加我们需要业务逻辑的目的。 这其实也就是代理模式的一种实现，通过对真实对象的封装，来实现扩展性。 一个典型的代理模式通常有三个角色，这里称之为**代理三要素** 共同接口
public i
根据时间获取时间段时间
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Lg632/article/details/84064844
/**
* Explain: 用于根据时间获取时间段时间
*/
public function start_end_time($time_tyupe_string, $time_string){
switch ($time_tyupe_string) {
case 'date':
OpManager网络性能监控
网络性能监控 OpManager – 综合、方便、可定制的ITOM网络性能监控软件 OpManager提供综合的网络、系统、应用和服务性能监控功能。 全面的ITOM网络性能监控软件 利用率、响应时间和错误 OpManager可实时监控CPU、内存、磁盘、接口/带宽的利用率。内建了一系列的图表和排行报表。 OpManager默认提供CPU、内存、磁盘、接口利用率、服务响应时间和接口错误图表和报表。 与其它同类产品不同， OpManager为服务、交换机、路由器和所有的设备单独提供排行报表。这可以
数据结构与算法C++之堆排序
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/majinlei121/article/details/84023467 首先需要介绍一下一个新的数据结构：堆 堆使用了优先队列 普通队列：先进先出，后进后出 优先队列：出队顺序与入队顺序无关，与优先级有关，一般取出优先级最高的元素，堆入队出队的算法复杂度都为O(nlogn) 最常使用的是二叉堆（Binary Heap） 如上图所示，62称为41和30的父节点，41称为左节点，30称为右节点，以此
原生js的ajax请求简单封装
小总结：
function ajax({url,type,data,dataType}){
return new Promise(function(open,err){
//1. 创建xhr对象
var xhr=new XMLHttpRequest();
//2.绑定监听事件
xhr.onreadystatechange=function(){
if(xhr.readyState==4&&xhr.status==200){
var re
PHP入门（2）WampServer的安装及使用
安装 一直点击next即可。 如何检验环境配置成功 （1）打开WampServer，会有一个cmd窗口一闪而过。 （2）桌面右下角任务栏中WampServer图标变为绿色，若一直为橙色或红色则表示服务没有完全开启。 （3）左键单击右下角任务栏中WampServer图标，单击Localhost，出现如下界面表示环境配置成功。 选择语言 右键单击右下角任务栏中WampServer图标，点击Language选择。 如何使用WampServer运行PHP （1）把写好的PHP文件放在WampServe
LSTM（长短期记忆）
Recurrent Neural Networks 人类并不是每时每刻都从一片空白的大脑开始他们的思考。在你阅读这篇文章时候，你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义。我们不会将所有的东西都全部丢弃，然后用空白的大脑进行思考。我们的思想拥有持久性。 传统的神经网络并不能做到这点，看起来也像是一种巨大的弊端。例如，假设你希望对电影中的每个时间点的时间类型进行分类。传统的神经网络应该很难来处理这个问题——使用电影中先前的事件推断后续的事件。 RNN 解决了这个问题。RNN
如何看待Pensieve：MIT基于神经网络的流媒体码率自适应策略（周超）
写在前面 今年的SIGCOMM上， MIT CSAIL的一支研究团队，发表了一篇名为Pensieve的工作，即利用神经网络优化码率自适应算法，用于提高媒体传输质量。文章结果表明：与一般的state-of-the-art 方法相比，Pensieve能平均提升QoE高达12%–25%。之所以介绍这篇文章，基于以下几方面的原因：一是自己从事流媒体传输优化的研究多年，也小有成果，对这类研究自然非常感兴趣；二是文章的思路，在2015年时自己曾想过，只是当时既没有实际需求要深入，也因为确实遇到一些问题不知
Oboe: Auto-tuning Video ABR Algorithms to Network Conditions
1.摘要: BLOA,MPC的方法：参数对于网络条件比较敏感 Oboe:对于一个ABR算法，预先计算可能的参数（对于不同的网络环境），实时的根据网络环境选择最好的参数 ABR；(a) chop a video into chunks, each of which is encoded at a range of bitrates (or qualities); and (b) choose which bitrate level to fetch a chunk at based on con
强化学习导论 第一章
这是最近读sutton的“reinforcement learning - An introduction”的读书笔记，其实大多数更像是按照自己理解写的中文翻译，可能语言有时没有那么严谨，主观因素多一点，更像是一种和自己的对话。希望各位看官多多包涵，如果想真正理解一些，最好对照着英文原本看，也许能看出自己的想法。 这次第一篇就写第一章。第一章是概述，更多的是从宏观上讲强化学习的一些概念和思想，虽然概括性较强，但也还是有很多值得细读的点，在下文一一道来。 １、强化学习中的基本元素： policy
强化学习导论 第二章 多臂赌博机问题
区分强化学习和其他种类的学习方式最显著的特点是：在强化学习中，训练信息被用于评估动作的好坏，而不是用于指导到底该是什么动作。这也是为何需要主动去做exploration的原因。纯粹的评估性反馈可以表明一个动作的好坏、但并不能知道当前动作是否是最佳选择或者是最差选择。评估性反馈（包括evoluationary method）是方程优化的基础。相对的，纯粹的指导性反馈，表明了当前的最优动作，这个最优动作是独立于实际采取的动作的。这种反馈形式是监督学习的基础，被用于模式识别、人工神经网络等方面。当然
强化学习导论 第五章 蒙特卡洛模拟
这一章讲蒙特卡洛方法在强化学习中的应用。 在这一章，我们将接触第一个用于估计value functions，并发现最优policies的方法。和前几章不一样的是，这次假设我们并非完全知道环境的动态信息（转移概率啦那些）。蒙特卡洛方法只需要经验知识，即：来自线上或者模拟环境交互过程的样本序列（包括状态序列、动作序列、奖励序列）。从在线的经验中学习非常酷，因为它不需要任何关于环境动态性质的先验知识，却仍然可以获得最优的行为表现；从模拟交互中学习也是一个很棒的办法。尽管这个过程仍然需要一个模型，但这
强化学习导论 第四章 动态规划
这一篇来讲一下第四章，动态规划。 DP这个词，指的是一系列的算法，这些算法主要用来解决：当我有了一个可以完美模拟马尔可夫过程的模型之后，如何计算最优policies的问题。注意是policies，表明最优的策略可能不止一个。经典的DP算法在强化学习中的应用受限的原因有两个：一个是强假设满足不了，就是无法保证我能先有一个完美的模型来描述整个马尔可夫过程；另一个就是计算开销太大。但这仍掩盖不了其理论上的重要性。DP可以帮助我们更好地理解本书余下部分讨论的方法。事实上，这些方法都可以看成是尽可能的获
强化学习导论 第六章 瞬时时间差分法
这一次开第六章，Temporal-Difference 方法，简称TD，可以翻译为瞬时差分法。 TD方法在强化学习算法中有很重要的地位，因为它是一个集大成的算法。TD综合了第五章所说的蒙特卡洛算法和第四章所说的DP算法的特点，既可以从真实经验序列学习，无需环境模型，又可以根据已得到的估计值来更新新的估计值（bootstrap）。这是目前我们需要在脑海中构建的关于TD的一个基本特征。 但是虽然TD综合了蒙特卡洛和DP的特点，终归也有区别。区别在哪？区别在于policy evaluation（也叫
机器学习：欠拟合和过拟合
1. 什么是欠拟合和过拟合 先看三张图片，这三张图片是线性回归模型 拟合的函数和训练集的关系 第一张图片拟合的函数和训练集误差较大，我们称这种情况为 欠拟合 第二张图片拟合的函数和训练集误差较小，我们称这种情况为 合适拟合 第三张图片拟合的函数完美的匹配训练集数据，我们称这种情况为 过拟合 类似的，对于逻辑回归同样也存在欠拟合和过拟合问题，如下三张图 2. 如何解决欠拟合和过拟合问题 欠拟合问题，根本的原因是特征维度过少，导致拟合的函数无法满足训练集，误差较大。 欠拟合问题可以通过增加特征维度
机器学习：正则化技术
正则化（regularization）技术是机器学习中十分常用的技术，它在不同的模型或者情景中以不同的名字出现，比如以L2正则化为例，如果将L2正则化用于linear regression，那么这就对应了ridge regression；如果将L2正则化用于神经网络（neural network），那么L2对应为权重衰减（weight decay）。 正则化的作用实际上就是防止模型过拟合，提高模型的泛化能力。正则化的种类有很多，这里主要介绍在工程中用得较多的两类正则化，一个是L1正则化，另一个
机器学习：梯度消失（vanishing gradient）与梯度爆炸（exploding gradient）问题
1）梯度不稳定问题： 什么是梯度不稳定问题：深度神经网络中的梯度不稳定性，前面层中的梯度或会消失，或会爆炸。 原因：前面层上的梯度是来自于后面层上梯度的乘乘积。当存在过多的层次时，就出现了内在本质上的不稳定场景，如梯度消失和梯度爆炸。 （2）梯度消失（vanishing gradient problem）： 原因：例如三个隐层、单神经元网络： 则可以得到： 然而，sigmoid方程的导数曲线为： 可以看到，sigmoid导数的最大值为1/4，通常abs（w）<1,则： 前面的层比后面的层梯度变
PAC(Probably Approximately Correct，概率近似正确)
PAC的意思 Probably Approximate Correct直译过来就是”可能近似正确”，这里面用了两个描述”正确”的词，可能和近似。 “近似”是在取值上，只要和真实值的偏差小于一个足够小的值就认为”近似正确”；”可能”是在概率上，即只要”近似正确”的概率足够大就认为”可能近似正确”。 泛化误差随学习复杂性变大 上节查漏补缺中了解到了，如果训练集不是很大，也就是用来给学习机器学习的样本数量比较有限的情况下，如果过于追求让经验风险小，学习复杂性太高，会导致过学习现象，也就是学习出来的模
今日推荐
周排行