一、迭代器的设计思维 1、迭代器的定义 提供一种方法，使之能够依序巡访某个聚合物（容器）所含的各个元素，而又无需暴露容器的内部表述方式。...：vector::iterator ite = vec.begin(); 3、迭代器相应类别 既然迭代器要把两个独立的部件算法和容器撮合在一起，那么相应的类别必须得一样；当然，编译器是自带参数推导的... class Demo {}//这就是类型上的特化，只接受原生指针； 回到之前的问题；算法和容器两个独立的部件靠迭代器撮合一起的，那必须对应的类型要一样，就好比是这样一个场景...：算法问迭代器，你作为我算法的参数，你指向的对象的数据类型是什么,到时候返回值别错了。...迭代器如果说不知道，，那就类型不对就无法进行下去了，如果说知道，那算法就直接说，那好，我要对你指向的容器进行操作了，这样操作自然而然的就通顺了，，那迭代器是怎么回答算法这个问题的呢？
本章亦将通过一小一大两个案例，来讨论这一问题。 5.1 迭代器的advance函数 STL中的advance函数，可用于将迭代器向前（后）推进N步。...首先，我们需要将“迭代器的类别”这一语义表达出来，可以通过“强行编造”一些空类实现这一语义。...但最后，我们还有一个重要问题需要解决：指针也是迭代器，那么指针的迭代器类型（当然是随机访问迭代器）怎么获取？ 也许不用我说，你就已经知道答案了，解决方案就是“加中间层可解决一切问题”定理。...不难发现，X可以是一个“可以直接cout的值”、（支持迭代器的）容器、Pair、Tuple、Stack、Queue等类别。...__first; } }; 那么，如果N大于1，要怎么办呢？我们需要解决两个问题： Get函数的返回值类型是什么？ 怎么得到“pairObj[N]”的值？
在训练层数很多的神经网络时，这个问题很常见。如果特征不是分布在稳定的区间（从小到大的值）里，那么就会对网络的优化过程产生影响。我们都知道，优化神经网络将需要用到导数计算。...我们可以改变模型，使得我们可以增大模型猜测的数量，使其尽可能多地落在圆圈中心。偏置和方差之间需要保持平衡。如果我们的模型过于简单，有非常少的参数，那么它就可能有较高的偏置和较低的方差。...基于每一层上导数的值，优化器（Adam、SGD、AdaDelta 等）可通过梯度下降来更新网络的权重。 反向传播会使用链式法则机制或导数函数，从最后一层到第一层计算每一层的梯度值。...第一个问题是在神经网络的前向方向上，落在激活函数的饱和范围内的层的值将会逐渐得到许多同样的输出值。这会导致整个模型出现同样的数据流。...举个例子，假设你有两个类别：一个有 1000 个数据样本的罕见类别以及一个有 10000 个数据样本的常见类别。
那么再看一个例子： 如果广告 A：点击率是 5%，广告 B：点击率也是 5%，点击价格也相同，该选择广告 A 还是广告 B?...离散化的其他好处还包括对数据中的噪音有更好的鲁棒性（异常值也落在一个划分区间，异常值本身的大小不会过度影响模型预测结果）；离散化还使得模型更加稳定，特征值本身的微小变化（只有还落在原来的划分区间）不会引起模型预测值的变化...tf.feature_column.crossed_column()，构建交叉类别，将两个或者两个以上的 features 根据 hash 值拼接，对 hash_key（交叉类别数）取余。...三、模型评估 AUC(Area under Curve)：Roc 曲线下的面积，介于 0.5 和 1 之间。AUC 作为数值可以直观的评价分类器的好坏，值越大越好。...ECMP 进行比较，就可以知道预估的 CTR 值是否可靠了。
关联性验证 如果数据有多个来源，那么有必要进行关联性验证，该过程常应用到多数据源合 并的过程中，通过验证数据之间的关联性来选择比较正确的特征属性，比如：汽 车的线下购买信息和电话客服问卷信息，两者之间可以通过姓名和手机号进行关...联操作，匹配两者之间的车辆信息是否是同一辆，如果不是，那么就需要进行数 据调整。...二值化(Binarizer)：对于定量的数据（特征取值连续）根据给定的阈值，将其进 行转换，如果大于阈值，那么赋值为1；否则赋值为0 注意：二值化非常常用，对每个特征按照不同阈值进行拆分，再进行合并...简单来说 标准化会改变数据的分布情况，归一化不会，标准 化的主要作用是提高迭代速度，降低不同维度之间影响权重不一致的问题。...b, a^2, ab, b^2] 核函数 GBDT+LR 认为每个样本在决策树落在决策树 的每个叶子上就表示属于一个类别， 那么我们可以进行基于GBDT或者随 机森林的维度扩展，经常我们会将其 应用在
数组是固定长度的，集合是可变长度的。 为什么出现这么多的容器？ 因为每一个容器对数据的存储方式都有不同。这个存储方式称之为：数据结构。 ##集合框架（共性方法） 迭代器 什么是迭代器？...其实就是集合中元素的取出方式。 把取出方式定义在集合的内部，这样取出方式就可以直接访问集合内容的元素。那么取出方式就被定义成了内部类。而每一个容器的结构数据不同，所以取出的动作细节也不一样。...增：add addAll 删： remove 改：set 查：get subList listIterator ListIterator 在迭代器时，只能用迭代器的方法操作元素，可是Iterator方法是有限的...枚举是Vector特有的取出方式。发现枚举和迭代器很像。其实枚举和迭代是一样的。因为枚举的名称以及方法的名称都过长。所以被迭代器取代了。...是通过元素的两个方法。hashCode和equals来完成。如果元素的HashCode值相同，才会判断equals是否为true，如果元素的hashCode不同，不会判断equals。
，还有他在更新当前的参数w的时候并不是依次遍历样本，而是从所有的样本中随机选择一条进行计算，它方法收敛速度快（一般是使用最大迭代次数），并且还可以避免局部最优，并且还很容易并行（使用参数服务器的方式进行并行...的选择 如果类别之间是否互斥（比如音乐只能属于古典音乐、乡村音乐、摇滚月的一种）就用softmax 否则类别之前有联系（比如一首歌曲可能有影视原声，也可能包含人声，或者是舞曲），这个时候使用k个LR更为合适...，分别以上面两个区域中a2的中位数作为切分点，再次将他们两两划分，作为深度1的叶子节点，（如果a2=中位数，则a2的实例落在切分面） 不断重复2的操作，深度为j的叶子节点划分的时候，索取的ai 的i=j...M分类，会存在偏置，很不实用) 一对一(libsvm实现的方式)： 任意两个类都训练一个分类器，那么n个类就需要n*(n-1)/2个svm分类器。...，这里的预测值是两个子树上输入xi样本对应yi的均值 找到最小的划分特征j以及其最优的划分点s,根据特征j以及划分点s将现有的样本划分为两个区域，一个是在特征j上小于等于s，另一个在在特征j上大于s R1
] 五、循环步骤三和四，看中心是否收敛（不变），如果收敛或达到迭代次数则停止循环; [在这里插入图片描述] （更新后，C划分到了上面，迭代到收敛） 六、结束。...K‐means++算法可解决2和3这两个缺点 K-means++算法 k-means++算法选择初始聚类中心的基本原则是：初始的聚类中心之间的相互距离要尽可能的远 算法描述如下： （只对K-means算法...答：如果数据的量纲不一样，那么算距离时就没有意义。...4.要注意指标的量纲，量纲差别太大会导致聚类结果不合理。 5.聚类分析的结果可能不令人满意，因为我们所做的是一个数学的处理，对于结果我们要找到一个合理的解释。...[在这里插入图片描述] 根据图来进行解释： (1)根据聚合系数折线图可知，当类别数为5时，折线的下降趋势趋缓，故可将类别数设定为5. (2)从图中可以看出， K值从1到5时，畸变程度变化最大。
从上图可以看出，若x符合标准正态分布， 那么x有64%的概率其值落在[-1,1]的范围内，在两个标准差范围内，也就是说95%的概率其值落在了[-2,2]的范围内，x是激活前的值， 假设激活函数为sigmoid...x的值有95%的概率落在[-2,2]之间，sigmoid(x)的导数为：G’=f(x)*(1-f(x))，因为f(x)=sigmoid(x)在0到1之间，所以G’在0到0.25之间。...但是假设x不符合标准正态分布，符合均值为-6，方差是1的正态分布，那么意味着95%的值落在了[-8,-4]之间，那么对应的Sigmoid（x）函数的值明显接近于0，这是典型的梯度饱和区，在这个区域里梯度变化很慢...而假设经过BN后，均值是0，方差是1，那么意味着95%的x值落在了[-2,2]区间内，很明显这一段是sigmoid(x)函数接近于线性变换的区域，意味着x的小变化会导致非线性函数值较大的变化，也即是梯度变化较大...但是 如果都通过BN，那么不就跟把非线性函数替换成线性函数效果相同了？这意味着如果是多层的线性函数变换其实这个深层是没有意义的，因为多层线性网络跟一层线性网络是等价的。
当预测值与真实值之间的差距过大时，这时候参数的调整就需要变大，但是如果使用平方损失，训练的时候可能看到的情况是预测值和真实值之间的差距越大，参数调整的越小，训练的越慢。...One vs One OvO 的方法就是将多个类别中抽出来两个类别，然后将对应的样本输入到一个逻辑斯蒂回归的模型中，学到一个对这两个类别的分类器，然后重复以上的步骤，直到所有类别两两之间都存在一个分类器...假设存在四个类别，那么分类器的数量为6个，表格如下： 分类器的数量直接使用 就可以了，k 代表类别的数量。...OvO 的方法中，当需要预测的类别变得很多的时候，那么我们需要进行训练的分类器也变得很多了，这一方面提高了训练开销，但在另一方面，每一个训练器中，因为只需要输入两个类别对应的训练样本即可，这样就又减少了开销...，因此，我们最终从逻辑斯蒂回归得到的输出，可以代表概率，也正是因为它代表概率，才落在(0,1)之间。
，并且有的规定一个 gt 必须有一个 anchor 负责预测，有的则选择忽略某些 gt，有的一个 gt 可以有多个 anchor 对应。...我们把 RPN 网络输出的就是 predicts，那么如何计算 Loss 呢？依据上述步骤，首先就是 anchor 和 gt 的匹配。...对于一个 gt，确定其中心落在哪个 cell，计算该 cell 的所有 anchor 与这个 gt 的 iou，取最大值，这个 anchor 标记为正样本，负责预测该 gt。...因为 yolo 中的 anchor 是聚合而来，本身就比较合理。...对于剩余 gt，计算其中心落在哪个 cell 中，同时利用四舍五入方法，找出最近的两个 cell，认为这 3 个 cell 都负责预测这个 gt。很明显，通过这种方法，正样本的数量将明显增多。1.
这是否意味着我的模型参数对于试图近似的函数有 95% 的概率是真实的估计值?...(提示：噪声(「垃圾」)收集器) 7、 Lasso 正则化可以将系数降低到正好为零。岭回归可以将系数降低到非常小的非零值。你能从两个简单的函数「|x| 和 x²」的图像中直观地解释他们的不同之处吗?...12、 决策树和神经网络都是非线性分类器，也就是说，通过复杂的决策边界来分割解空间。那么，直观地看，为什么我们认为使用决策树模型比深度神经网络要容易得多呢? 13、 反向传播是深度学习的关键算法。...(提示：小概率事件...) 17、 是否有可能捕获连续变量和类别变量之间的关系?如果以的话，需要怎么做? 18、 如果你正在研究基因表达数据，通常会有数百万个自变量，而只有几百个样本。...(提示：所有类别的样本是否能被公平地抽取出来?) 21、 模型的准确率和性能，哪一个对你来说更重要? 22、如果你可以利用多个 CPU 内核，你会更喜欢提升树算法而不是随机森林吗?为什么?
但是用绝对值是不可靠的，假如两个梯度的绝对值都在1.左右，那么我们可以认为1e-4这样一个差值是非常小的，但是如果两个梯度本身就是1e-4级别的，那这个差值就相当大了。所以我们考虑相对误差： ?...在检查数值梯度和解析梯度的时候，如果不把dropout和其他参数都『关掉』的话，两者之间是一定会有很大差值的。不过『关掉』它们的负面影响是，没有办法检查这些部分的梯度是否正确。...以CIFAR-10为例，如果使用Softmax分类器，我们预测应该可以拿到值为2.302左右的初始loss(因为10个类别，初始概率应该都为0.1，Softmax损失是-log(正确类别的概率):-ln...直观的理解是，对于碗状的结构，有很多时候我们的权重都是在最低点附近跳来跳去，而没法真正到达最低点，而两个最低点附近的位置求平均，会有更高的概率落在离最低点更近的位置。...◆ ◆ ◆ 2.总结 用一部分的数据测试你梯度计算是否正确，注意提到的注意点。 检查你的初始权重是否合理，在关掉正则化项的系统里，是否可以取得100%的准确度。
相对于对应的网格归一化到0-1之间，w,h用图像的width和height归一化到0-1之间。 每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。...其中如果有ground true box(人工标记的物体)落在一个grid cell里，第一项取1，否则取0。...第二项是预测的bounding box和实际的ground truth box之间的IOU值。即：每个bounding box要预测 ?...； b) 如果一个网格中没有object（一幅图中这种网格很多），那么就会将这些网格中的box的confidence push到0，相比于较少的有object的网格，这种做法是overpowering...缺陷： YOLO对相互靠的很近的物体（挨在一起且中点都落在同一个格子上的情况），还有很小的群体 检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一类。
本文训练出的模型在生成数据的质量方面达到了前所未有的高度，远超之前的方法。作者对生成对抗网络训练时的稳定性进行了分析，借助于矩阵的奇异值分析。此外，还在生成数据的多样性与真实性之间做了折中。...如果生成图片的类别只有一种，那么生成图像的IS依然会很高，这是IS显著的缺点。...首先用截断的正态分布N(0,1)随机数产生噪声向量Z，具体做法是如果随机数超出一定范围，则重新采样，使得其落在这个区间里。...在实验中发现，无论是否做谱归一化，上面这种技巧都可以防止奇异值的逐步增长和爆炸。这也证明了光使用这种技巧无法保证训练的稳定性，因此还需要考虑判别器D。...如果这种谱噪声与不稳定性有因果关系，那么一个很自然的解决办法是使用梯度惩罚，显式的对D的雅克比矩阵的变化进行正则化。实验中使用了下面的惩罚项： ? 其中γ的值设置为10。
本文训练出的模型在生成数据的质量方面达到了前所未有的高度，远超之前的方法。作者对生成对抗网络训练时的稳定性进行了分析，借助于矩阵的奇异值分析。此外，还在生成数据的多样性与真实性之间做了折中。...IS的值越大越好。p(y)是生成图片的类别y关于生成器G(z)的边缘概率分布： 如果生成图片的类别只有一种，那么生成图像的IS依然会很高，这是IS显著的缺点。...首先用截断的正态分布N(0,1)随机数产生噪声向量Z，具体做法是如果随机数超出一定范围，则重新采样，使得其落在这个区间里。...权重的更新公式为： 在实验中发现，无论是否做谱归一化，上面这种技巧都可以防止奇异值的逐步增长和爆炸。这也证明了光使用这种技巧无法保证训练的稳定性，因此还需要考虑判别器D。...如果这种谱噪声与不稳定性有因果关系，那么一个很自然的解决办法是使用梯度惩罚，显式的对D的雅克比矩阵的变化进行正则化。实验中使用了下面的惩罚项： image.png 其中γ的值设置为10。
2.YOLO 的实现方法 将一幅图像分成 SxS 个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object。...这个 confidence 代表了所预测的 box 中含有 object 的置信度和这个 box 预测的有多准这两重信息，其值是这样计算的： 其中如果有 object 落在一个 grid cell...这种做法存在以下几个问题： 第一，8维的 localization error 和20维的 classification error 同等重要显然是不合理的； 第二，如果一个网格中没有 object...所以如果想同时在监测数据集与分类数据集上进行训练，那么就要用一种一致性的方法融合这些标签信息。...在训练过程中，如果有一个图片的标签是“Norfolk terrier”，那么这个图片还会获得”狗“（dog）以及“哺乳动物”（mammal）等标签。
如果我们现在有一个分类器： 但是，我们不仅仅想处理这种一张图片中只有一个物体的图片，我们现在想处理有多个物体的图片。...那么该这样做： 首先有几点我们要实现想到：首先物体的位置是不确定的，你没办法保证物体一定在最中间；其次，物体的大小是不确定的，有的物体比较大，也有的物体比较小，注意，这里不是说大象一定更大，猫咪一定更小...，毕竟还有近大远小嘛；然后，我们还没办法保证物体的种类，假设我们有一个可以识别100中物体的分类器，那么起码图片中出现了这100种物体我们都要识别出来。...也就是说，如果我们有 S² 个框框，每个框框的bounding boxes个数为B，分类器可以识别出C种不同的物体，那么所有整个ground truth的长度为： bounding box显示：...这时候当然有一个常见的套路，就是对数据进行归一化，让连续数据的值位于0和1之间。
序列式容器顾名思义就是物理上彼此相邻的一种关系，比如数组、栈、队列或者你和你的同桌，这种一个挨着一个的关系； 关联式容器的重点在关联二字上，至少是两个东西之间存在着某种联系才可以叫做关联，否则就不能被称之为关联式容器了...;//指向map中的node ... } 从 deque 的迭代器数据结构可以看出，为了保持与容器联结，迭代器主要包含四个主要部分：T* cur ，迭代器所指缓冲区当前的元素; T* first...deque迭代器的迭代器主要关注缓冲区边界是否越界。...在借助迭代器进行输出时，却按照key值升序的顺序输出的即{0,0}、{1,1}、{2,2}、{3,3}，说明 map 确实是默认按照 key值升序 进行排列的。...set也不允许迭代器修改元素的值，其迭代器是一种constance_iterators，并不具备修改的功能。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
云直播
