以前我的理解就是，感受野嘛，其实那就是一个视觉感受区域大小。...首先可以简单知道（前面也提及到了），第一层卷积层的输出特征图像素的感受野的大小就等于等于卷积层滤波器的大小；然后其继续进行前向传播，这样的话，后面深层的卷积层感受野大小就和之前所有网络层的滤波器大小和步长有关系了...查资料知，感受野大小的计算采用从深层到前层的方式计算， 即先计算最深层在前一层上的感受野，然后逐渐反馈到第一层，公式具体记如下： ? 其中 ? 为得的感受野大小， ?...为最后层在前一层的感受野大小， ? 为卷积层滤波器大小。 通过这样反复迭代就可以得到每一层的感受野。具体代码我看网上也有，我就顺便附一下吧，原件请在链接里下载，谢谢！...链接: http://pan.baidu.com/s/1jIHLGJc 密码: ayuc 具体仿真结果我是用Windows版的Python 3.5 (32-bit)运行得到的，具体如下图： ?
前言 我知道TiDB比较早了，大概在TiDB 3.0的时候就在自己的测试环境安装过，当然是浅尝辄止，哈哈。然后是21年，好像是8月份，TiDB在望京举行的大会，有幸打酱油式的听了一些讲座。...然后是22年在上海参加了上海的社区活动。算下来，tidb的活动参加的不少，战利品就是2件T恤。衣服的质量挺好，穿着很舒服。 情(che)怀(dan)就到这里。下面讲一下我体验比较好的点。...3 社区活跃 tidb的社区非常活跃，https://asktug.com/可以搜到很多案例与学习资料。还有非常多的社群。很多互联网公司都在积极拥抱tidb。...当然两者适合的场景还是有些细微的区别，这个界限也是比较模糊。两者之间的互相迁移完全没有障碍。我也在越来越多的招聘中看到招mysql的岗位基本都要求会tidb。...5 文档清晰明了 我第一次看tidb的文档就感到非常的惊讶。清晰明了，操作命令解释非常详细，这也为大家的学习提供了非常好的帮助。
CNN学习：如何计算模型的感受野？ ? 阅读论文时常常看见论文中说感受野的大小，对于有些问题，需要了解更多的上下文信息，则需要相对大的感受野。那么，这里的感受野是什么意思呢？...感受野可以理解为卷积神经网络输出的feature map中一个像素点对应的原图片中区域的大小，或者说feature map中的一个像素点的值是受原图片中的多大的区域影响的，也可以间接地模型融合上下文信息的多少...这里的ksize是卷积核大小，stride是每一层的stride, RF是感受野大小 函数： def receptiveField(net, n_layers): for layer in range...RF = 1 ksize, stride, pad = net[layer] RF = ((RF-1)*stride) + ksize return RF 示例： 以下面的这个网络为例，计算网络的感受野...，若计算中间某一层的感受野，则将那一层从1开始计算 计算得到该网络在图片上感受野为70*70，这也是pix2pix中patchGAN的原理
Lambda 表达式是从 JDK 1.8 开始的，但是很多技术的诞生其实并不是凭空出现的，而是为了解决某种问题而逐步迭代出现的。...某位大佬级别的曾经用物理的第一性原理来讲软件开发技术，也讲出了学习技术的本质。虽然明白了很多的道理，但是很多时候我在学习的时候还是没办法站在一个思想高度较高的角度去认识和学习相应的技术。...这点也许需要很多的编程经验才能够达到吧。 最近在学习 Lambda 表达式的时候也体会到了技术迭代的感觉，而讲解 Lambda 表达式前也给出了相应的一些可供参考的代码。...01 实现一个简单的需求并抛出问题 在开始学习 Lambda 表达式之前，首先有一个简单的需求，有一个 Student 类，其中有姓名、年龄和分数三个属性，要求实现查询年龄大于 14 岁的学生并进行输出...也侧面体会到了技术的升级和迭代在中间都是有一个过程和思考的。 关于 Lambda 表达式的学习其实感触还是很多的，暂且先总结这些吧！！！
Introduction 感受野：卷积神经网络每一层输出的特征图 (feature map) 上的像素点在原始图像上映射的区域大小。 ?...Size 多层叠加 的 小卷积核 相比于 大卷积核 的： 优势： 可取得与大卷积核同等规模的感受野； 加深了网络深度 —> 增强了网络容量和网络复杂度； 减少了模型参数的个数。...Compute 感受野的计算 主要与 卷积层 和 池化层 的 窗口大小 (size)、移动步长 (stride) 以及 填充 (padding) 有关。...例如，假设在 stride=1，padding=0 的相同前提下，且每层卷积的输出channel都为1： 卷积核方案 三个 3×3×1 的小卷积核叠加 一个 7×7×1 的大卷积核 感受野大小 7×7×...浮点数计算次数 [(3×3×1)×(5×5×1)+(3×3×1)×(3×3×1)+(3×3×1)×(1×1×1)]×2=630 [(7×7×1)×(1×1×1)]×2=98 Summary 在相同感受野的情况下
1.声明：这篇博客只是记录自己的学习感想，无任何知识层面的内容呦~~ 2.顺序表是线性表的一种，链表也是线性表的一种，我应该是4月份就接触了顺序表，但是因为这个学习顺序的原因，以及这个学校老师的进度，所以这个学习的节奏不是很连贯...，之前是懵懵懂懂，似懂非懂的学习着，发现学到了链表的后半部分之后，真的跟不下去了，所以决定重头在学习一下这个顺序表； 3.我在刚开始学习顺序表的时候，真的感觉这个顺序表好难，我记得自己当时就学习了好几遍...，这个就说明自己第一遍的学习还是存在很大的问题的，其实现在再看的时候，这个第一道就是判断这个元素是否是我们想要删除的数据，是的话就不动，定义两个变量，就相当于是两个数组的下标，如果是我们要删除的数据的时候...，控制他们的移动，让第一个指针和第二个指针分别指向两个数组有元素的位置最后，第三个指针指向的就是这个第一个数组没有元素的最后的位置，然后开始遍历，把这个比较之后大的元素向这个l3指向的位置防止，依次进行但是需要最后注意的就是这个看看是不是...，可以写成这个i=i+1;也可以写做这个i=i-1,在这两种情况下面这个循环条件的控制语句是不一样的，我开始尝试和老师不同的写法进行测试，这个感觉还是挺好的，而且这样能够更好的加强我们对于这个功能的理解
简单的说，深度学习就是模仿人脑结构，像人一样学习（当然，也有所谓的专家不同意这个观点）；它处理问题的路径是从具体到抽象、从部分到整体。像人的认知过程一样逐层进行，逐步抽象。...之前我也了解了一点深度学习，用 TensorFlow 搭了几个模型，也看了一些论文。有两个突出的感受。第一，深度学习这座山，你不爬到一定高度，其实做不出什么新东西来，这跟之前的移动互联网是两码事。...即便现在深度学习已经这么火了，能够把这个方法用在新的领域，创造新的网络结构，解决新的问题，这样的研究者也是凤毛麟角，屈指可数。第二，很多事情深度学习干不了。...还有，CMU有两位教授在研究用深度学习自动编程，印度尼西亚一所大学用深度学习来研究高层建筑结构在地震中的力学特征，MIT的研究员在用深度学习给默片自动配音，Kaggle上有一个团队开发的英语作文自动评分系统...坦率的说，深度学习人才的薪资今天是存在一定的泡沫的，但是以后这个泡沫会吹得更大。进入深度学习能给你打开一扇窗，帮助你在各个领域开拓创新的可能性。
前言 先来介绍下这个logistic回归 首先这玩意是干啥的 我个人的理解，logistic回归就是通过不断进行梯度下降，改变w和b，从而使得函数值与实际值平均差值越来越小 logistic回归使用的激活函数是...来看下百度百科的解释 顾名思义，梯度下降法的计算过程就是沿梯度下降的方向求解极小值（也可以沿梯度上升方向求解极大值）。...这就很清楚了 也就是我们目的就是损失函数对w，b求导，然后通过多次的梯度下降，从而达到使得损失函数最小的目的 对w，对b的求导公式就是直接链式求导就好 这里给出损失函数L对激活函数a的求导公式 这里a是预测值...，y是实际值 激活函数对z求导公式 Z对W的求导就不说了 然后就可以进行梯度下降了 梯度下降的公式如下 这里a就是学习率，也可以认为是梯度下降的步伐，a的值不应太小，也不应太大，太小会导致梯度下降处理时间太长...这里看一下第二个值，可以看出明显的不对，因为我们设置的第二个实际值是0，这直接两个极端了 看一下最后的结果 可以看出，误差明显减少，并且第二个值也趋于0了 这样整个过程就完成了 接下来来感受下，逐渐拟合的过程
在逛博友的博客时，偶然间发现一款博客程序Typecho，然后就逛其官网与百度评论，首先吸引我的就是简洁、轻量、生态也不错，像主题、插件、文档这些东西都应有尽有。...K，再换个主题，安装几个插件以后也不过才几M，界面也挺简洁，虽然它的编辑器不如Wordpress好用，不过也能接受，因为它的简洁实在是吸引人了。...于是就有了转Typecho的念头，就在昨天我果断决定把Wordpress换了下来，因为官网贴心的提供了Wordpress转Typecho的插件，所以数据转移起来很方便，而且网上也有挺多支持第三方云存储的插件...另外Wordpress的强大毋庸质疑，系统成熟、生态庞大。...我用着慢可能因为我的主机不够好，因为我用的是虚拟主机，但对于一个访问量不大的个人博客来说，我觉得用虚拟主机就够了，配置再高点就觉得浪费了，其实究其原因就是我没钱，哈哈，不过话说回来，Wordpress并不慢
说下体验感受，我是第一次在深圳上路，还是在晚上突发奇想的情况下，因为前一天已经完成身份认证，第二天就兴匆匆交了500块押金，冲了50块钱进去，模式基本跟共享单车一致，要先交押金才能使用，主要是为了扣你的智商税的...当时找附近的一个网点的时候，我被地图导航给坑了，害我走了很多冤枉路，通过App你是可以看到附近的一些网点的，一般是在大厦的停车场，也有在地面的，这些你通过App就可以找到，App会自动帮你筛选离你最近的可用网点...关于App的操作方面没啥好说，稍微试一下就知道怎么操作了。好了，前面的找网点，预定车的操作完成之后，你就可以去找到你对应的车把它开走啦。...前面说到网点少，这里又有另外一个体验不好的地方就是归还车辆必须要在他们指定的网点，幸好离家附近的网点不算太远，但也足够折腾，那晚我又被导航给坑了，找了半个小时才找到网点然后归还车。...找车停车都不太方便 电动车不耐操，充电麻烦，只适合短途开 总得来说共享汽车出发点很好，解决了那些在大城市挂不上牌，买不起车但又有驾照的人想开车的痛点，有时候如果打不到车还可以找附近网点自己丰衣足食，这是我这次体验最直观的感受了
最近因为工作的关系开始学习 Python 了。以前从不曾正儿八经地学过，如果说工作学习经验带来改变的话，那么编程语言的学习就是个很好的例子。...如果在十年前，我要学习 Python 的话大概会买本系统介绍的 Python 教程，然后一页一页慢慢看，估计能够啃完大半本，跳过一些自认为次要的特性。等到在项目中使用已经得是一两个月之后了吧。...很多人觉得大学里对编程语言的学习不值一提，因为象牙塔和工业界完全是不同的概念。但是我倒觉得，如果只考虑同等长度的时间范畴，大学里的学习经历，才是更有影响力的那一个。...下面的内容是作为一个初学者的一点点记录，觉得 Python 中有趣的几点，以及项目中使用的一些感受。 首先，关于缩进。这大概是第一个缩进具备实际意义的编程语言了，缩进不仅仅是用于帮助理解和美观需要了。...现在我接触的 Python 开源库还不多，随着学习的深入后续再慢慢研究和记录，但是有了 pip 等等通用的统一的包管理工具，这一切看起来似乎要比传统的 Java 和 C++要简单很多。
前言 在过去的几年里，各类公司的面试我都有所经历，小到十人左右的创业公司，大到几万人的腾讯阿里，面试过程大同小异。 但是最近又有新的收获，故开此篇以分享具体的过程和收获。...由于他原来在北京某外企工作过一段时间，对外企的工作氛围、学习环境和成长空间都很满意，于是推荐我尝试下硅谷企业。...英文面试的诀窍是熟读英文简历，事先练习用英文做自我介绍和描述工作经历，平时多看WWDC，了解常用的专业词汇和修饰符，最后面试的时候尽可能放低语速，用普通的词汇去交流。...如果事先有准备，四级的词汇+WWDC的常用词汇足以应付面试。...（想象下老外讲中文的时候，断断续续地用中文短语，我们也能够听懂其要表达的意思） 个人感受是面试官说的英语并不难懂，甚至比听不带字幕的WWDC还要容易不少。
生成一个列表的几种方式的性能对比 # -*- coding: utf-8 -*- from timeit import Timer import matplotlib.pyplot as plt #...list和dict的检索效率对比 # -*- coding: utf-8 -*- import random from timeit import Timer import matplotlib.pyplot...参考 matplotlib中文文档 TimeComplexity 北大数据结构与算法公开课 Python timeit 博客内容遵循 署名-非商业性使用-相同方式共享 4.0 国际 (...CC BY-NC-SA 4.0) 协议 我的博客即将同步至腾讯云+社区，邀请大家一同入驻：https://cloud.tencent.com/developer/support-plan?
要是 python 的 pandas 就直接上了： # pandas df['sig_x'] = df['x'].apply(lambda x: 1 / (1 - np.exp(-x))) 但是 spark...首先，如果我想使用列 x ，我不可以直接 "x" ，因为这是一个字符串，我需要调用隐式转换的函数 值得注意的是， spark 是你的 SparkSession 实例。...其次，我的运算函数在哪里找呢？...df_raw_result .withColumn("x_sig", lit(1.0) / (lit(1.0) + exp(negate(getItem($"x", lit(0))))) ) python...看起来，似乎 python 下的操作更加简洁优雅，但我更喜欢用 scala 书写这种级别的项目。 原因很简单， scala 对于类型的严格要求已经其从函数式编程那里借鉴来的思想，让代码写得太爽了。
SIGAI-AI学习交流群的目标是为学习者提供一个AI技术交流与分享的平台 SIGAI特约作者 mileistone 腾讯算法工程师 研究方向：物体检测 摘要 感受野是卷积神经网络里面最重要的概念之一，...定义 感受野被定义为卷积神经网络特征所能看到输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。...更上一层楼 上文所述的是理论感受野，而特征的有效感受野（实际起作用的感受野）实际上是远小于理论感受野的，如下图所示。具体数学分析比较复杂，不再赘述，感兴趣的话可以参考论文[2]。 ?...有效感受野示例[2] 下面我从直观上解释一下有效感受野背后的原因。以一个两层 ? ，的网络为例，该网络的理论感受野为5，计算流程可以参加下图。其中x为输入，w为卷积权重，o为经过卷积后的输出特征。...这个时候感受野的大小是一个重要的考虑因素。 放置anchor层的特征感受野应该跟anchor大小相匹配，感受野比anchor大太多不好，小太多也不好。
所以打算开启一个系列的文章，用简单的代码片段代替源码，拆解react的时间分片、优先级调度、diff等核心模块，让大家一眼就能明白其中的原理。...由于JS的执行是单线程的，JS线程与浏览器的其他线程互斥，如果JS线程阻塞，浏览器的渲染线程、事件线程也会相应的挂起。此时用户触发的浏览器原生事件也会无响应，造成卡顿的现象。...react15采用的是树形结构的虚拟DOM树，使用了递归方式的进行节点遍历，递归意味着虚拟DOM树的构建是一个同步的过程，只要一开始就无法中断。...：进入学习图片SchedulerScheduler主要负责react的任务调度，其中包括分片调度和优先级调度分片调度的主要任务是负责reconcile (render)阶段能够间断执行节点遍历任务优先级调度主要是为了将...每一次交流的过程都是一次思想和学习的碰撞，大家可以尽情diss
10月14日发布《统计世界的十大算法》后，很多朋友在后台询问，哪里有“视觉直观感受 7 种常用排序算法”，今天分享给大家，感谢todayx.org。 1....事实上，快速排序通常明显比其他Ο(n log n) 算法更快，因为它的内部循环（inner loop）可以在大部分的架构上很有效率地被实现出来，且在大部分真实世界的数据，可以决定设计的选择，减少所需时间的二次方项之可能性...步骤： 从数列中挑出一个元素，称为 “基准”（pivot）， 重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。...这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。 步骤： 比较相邻的元素。如果第一个比第二个大，就交换他们两个。...对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对。在这一点，最后的元素应该会是最大的数。 针对所有的元素重复以上的步骤，除了最后一个。
在6月25号入职，到现在也有两个月时间了。...感受： 第一天是期待的：第一次将项目拉到本地上看的时候，代码很多，有非常多的模块，模块下又有dao/service/controller/form/bean，眼花缭乱的。...第二个功能的SQL语句写了很长的时间都没写出来，没写出来原因有两个：我的SQL能力弱和业务表之间的关系还没熟悉(现在想起来，算是我这两个月里写过最麻烦的SQL了)。...总体来看：技术难度不大，主要是对业务的理解。 这两个月过得很开心，好吃好住，就是长胖了 另外值得一说的是：别以为我写了那么多博客的就很厉害，很牛逼，其实我渣得一批！...有看技术文章的习惯，说明都是爱技术/学习的人。爱技术/学习的人，技术一般不会差。所以能看到这篇文章的同学都是大佬----《3y》 如果想看更多的原创技术文章，欢迎大家关注我的微信公众号:Java3y。
我收到的简历很多，但认真投递的、符合要求的却寥寥无几，而且都是我自己看简历、选人、回复、面试，让本就饱和的工作量更加雪上加霜，到最后真的是身心俱疲了。...不过也有好处，在招人的过程中，我积累了不少经验，也发现了一些大家在找工作时的问题。这篇文章就给大家分享一下我自己招人的流程、想法，带大家看看招聘软件的后台，以及从招聘者的角度给大家一些求职建议。...，有意思的是，平台提供了非常多的小道具，能给我的岗位增加更多的曝光量。...有啥好聊的？ 应该利用有限的空间来凸显自己的优势、以及和公司的匹配度。...： 当然，倒也不会只通过这种招呼语的方式去筛选求职者，后台还提供了直接看候选人基本求职信息的功能，我会在这里捞一捞符合要求的同学： 结果你猜怎么着，和我沟通的近 100 个人中，真正符合我发布岗位时设置的基本要求的
感觉到自己的基础不牢，所以将基本公式做了一个合集，每天抄写一遍，慢慢熟练。 公式
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
