中科大-凸优化 笔记（lec14）-保凸运算
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化一、保持函数凸性非负加权和：f1,⋯ ,fnf_1,\cdots,f_nf1,⋯,fn为凸，则f=∑i=1mwifif=\sum_{i=1}^mw_if_if=∑i=1mwifi为凸，若wi≥0,∀iw_i\ge0,\forall iwi≥0,∀i1.定义域是凸集 2.不等式若f(x,y)f(x,y)f(x,y)，对任意y∈A,f(x,y)y\in A,f(x,y)y∈A,f(x,y)均为凸(x,y) jointly co
Hadoop FSDataInputStream 和FSDataOutputStream 用法
HDFS 常用IO操作 其实我经常用的也就那几种，记住几种特定适合自己的就行public static void testIOUtils() throws IOException {Configuration conf = new Configuration();FileSystem fs = FileSystem.get(conf);Path p = new Path("/tes
NodeJS os模块networkInterfaces()获取网卡参数乱码解决方法
前几天，用到NodeJS获取本地网络信息，所有的都指向os模块的networkInterfaces()函数，但是获取的网卡是乱码的，如下愁到我了，好几天没解决，后来打算放弃了，听了各种方法，什么buffer啊，iconv啊，cmd转码啊但是都没解决后来我就找到了一片文章，让用中文包，用了但是还是没用，快放弃的时候，灵机一动换了一个方法，就可以了如下原来：var os = r
中科大-凸优化 笔记（lec15）-保持函数凸性的操作
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化一、函数的组合h:Rk→R g:Rn→Rkf:h⋅g Rn→Rf(x)=h(g(x)) dom f={x∈dom g∣g(x)∈dom f}h:\R^k\rightarrow\R\;\;\;\;g:\R^n\rightarrow\R^k\\f:h\cdot g\;\;\;\;\;\R^n\rightarrow\R\\f(x)=h(g(x))\;\;\;\;\;dom\;f=\{x\in dom\;
Python 3.6 版本 Pytesseract 图像验证码识别 PyCharm 报错FileNotFoundError
Python 3.6 版本 Pytesseract 图像验证码识别Pytesseract Pycharm报错SubprocessPytesseract 报错FileNotFoundError
中科大-凸优化 笔记（lec16）-函数的透视&共轭
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化一、函数的透视透视函数：P:Rn+1→Rn dom P∈Rn∗R++ P(z,t)=ztP:\R^{n+1}\rightarrow\R^n\;\;dom\;P\in\R^n*\R_{++}\;\;P(z,t)=\frac ztP:Rn+1→RndomP∈Rn∗R++P(z,t)=tz函数的透视：f:Rn→R g:Rn∗R++,g(x,t)=tf(xt),dom g={(x,t)∣t>0,xt∈dom f}f:\R^n\
Spring Junit 单元测试@Test 报错 ServletContext找不到 No qualifying bean of type javax.servlet.ServletContext
Spring Junit 单元测试@Test 报错 ServletContext找不到No qualifying bean of type [javax.servlet.ServletContext] found for dependency)报错日志信息Caused by: org.springframework.beans.factory.NoSuchBeanDefinitionExce...
《百面机器学习》读书笔记（八）-采样
全部笔记的汇总贴：《百面机器学习》-读书笔记汇总采样在机器学习中有着非常重要的应用：它可以将复杂的分布简化为离散的样本点；可以用重采样对样本集进行调整以更好地适应后期的模型学习；可以用于随机模拟以进行复杂模型的近似求解或推理。对于一些简单的分布，如均匀分布、高斯分布等，很多编程语言里面都有直接的采样函数。然而，即使是这些简单分布，其采样过程也并不是显而易见的，仍需要精心设计。对于比较复杂的分布，往往并没有直接的采样函数可供调用，这时就需要其他更加复杂的采样方法。因此，对采样方法的深入理解是很有必要的。
【论文泛读06】学习交通图像：一种用于大规模交通网络速度预测的深度卷积神经网络
贴一下汇总贴：论文阅读记录论文链接：《Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction》一、摘要本文提出了一种基于卷积神经网络(CNN)的方法，将流量作为图像进行学习，并以较高的精度预测大规模、全网络的流量速度。通过二维时空矩阵将时空交通动态转化为描述交通流时空关系的图像。将CNN应用到图像中，进行两个连续的步骤：
Springboot +tk.mybatis+generator 自动生成Mapper xml 插件配置及 常见 错误 MapperException 、BaseSelectProvider
1.新建sprintboot项目，先把需要的 选项勾选上如Mysql，jdbc，web，mybatis 等你需要的，这是第一步，如果你需要配置tk.mybatis，你需要额外的导入 新的jar包 以及 pom.xml 的 build 中plugin generator 插件，1.1 pom 中要引入 tk.mybatis的包1.2 pom 中要引入 tk.sprint boot star...
RabbitMQ 启动报错 Failed to check/redeclare auto-delete queue(s) access to vhost '/' refused for user
RabbitMQ 启动报错 Failed to check/redeclare auto-delete queue(s). access to vhost ‘/’ refused for user ‘rabbit’今天项目在新的服务器上启动，所有的配置文件没变，安装完rabbitmq配置好以后，启动服务服务器配置都是一样的，网络也没问题结果发现报错了 Failed to check/red...
【论文泛读07】回顾时空相似性：交通预测的深度学习框架
贴一下汇总贴：论文阅读记录论文链接：《Revisiting Spatial-Temporal Similarity：A Deep Learning Framework for Traffic Prediction》一、摘要由于大规模交通数据的可获得性及其在现实世界中的重要性，交通预测在人工智能研究领域受到越来越多的关注。例如，准确的出租车需求预测可以帮助出租车公司预分配出租车。交通预测的关键挑战在于如何对复杂的空间依赖性和时间动态进行建模。尽管在建模中考虑了这两个因素，但已有的研究对空间依赖和时间动态
RabbitMQ系列（一）启动及网页、外网访问配置
RabbitMQ 启动及网页、外网访问配置1.安装安装过程就不重复了，直接pip install或者 brew install都可以，简单，安装完毕后进入文件夹 /usr/local/opt/rabbitmq/sbin 命令文件夹可以看到有一下命令：iazijie sbin $ pwd/usr/local/opt/rabbitmq/sbinjiazijie sbin $ lltotal 1096-r-xr-xr-x 1 jiazijie admin 468026 7 5 2018
《百面机器学习》读书笔记（九）-前向神经网络
全部笔记的汇总贴：《百面机器学习》-读书笔记汇总深度前馈网络（Deep Feedforward Networks）是一种典型的深度学习模型。其目标为拟合某个函数fff，即定义映射y=f(x;θ)y=f (x;θ)y=f(x;θ)将输入xxx转化为某种预测的输出yyy，并同时学习网络参数θθθ的值，使模型得到最优的函数近似。由于从输入到输出的过程中不存在与模型自身的反馈连接，此类模型被称为“前馈”。一、多层感知机与布尔函数★★☆☆☆ 多层感知机表示异或逻辑时最少需要几个隐含层（仅考虑二元输入）？
RabbitMQ系列（二）VirtualHost作用及角色权限管理实战
VirtualHost 作用及用法Virtual Hosts的使用场景多租户的使用场景,比如主机资源紧缺情况下开发和测试共用一个RabbitMQ,可以使用Virtual Hosts将开发和测试隔离开1.管理界面2.VirtualHost介绍从上图可以看到，Admin界面可以看到User、VirtulalHost、Policies、Limits、Cluster 等几个选项，今天要介绍的VirtualHost就在其中RabbitMq的 VirtualHost（虚拟消息服务器），每个VirtualH
中科大-凸优化 笔记（lec17）-函数的共轭
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化例：h~\tilde hh~的单调性g(x)=x2 dom g=R 凸h(z)=0 dom h=[1,2] 凸 不增、不降f=h(g(x))={0 x∈[−2,−1]∪[1,2]不存在g(x)=x^2\;\;\;dom\;g=\R\;\;\;凸\\h(z)=0\;\;\;\;dom\;h=[1,2]\;\;凸\;\;不增、不降\\f=h(g(x))=\left\{ \begin{array
RabbitMQ系列-简介
RabbitMQ 简介RabbitMQ 介绍人如其名，除了像兔子一样跑的很快以外，具有以下特点：1.开源、性能优秀，稳定性保障2.提供可靠性消息投递模式、交互模式3.与Spring AMQP完美整合，API丰富（spring-boot融合）4.集群模式丰富，表达式配置，HA模式，镜像队列模型(稳定可靠)5.保证数据不丢失的前提做到高可靠性、可用性（稳定可靠）典型应用场景：异步处理系统暂时把消息放入消息中间件中，等到需要的时候再去处理。先返回消息确认ID，然后再进行消息处理流量削峰秒杀
中科大-凸优化 笔记（lec18）-拟凸函数（上）
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化一、凸集与凸函数的关系α−sublevel set\alpha - sublevel\;setα−sublevelset若f:Rn→Rf:\R^n\rightarrow\Rf:Rn→R，定义其α−sublevel set\alpha - sublevel\;setα−sublevelset为Cα={x∈dom f∣f(x)≤α}C_\alpha=\{x\in dom\;f|f(x)\le\alpha\}Cα={x∈domf∣f(x)≤α}凸函
【论文泛读08】基于深度时空残差网络的城市人群流动预测
贴一下汇总贴：论文阅读记录论文链接：《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》一、摘要预测人群流量对交通管理和公共安全具有重要意义，且具有很大的挑战性，因为它受到许多复杂因素的影响，如地区间的交通、事件和天气。我们提出了一种基于深度学习的方法，称为ST-ResNet，用于对城市每个区域的人群流入和流出进行综合预测。基于ST-ResNet特有的时空数据特性，设计了一种端到端ST-ResNet结构
今日推荐
周排行