【转】DevOps原则
DevOps的出现有其必然性。在软件开发生命周期中，遇到了两次瓶颈。第一次瓶颈是在需求阶段和开发阶段之间，针对不断变化的需求，对软件开发者提出了高要求，后来出现了敏捷方法论，强调适应需求、快速迭代、持续交付。第二个瓶颈是在开发阶段和构建部署阶段之间，大量完成的开发任务可能阻塞在部署阶段，影响交付，于是有了DevOps。 DevOps的三大原则： 1、基础设施即代码（Infrastructure as Code） DeveOps的基础是将重复的事情使用自动化脚本或软件来实现，例如Docker（容
java的类加载器体系结构和双亲委派机制
类加载器将字节码文件加载到内存中，同时在方法区中生成对应的java.land.class对象 作为外部访问方法区的入口。 类加载器的层次结构： 引导类加载器《-------------扩展类加载器《--------------------------引用程序类加载器《-----------------自定义类加载器 1、引导类加载器加载jre/lib/rt.jar包下加载核心类库 2、扩展类加载器 负责加载jre/lib/ext/*.jar 3、引用程序类加载器 加载我们
Python 程序：学员管理系统
Python 程序：学员管理系统 1、需求 2、表结构 3、readme 4、目录结构 5、代码 6、测试样图 一、需求 需求: 角色，讲师＼学员， 用户登陆后根据角色不同，能做的事情不同，分别如下 讲师视图： 管理班级，可创建班级，根据学员qq号把学员加入班级 可创建指定班级的上课纪录，注意一节上课纪录对应多条学员的上课纪录， 即每节课都有整班学员上， 为了纪录每位学员的学习成绩，需在创建每节上课纪录是，同时为这个班的每位学员创建一条上课纪录 为学员批改成绩， 一条一条的手动修改成绩 学员视
工程问题--ubuntu16.04 使用SHa♂dow♀socks代理上网(Chrome浏览器)
ubuntu16.04 使用SHadowsocks代理上网(Chrome浏览器) 很多问题在百度下可能都找不到解决方法，所以，我只能尝试扩大搜索范围，上google去找。 上google必定涉及到番羽土啬。这里只介绍ubuntu16.04 使用SHadowsocks代理上网(Chrome浏览器) 这个有非常完整的教程，记得搜索的时候不要用Sha♂dow♀socks这个关键词，会被屏蔽掉很多教程 可以使用代♂理(*/ω＼*)上♀网这个关键词。 教程飞机票：https://blog.csdn.ne
【剑指offer】50、第一次只出现一次的字符
题目一 在一个字符串(0<=字符串长度<=10000，全部由字母组成)中找到第一个只出现一次的字符,并返回它的位置, 如果没有则返回 -1（需要区分大小写）. 思路 用哈希表来统计每个字符出现的次数，第一次扫描统计时间复杂度为O(n)，找出第一个只出现一次的字符时间复杂度为O(1) class Solution {
public:
int FirstNotRepeatingChar(string str) {
map<char, int> mp;
for
LeetCode-695. 岛屿的最大面积
题目描述 给定一个包含了一些 0 和 1的非空二维数组 grid , 一个 岛屿 是由四个方向 (水平或垂直) 的 1 (代表土地) 构成的组合。你可以假设二维矩阵的四个边缘都被水包围着。 找到给定的二维数组中最大的岛屿面积。(如果没有岛屿，则返回面积为0。) 示例 1: [[0,0,1,0,0,0,0,1,0,0,0,0,0],
[0,0,0,0,0,0,0,1,1,1,0,0,0],
[0,1,1,0,1,0,0,0,0,0,0,0,0],
[0,1,0,0,1,1,0,0,1,0,
Java：static和内部类
1.static（1）静态变量在定义一个类时，只是描述他的特征和行为，并没有产生数据。当用new创建该类的实例对象，计算机才会分配给每一个对象空间去储存数据。但是有时候我们会希望某些特殊的数据在数据中独此一份。譬如学校名字，所有学生都共享同一个学校名字，不必在每一个对象所占的空间中都占据一个学校名字。而static关键字来修饰成员，该变量变为静态变量被所有实例共享。例如class Student{...
Three Types of Learning
监督学习的两个分类：回归和分类
Unsupervised learning AIM:
-create an internal representation of the input that is useful for subsequent supervised or reinforcement learning
-It provides a
Perceptrons
神经网络的结构： 神经元之间的连接方式
最常见：
前馈神经网络 feedforward neural network
信息从输入层流入，沿着一个方向通过隐藏层，直到输出层。
如果有多个隐藏层，就成为深度神经网络。
They compute a series of transformations that change the similarities
Linear&Logistic Neuron
multi-layer neuralnetworks do not use the perceptron learning procedure.
Because this type ofguarantee cannot be extended to more complex networks in which the average oftwo good solutions may be a b
Relational Learning Task
24个人表示成24维向量，除了一个，其余都是0：
Colin =(1,0,0,0,…,0),Charlotte = (0,0,1,0…,0)
为什么不用更简单的表示呢，比如计算机中的二进制（5维可表示）？
Colin =(0,0,0,0,1), Charlotte = (0,0,0,1,1)
24维表示法使得输入线性可分
24维表示法不需要先验知识
样本：一个英国家庭，一个意大利
Learning world representation
很难将物体与其他物体分别开：
分割(segmentation)
光线(lighting)
形变(deformation)
功能可见性(affordances)
观察点(viewpoint)：维度跳跃(dimension-hopping):由于观察点变化，信息从一个维度跳跃到了另一个维度。
____________________________________________
神经网络中的梯度下降
误差平面：
以平方误差的线性神经元：二次的碗状(quadratic
bowl) 多层非线性网络的误差曲面复杂得多，但是只要权重不是太大，仍然可用二次的碗状拟合局部。
两种学习算法：
full gradient :
使用所有的数据计算梯度mini-batch : 使用小批量学习(数据集最好很大，有很多冗余)
学习率：
猜测一个初始的学习率
写一个简
python matplotlib数据可视化
数据可视化：
一般如果数据分为几类，就要把数据分开，分别画。
import numpy as np
import matplotlib.pyplot as plt
# 随机生成数据
group = np.random.uniform(0,10,size=[100,2])
labels=np.tile('A',[100,1])
rand_num = np.random.randint(
机器学习实战第二节 决策树
度量数据集无序程度的方法：
香农熵 (shannon entropy)
变量的不确定性越大，熵越大
基尼不纯度 (Gini impurity)
从一个数据集中随机选择子项，度量其被错误分类到其他分组里的概率。
递归构造决策树：
得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多于两个，因此可能存在大于两个分支的数据集
机器学习实战第三节，朴素贝叶斯算法
【分类器给出一个最优的类别猜想结果，同时给出这个猜想的概率估计值】
之所以称为‘朴素’，是因为整个形式化过程只做最原始、最简单的假设
适用：标称型数据
朴素贝叶斯是贝叶斯决策理论的一部分
贝叶斯决策理论：
选择具有高概率的决策
用p1(x, y)来表示数据点(x,
y)属于类别1，用p2(x, y)来表示数据点(x,
y)属于类别2
如果p1(x, y)
机器学习第四节，Logistic 回归
最优化算法：解决最优化问题，例如如何在最短时间从A到达B？
利用Logistic回归进行分类的只要思想是：根据现有数据对分类边界线建立回归公式，以此分类
训练分类器：利用最优化算法寻找最佳拟合参数
梯度上升法用来求函数的最大值
w:=w +α▽wf(w)
梯度下降法用来求函数的最小值
w:=w
-α▽wf(w)
梯度定义了移动的方向，α(步长)定义了移动的距离
今日推荐
周排行