权重参数初始化从区间均匀随机取值，默认区间为（0，1）.可以设置为在（-1/√d，1/√d）均匀分布中生成当前神经元的权重，其中d为神经元的输入数量。2、forward方法，在实例化模型的时候，底层全自动调用该函数，该函数中为初始化定义的layer传入数据，进行前向传播。：随机初始化从均值为0，标准差是1的高斯分布中取样，使用一些很小的值对参数W进行初始化。1、_init_方法中定义网站中的层结构

sigmoid函数反向传播时，很容易就会出现梯度消失的情况，从而无法完成深层网络的训练。softmax就是将网络输出的logits通过softmax函数，就映射成为（0，1）的值，而这些值的累计和为1（满足概率的性质），那么我们将他理解成概率，选取概率最大（也就是值对应最大的的）节点，作为我们的预测目标类别。1、Tanh函数将输入映射到（-1，-1）之间，图像以0为中心，在0点对称，当输入大概<-

Docker会在运行镜像时创建一个隔离环境，称为容器（container），不同的应用相互运行不干扰，可以运行n多应用甚至mysql集群等。Dockers Compose通过一个单独的docker-compose.yml模板文件（YAML格式）来定义一组相关联的应用容器，帮助我们实现多个相互关联的Docker容器的快速部署，一般一个Docker Compose文件对应一个项目，其中有项目所需要的所

1、由于L1 Loss具有稀疏性，为了惩罚较大的值，因此常常将其作为正则项添加到其他loss中作为约束。2、在[-1,1]区间之外，实际上就是L1损失，这样就解决了离群点梯度爆炸的问题。1、在[-1,1]之间实际上就是L2损失，这样解决了L1的不光滑的问题。2、L1 loss的最大问题是梯度在零点不平滑，导致会跳过极小值。3、L用来衡量真实值y与预测值y'之间的差异性的损失结果。Smooth L1

1、由于L1 Loss具有稀疏性，为了惩罚较大的值，因此常常将其作为正则项添加到其他loss中作为约束。2、在[-1,1]区间之外，实际上就是L1损失，这样就解决了离群点梯度爆炸的问题。1、在[-1,1]之间实际上就是L2损失，这样解决了L1的不光滑的问题。2、L1 loss的最大问题是梯度在零点不平滑，导致会跳过极小值。3、L用来衡量真实值y与预测值y'之间的差异性的损失结果。Smooth L1

权重参数初始化从区间均匀随机取值，默认区间为（0，1）.可以设置为在（-1/√d，1/√d）均匀分布中生成当前神经元的权重，其中d为神经元的输入数量。2、forward方法，在实例化模型的时候，底层全自动调用该函数，该函数中为初始化定义的layer传入数据，进行前向传播。：随机初始化从均值为0，标准差是1的高斯分布中取样，使用一些很小的值对参数W进行初始化。1、_init_方法中定义网站中的层结构

1、sigmoid函数可以将任意的输入映射到（0，1）之间，当输入的值大致在<-6或者》6时，意味着输入任何值得到的激活值都是差不多的，这样会丢失部分信息。3、隐藏层（Hidden Layers）：输入层和输出层之间都是隐藏层，在神经网络中，隐藏层是介于输入层与输出层之间的所有网络层，负责对输入特征进行逐层变换和抽象提取，是实现模型非线性拟合能力的核心部分。每个输入特征对应一个神经元。这个过程就像

OpenFeign是一个声明式的http客户端，是Springcloud在Eureka公式开源的Feign基础上改造而来的。OpenFeign对Http请求做了优雅的伪装，不过其底层发起的Http请求，依赖于其他框架。1、HttpURLConnection：默认实现，不支持连接池，不断的链接与断开开销大。3、HEADERS：在BASIC的基础上，额外记录了请求和响应的头信息。4、FULL：记录所有

Docker会在运行镜像时创建一个隔离环境，称为容器（container），不同的应用相互运行不干扰，可以运行n多应用甚至mysql集群等。Dockers Compose通过一个单独的docker-compose.yml模板文件（YAML格式）来定义一组相关联的应用容器，帮助我们实现多个相互关联的Docker容器的快速部署，一般一个Docker Compose文件对应一个项目，其中有项目所需要的所