前面我们已经学习了神经网络的学习过程，通过梯度下降法不断逼近代价函数的最小值，进而不断更新权重，取得最优的参数。但是，前面的梯度计算，采用的是中心差分的方式进行的，计算起来比较复杂，现在开始我们开始学习一种高效的梯度计算方法——反向传播法。我们通过图形，描述支付金额的计算过程。换一种表达方式：我们发现，在解决这个问题的时候，我们自己的思路和图形完全一致！我们如何计算支付金额关于苹果单价的导数呢？可

在更新时，可以设置retry_on_conflict参数，设置重试次数，一般设置为3次。当然，防止并发操作，推荐使用带版本的操作，即/索引/类型/id?如果文档存在，则使用doc进行字段更新，否则使用upsert创建新的索引文档。在更新文档的时候，也可以直接指定版本重新建立索引，而不是使用_udapte。通过DELETE操作，指定_query参数，删除满足检索条件的所有文档。通过DELETE请求，

hits表示结果数据，其中total表示的是总的命中的数据条数，max_score表示的是评分，这里只返回了一条数据，是因为请求参数中的size是1，限定了返回1条数据。我们可以使用PUT方法创建索引，通过指定“索引”、“类型”、“文档ID”锁定文档，通过参数指定文档的数据。使用_mapping参数可以查看当前类型的映射关系，要注意的是，映射关系是在类型这个层面的。这里给到了创建的索引名称、类型、

【代码】git 提交时自动附加分支名称。

单体架构将所有的功能都集中在一个模块中（WAR包）开发、部署、迭代，牵一发而动全身，局部低效率拖垮整个服务。SOA按服务对项目拆分，通过对外提供接口的方式提供服务，缓解了单体的单服务低效率拖垮整个服务的问题，但往往通过数据库进行数据共享，服务之间会基于数据库耦合。微服务独立开发、部署，技术栈独立，数据库独立。服务之间通过统一的HTTP接口调用，或采用Kafka、RabbitMQ等消息队列的方式进行

目标：提供一个聚合站点，提供points、offers、trips三个服务。单体架构的设计这种设计思路，虽然在功能上得到了满足，但是公用数据库、三个服务叠在同一个tomcat进程里，不便于扩展，各个服务的健康直接影响其他的服务。微服务设计改造不再公用数据源，各自保存自己的服务层和数据访问层，各个服务相对独立，健康状况互不影响。...

深度学习中，各部分的反向传播实现。我们先来看看ReLU函数的特点：函数图像：对应的导数为：这也就说明了，当输入大于0时，梯度的反向传播为原样，否则，反向传播为0 代码实现：SIGMOD的函数：函数图像：根据导数计算公式，导函数： 对于此导数，可以进一步简化：我们可以得到反向传播的计算图： 代码实现：...

redis的列表是双端的，是有序的。双端的，意味着可以左边压入，右边弹出，这就是队列。左边压入，左边弹出，这就是栈。

非结构化数据没有任何规范和格式可言，尤其是图像、声音、视频等信息，一般通过解析帧数据，频谱计算、RGB化等方式提取有效信息。例如这就是一条结构化的数据，按照Company、Date、Stock这样的数据格式进行存储，数据类型是确定的，数据的格式也是确定的。半结构化数据介于两者之间，遵从一定的数据规范和格式要求，但不像结构化数据那么完全统一，也不像非结构化数据那样完全没有规律可言。结构化数据遵从一定

深度学习中，各部分的反向传播实现。我们先来看看ReLU函数的特点：函数图像：对应的导数为：这也就说明了，当输入大于0时，梯度的反向传播为原样，否则，反向传播为0 代码实现：SIGMOD的函数：函数图像：根据导数计算公式，导函数： 对于此导数，可以进一步简化：我们可以得到反向传播的计算图： 代码实现：...