Python 实现两层神经网络最近重新回顾了一下机器学习的基础知识，关于两层神经网络从网络上找了一下，比较好理解的基本就这样一个出处了，大家一块来学习。

从今天起，总结机器学习算法，先从最简单的，朴素的贝叶斯算法开始，为什么最近又开始总结这些机器学习算法那？原因很简单，这些算法很久之前都是推导过的，但是没有总结，很快就忘记了，复习也不好复习，面试一问算法题目还好，到了数学推导，就磕磕绊绊，然后被各种diss，任重而道远。

a、UCB算法部分使用概率分布（仅置信区间上界）来量化不确定性，而Thompson sampling基于贝叶斯思想，全部用概率分布来表达不确定性(避免马太效应)b、UCB采用确定的选择策略，可能导致每次返回结果相同（不是推荐想要的），而Thompson Sampling则是随机化策略c、Thompson sampling实现相对更简单，UCB计算量更大（可能需要离线/异步计算），在计算机广告、文章

不少关于Hadoop的书籍都提到过， Shuffle过程是MapReduce的核心，也被称为奇迹发生的地方。要想理解MapReduce， Shuffle是必须要了解的(《Hadoop云计算实战》)。查看过很多书籍，介绍的或多或少有一些差异，我想这是作者外文翻译的原因，例如 Spill 有的翻译成 “溢写”有的翻译为“分割”(本人认为“溢写”比较好)。对于shuffle的逻辑，看的多了反而越混。所以

问题描述:

最近也学习了下detectron2检测框架，总的来讲该框架由Facebook开源，质量还是非常不错的，值得学习。今天就对我第一次安装和测试遇到的一些问题进行整理和总结。

最近在学习pytorch，把踩过的坑，整理一下。##### 1、预训练模型的加载问题在模型加载过程中，常用的有两种方式：###### （1）直接保存加载训好的模型```pythontorch.save(model, 'src/model.pth')# 直接保存模型model = torch.load('src/model.pth')# 直接加载模型```###### （2）只加载模型参数，进行训练