最近在项目中逐渐使用RN进行前端开发，遇到一个需求，需要对图片进行限宽不限高的等宽高比缩放，没有办法通过设置属性来处理，如果是宽高固定的容器，加载图片将resizeMode设置成contain，图片是按照宽和高中大的来做等比缩放，不符合项目要求，因此需要先预加载图片来获取宽高比，下载后设置宽高来处理，getSize的Api如下：static getSize(uri: strin

http://blog.csdn.net/zouxy09/article/details/48903179一、概述       机器学习算法在近几年大数据点燃的热火熏陶下已经变得被人所“熟知”，就算不懂得其中各算法理论，叫你喊上一两个著名算法的名字，你也能昂首挺胸脱口而出。当然了，算法之林虽大，但能者还是有限，能适应某些环境并取得较好效果的算法会脱颖而出，而表现平平者则被历史所淡忘。随着机

转自：https://blog.csdn.net/qq_28659831/article/details/79283519一、引言之前写的论文笔记中讲的都是基于RNN的图像压缩网络，本文将要讲的是由哈尔滨工业大学Jiang Feng教授（具体的名字我也不知道怎么写）及其团队成员提出的基于CNN的图像压缩网络。该网络是CNN和标准图像算法在图像压缩领域中的首次结合，取得了state of th...

LR和SVM都在某种程度上要求被学习的数据特征和目标之间遵照线性假设。然后许多现实场景下，这种假设不存在。比如根据年龄预测流感的死亡率，如果用线性模型假设，那只有两个可能：年龄越大／越小，死亡率越高。根据厂商，青壮年更不容易因患流感而死亡。年龄和因流感的死亡不存在线性关系。在机器学习模型中，决策树是描述非线性关系的不二之选。

之前都是一旦确定使用某个模型，程序库就可以帮助我们从标准的训练数据中，依靠默认的配置学习到模型所需要的参数，然后利用这组得来的参数指导模型在测试数据集上进行预测，进而对模型的表现性能进行评价。这套方案不能保证：1）所有用于训练的数据特征都是最好的2）学习得到的参数一定是最优的3）默认配置下的模型总是最佳的所以，可以从多个角度对前面所使用过的模型进行性能提升，包括预处理数据／控制

集成模型（分类）（Ensemble）集成分类模型综合考量多个分类器的预测结果，进而做出决策。综合考量的方式大体分两种：1.利用相同的训练数据同时搭建多个独立的分类模型，然后通过投票的方式，以少数服从多数的原则作为最终的分类决策。代表性的模型有：随机森林分类器（Random Forest Classifier），在相同的训练数据上同时搭建多棵决策树（Decision Tree）。一株标准的决策树会根

K近邻 KNN对于一个待分类的测试样本，寻找与待分类的样本在特征空间中距离最近的K个已标记样本做参考，来帮助我们做出分类决策。K的不同，分类效果不同。K不属于模型通过训练数据学习的参数，因此在模型初始化时需要提前确定。

简介Kaggle 于 2010 年创立，专注数据科学，机器学习竞赛的举办，是全球最大的数据科学社区和数据竞赛平台。笔者从 2013 年开始，陆续参加了多场 Kaggle上面举办的比赛，相继获得了CrowdFlower 搜索相关性比赛第一名（1326支队伍）和 HomeDepot 商品搜索相关性比赛第三名（2125支队伍），曾在 Kaggle 数据科学家排行榜排名全球第十，国内第一。笔

Docker与VM之类的区别一直不理解，找到这篇文章，分享一下：http://www.techug.com/post/comparing-virtual-machines-vs-docker-containers.html译者按: 各种虚拟机技术开启了云计算时代；而Docker，作为下一代虚拟化技术，正在改变我们开发、测试、部署应用的方式。那虚拟机与Docker究竟有何不同

Docker与VM之类的区别一直不理解，找到这篇文章，分享一下：http://www.techug.com/post/comparing-virtual-machines-vs-docker-containers.html译者按: 各种虚拟机技术开启了云计算时代；而Docker，作为下一代虚拟化技术，正在改变我们开发、测试、部署应用的方式。那虚拟机与Docker究竟有何不同