注：在客户迁移maven依赖后，对流水线进行构建一定要保证java版本和maven版本与客户打包构建的版本一致。

torch Tensor是整个package中的核心类requires_grad设置为True，表示会对张量进行跟踪，记录张量在正向传播中做的更改（相乘相加等等操作），只有跟踪张量的更改，才能在反向求导中进行计算。直接给tensor原地更改requires_grad为True,a.requires_grad_(True)import torchx = torch.ones(3, 3, requir

RNN不同的拓扑结构对应不同应用场景。many to many也就是我们所说的seq2seq中间RNN结构，下面的输入相当于encoder编码上面的输出相当于decoder解码这种结构下面全都是要输入的，上面也都是要输出的，只是我们没有画出来，没有画出来的输出我们不会真正用到Attention注意力机制举例：比如我们在做机器翻译的时候，我们希望他会有重点的进行翻译。基于Encoder-Decode

scope监控curl -L git.io/scope -o /usr/local/bin/scopecurl -L https://github.com/weaveworks/scope/releases/download/latest_release/scope -o /usr/local/bin/scope #下载chmod a+x /usr/local/bin/scope #添加权限lau

基本介绍：CNN里面最重要的构建单元就是卷积层。卷积层是局部连接，卷积是参数共享（一个卷积核去扫描整个图像）经过每层卷积层得到的结果我们叫做Feature map（特征图）。神经元在第一个卷积层不是连接输入图片的每个像素，知识链接他们感受野的像素，以此类推第二个卷积层的每一个神经元仅连接位于第一个卷积层的小方块的神经元。图像维介绍度：一个图像有三个维度（h,w,c）== (高，宽 ，通道)，那么，

对于单颗树，我们要计算特征j在单颗树中的重要度，就是计算特征j在单颗树中带来的收益之和。那对于集成学习，假设有T棵树，那么我们就每颗决策树中的每个特征重要程度加和除以T，就是每个特征的重要程度。那么决策树或者基于决策树的GBDT可以在训练完后，根据计算好的feature_importance去选择分值大和分值小的，从而进行合理降维。...

scope监控curl -L git.io/scope -o /usr/local/bin/scopecurl -L https://github.com/weaveworks/scope/releases/download/latest_release/scope -o /usr/local/bin/scope #下载chmod a+x /usr/local/bin/scope #添加权限lau

归一化的目的：每个维度可能对应的数量及不同，例如年龄和收入，我们线性回归公式在计算机看来X1和X2并没有数量级的不同，都是一样的数据，不理解其中的含义所以θ1X1 = θ2X2,那么X1远远小于X2的话，有公式看来，θ1就远远大于θ2。那么有图像就可以看出来θ1要优化的距离就远远大于θ2要优化的距离。产生矛盾：因为X1 << X2那么θ1要调整的距离就远远大于θ2要调整的距离，由公式得

jieba分词：按照字序列的一定顺序重新组合作用：帮助人更好的理解文字的意思jieba通常有三种用法：精确模式， 全模式， 搜索引擎模式import jieba# jieba.cutl如果不给参数，默认是精确模式content = "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"# jieba.cut(content, cut_all=False)# 返回一个生成器对

基本介绍：CNN里面最重要的构建单元就是卷积层。卷积层是局部连接，卷积是参数共享（一个卷积核去扫描整个图像）经过每层卷积层得到的结果我们叫做Feature map（特征图）。神经元在第一个卷积层不是连接输入图片的每个像素，知识链接他们感受野的像素，以此类推第二个卷积层的每一个神经元仅连接位于第一个卷积层的小方块的神经元。图像维介绍度：一个图像有三个维度（h,w,c）== (高，宽 ，通道)，那么，