深度学习中损失函数是整个网络模型的“指挥棒”， 通过对预测样本和真实样本标记产生的误差反向传播指导网络参数学习。分类任务的损失函数假设某分类任务共有N个训练样本，针对网络最后分层第 i 个样本的输入特征为 XiXi ，其对应的标记为YiYi是最终的分类结果（C个分类结果中的一个），h=（h1,h2,...,hch1,h2,...,hc）为网络的最终输出，即样本 i 的预测结果。其中 C 是最...

kubernetes官方插件使用EFK来处理容器日志, 其中F指代Fluentd(Fluentd属于CNCF项目), 用于收集容器的日志。但是由于Fluentd用起来的确不怎么舒服(Ruby风格配置文件), 而Logstash又过于重量级(光启动就需要消耗大约500M内存), 而Elatic家族的Beats系列中的Filebeat既轻量又无依赖, 因此是作为DaemonSet部署的不二之选。 架.

卷积神经网络在情感分析中取得了很好的成果，相比于之前浅层的机器学习方法如NB、SVM效果更好，特别实在数据集较大的情况下，并且CNN不用我们手动去提取特征，原浅层ML是需要进行文本特征提取、文本特征表示、归一化、最后进行文本分类，文本特征提取主要可以分为四步：（1）：对全部训练文档进行分词，由这些词作为向量的维数来表示文本;（2）：统计每一类文档中所有出现的词语及其频率，然后过滤，剔除停用词和单字

在写spark代码的时候，经常会遇到文件夹路径存在的情况，一般有以下的解决方式1.在shell脚本中 直接调用hadoop fs -rm path2.通过设置可直接覆盖文件路径，此方法我没有测试[html] view plain copyyourSparkConf.set("spark.hadoop.validateOutputSpecs", "false"

所谓过拟合，指的是当一个模型过为复杂之后，它可以很好的“记忆”每一个训练数据中随机噪音的部分而忘记了要去“学习”训练数据中通用的趋势。举一个极端的例子，如果一个模型的参数比训练数据的总说还多，那么只要训练数据不冲突，这个模型完全可以记住所有训练数据的结果从而使得损失函数为0。然而，过度拟合训练数据中的随机噪音虽然可以得到非常小的损失函数，但是对于未知数据可能无法做出可靠的判断。 下图显示了模型训练

蒙特卡洛蒙特卡洛是一类通用算法，思想是通过随机采样逼近真实，这里只介绍在强化学习中的应用。 最初的想法应该是连续运行多个周期，比如经历了两次(s, a)，并且计算了对应的Gt，那么q(s,a)取之平均就可以了，但实际上，为了优化策略或者值函数，不能这样多次采样后直接计算，而是每次采样（一周期）就迭代计算并更新。特点周期性更新：一整个周期结束了（到达了终点）才回进行一个更新（更新所有经历过的stat

摘要卷积神经网络使计算机视觉领域发生了革命性的变化。本文探讨了CNNs的一个典型应用：利用卷积网络来预测股票价格的变动，即利用卷积网络来预测过去价格波动的时间序列，其目的是利用它们来买卖股票，以赚取利润。▌1. 介绍在较高的层次上，我们将训练一个卷积神经网络，将给定资产过去价格的时间序列数据图像（在我们的案例中，是在纽约证交所交易的SPY合约）中。然后，我们将在接下来的几分钟内预测价格的走势。如果

部署本机私有链区块链说白了就是一个个块链接起来的一个链表结果，所以要在本机生成一个自己的私有链首先要做的就是自己先创建一个块作为第一个将要生成的区块链的第一个区块（区块链叫做创世块），所以先生成一个json文件genesis.json,内容为创世块的内容（也是每个区块的包含的基本内容）：{         "nonce":"0x0000000000000042&quo

kube-proxyservice是一组pod的服务抽象，相当于一组pod的LB，负责将请求分发给对应的pod。service会为这个LB提供一个IP，一般称为cluster IP。kube-proxy的作用主要是负责service的实现，具体来说，就是实现了内部从pod到service和外部的从node port向service的访问。举个例子，现在有podA，podB，podC和service

深度学习与强化学习随着 DeepMind 公司的崛起，深度学习和强化学习已经成为了人工智能领域的热门研究方向。除了众所周知的 AlphaGo 之外，DeepMind 之前已经使用深度学习与强化学习的算法构造了能够自动玩 Atari 游戏的 AI，并且在即时战略游戏 StarCraft II 的游戏 AI 构建上做出了自己的贡献。虽然目前还没有成功地使用 AI 来战胜 StarCraft I