问题引出：信息增量是什么？干什么用？一颗决策树中的非叶子节点有split函数，用于将当前所输入的数据分到左子树或者右子树。我们希望每一个节点的split函数的性能最大化。这里的性能是指把两种不同的数据分开的能力，不涉及到算法的时间复杂度。但是，怎么去衡量一个split函数的性能呢？这里我们使用信息增益来衡量III。如果III越大，说明该节点的split函数将输入数据分成两份的性能越好。下面图片..

这里讲解如何使用KH Coder。整个过程不需要编程知识。有两种导入数据的方式，第一种是将所有的文字放到一个txt文件中；第二种是将文字放到多个txt文件中，这些文件放到一个文件夹下。因为第二种更加常见，所以这里以后者作为例子来说明。软件下载路径请看本人这一篇哦：https://download.csdn.net/download/liangyihuai/13994713本软件默认是英文界面的，按

Java基本类型Java 虚拟机中的整型类型的取值范围如下:一、  byte 类型:值为 8 位有符号二进制补码整数,默认值为零。对于 byte 类型,取值范围是从-128 至 127(-2^7 至 2^7-1),包括-128 和 127。说明：          取值范围是10000000-01111111，注意《1》第一位是符号位，1表示负数，0表示正数。《2》八位数值当中最小

（静态）常量池：用于存放编译器生成的各种字面量和符号引用（符号引用区别于直接引用，后者在class字节码文件被虚拟机解析之后，符号引用将被替换为直接引用）。运行时常量池：（静态）常量池中的内容在类加载（这里的类加载指class字节码文件经过加载连接初始化的过程）后存放入方法区的运行时常量池中。相对于静态常量池，运行时常量池具有动态性，在程序运行的时候可能将新的常量放入运行时常量池中，比如使用St.

spark部署在单台机器上面时，可以使用本地模式（Local）运行；当部署在分布式集群上面的时候，可以根据自己的情况选择Standalone模式（Spark自带的模式）、YARN-Client模式或者YARN-Cluster模式、Spark on Mesos模式。 本地单机模式所有的Spark进程都运行在一台机器或一个虚拟机上面。Spark任务提交的方式为：spark-submit master=

Docker的性能损耗：以基因组分析流程为例IBM Research在2014年的一篇论文中，曾对比了Docker容器和虚拟机对CPU和内存的性能损耗，相比传统虚拟机技术，容器的性能更佳。那么对比物理机，Docker的性能又是怎样的呢？2015年9月的一篇论文『The impact of Docker containers on the performance of genomic pipelin

下面的内容是对docker的简单操作，包括启动docker，下载image，运行image，查看容器的详细信息、在容器中安装新程序，保持刚刚修改的容器，发布自己的镜像到docke Hub上。所有操作步骤是一步一步进行的，能够让初学者直观地感受一下docker的作用。说明：1、在看本博客之前，请先确认您已经安装好了docker。本人的docker运行在win上面。2、为了提高写博

GPU资源对神经网络模型的训练很重要，应充分利用电脑的显卡资源，加快模型的训练速度。这里是本人安装tensorflow-gpu的过程，记录了安装的步骤以及在每个步骤中参考的资料以及所遇到的坑。大体步骤：1. 使用pip安装tensorflow-gpu。2. 安装CUDA。3. 下载CUDNN并把copy其中相应的文件到CUDA所在目录的相应目录下。4. 检查系统环境变量。一开始可能会

tf.reduce_mean函数的作用是求平均值。第一个参数是一个集合，可以是列表、二维数组和多维数组。第二个参数指定在哪个维度上面求平均值。默认对所有的元素求平均。tf.reduce_mean比如，下面是对所有元素求平均值：x = tf.constant([[1., 1.],[2., 2.]])tf.reduce_mean(x)# 1.5当指定第二个参数的时候，指定

tensorflow模型的保存和恢复，save and restorehttp://blog.csdn.net/liangyihuai/article/details/78515913在本教程主要讲到：1. *什么是Tensorflow模型？*2. *如何保存Tensorflow模式？*3. *如何还原预测/迁移学习Tensorflow模型*？4. *如何导入其他已经训练好的模型，并进行自己的修改