文章目录基础概念基本问题减少过拟合的基本方法参数太多 & 费时梯度弥散 & 梯度爆炸使用场景分类经典分类目标检测目标检测的mAP值理解Anchor Box——锚框one stagetwo stage分割语义分割基本原理网络发展从很多地方合并成这样一篇笔记，以备自己查询使用，侵删。基础概念基本结构：卷积+池化+激活+全连接层多尺度特征，我的理解是在不同的卷积层都会有这个尺度的一个特征

CFS 周期性 tick 抢占路径源码拆解（linux-5.15.140）：scheduler_tick → task_tick_fair → entity_tick → check_preempt_tick，详解时间片 sched_slice 计算、min_granularity 保护与 resched_curr 标记机制。

文章目录前言NGINXJenkinswebpack打包前言搞完日记7：http的session相关信息后，又去翻了翻http/https/http2的相关的内容，另外写了两篇文章。现在回到继续填坑的过程中来。前面已经完成了一个开发的基本流程，接下来，我需要把这样一个东西打包然后再发布到一台服务器上提供服务。开发模式下我们用的npm start对应的命令是："start": "npm run dev

文章目录前言线性回归一元线性回归一元线性回归python代码多元线性回归多元线性回归python代码二分类问题对数机率回归LDA-线性判别分析多分类问题1对1 O(One) v O(One)一对其他 O(One) v R(Rest)多对多 M(Many) v M & ECOC类别不平衡前言​从线性模型开始，就开始涉及到不同的学习算法和模型了。根据预测结果的不同，可以有几种类型的问题：回归问

图像清晰度计算的一般过程，包括sobel算子，lapalacian算子。图像的sumElem和mean进行

​贝叶斯公式是机器学习里面最重要的公式之一。这里面理解起来有点点绕，写这篇文章希望能用通俗易懂的语言来描述这个过程，需要严谨的证明过程的朋友可以去翻概率论的教材。​贝叶斯公式是利用观测数据及先验概率来计算后验概率的公式，先祭出公式：P(Y∣X)=P(X∣Y)P(Y)P(X)P(Y|X) = \frac{P(X|Y)P(Y)}{P(X)}P(Y∣X)=P(X)P(X∣Y)P(Y)​​我们来拆分一下这

文章目录t检验卡方检验Friedman检验Nemenyi后续检验偏差与方差​之前的一篇关于假设检验的文章主要是针对一个学习算法的假设检验。在真是工作环境中，很多情况下，我们都是想比较两个学习算法到底哪个更好。或者用概率的思路来说，学习算法A比学习算法B更好的机率有多大？​这一篇接着上一篇来讲一讲这个问题。t检验​上一篇也提到了t检验。这里把单算法的假设：μ=ϵ0\mu = \epsilon_0μ=

DevOps从字面上来看，就是Development & Operations，开发运维。实际上这套方法论远不止包含开发和运维在内，而是试着让一个组织内的从业人员从日常繁杂的工作中脱离出来，站在全局的角度去思考怎样为组织和组织的客户来创造价值，并且是快速创造价值。这需要组织全体人员的参与和配合。一般认为，DevOps包括了技术和文化两个方面，技术可以是从下往上的，但是文化必须是需要从上往下的贯彻。

碰到的问题是，上传了springboot项目打包后的jar文件后，使用ip+端口的方式无法正常访问项目界面。我在解决了上面的问题之后，发现还是没法访问，幸好其他的同事提醒我，centos刚安装之后，防火墙需要设置。–permanent：永久生效，如果没有此参数，则只能维持当前服务生命周期内，重新启动后失效；问题找到，项目启动后，在ipv6的端口监听，自然无法接收不到ipv4的请求。因为在cento

文章目录几种模型隐马尔可夫模型马尔科夫随机场条件随机场（CRF：Conditional Random Field）模型推断几种模型​机器学习的重要任务，是根据 一些已观察到的证据（训练样本）来对感兴趣的未知变量（分类，回归的值）进行估计和推测。之前也提到了两种不同的模型：生成式模型(观察与未知变量的联合模型)；判别式模型(位置变量的后验概率模型)。​概率图模型则是一类用图来表达变量相关关系的概率模