1、编辑（Editing）Ctrl + Space 基本的代码完成（类、方法、属性）Ctrl + Alt + Space 快速导入任意类Ctrl + Shift + Enter 语句完成Ctrl + P 参数信息（在方法中调用参数）Ctrl + Q 快速查看文档Shift + F1 外部文档Ctrl + 鼠标 简介Ctrl + F1 显示错误描述或警告信息Alt + Insert 自动生成代码Ct

联邦学习问题：我们的目标是在设备生成的数据被本地存储和处理的约束下学习这个模型，而只有中间更新周期性与中央服务器进行通信。一、联邦学习与分布式学习的区别1.用户对自己的设备和数据有绝对的控制权，可以随时让自己的设备停止参与计算与通信；2.worked node是不稳定的设备；3.通信代价远大于计算代价；4.联邦学习的数据不是独立同分布的；5.联邦学习的节点负载不平衡。二、联邦学习研究点1.算法的效

指按某条搜索路径巡访二叉树中每个结点，使得每个结点均被访问一次，而且仅被访问一次。（采用非递归算法实现对二叉树的后序遍历，会稍微复杂一些，本算法借用了两个栈结构）除了层次遍历外，二叉树有三个重要的遍历方法：先序遍历、中序遍历、后序遍历。欢迎大家一起来交流~

【代码】【数据结构】（顺序队列）C语言实现。

人工智能的时代，数据就是石油；我们在做一些机器学习实验的时候，经常会用到一些比较经典的数据集，例如：lris, Adult, Wine, Heart Disease等等，但是我发现CSDN上有人把免费的数据集上传了，然而下载却还需要付费，因此推荐直接在原网址上进行下载；UCI数据集库推荐大家自行下载，直接进行下载。网址链接：https://archive.ics.uci.edu/ml/index.

来源：Federated Learning for Internet of Things : A Comprehensive Survey传统上，人工智能技术需要集中的数据收集和处理，但由于现代物联网网络的高可扩展性和日益增长的数据隐私问题，这在现实应用场景中可能不可行。联邦学习(FL)已经成为一种分布式协同人工智能方法，通过允许在分布式物联网设备上进行人工智能训练而不需要数据共享，它可以使许多智

SVM本身是一个二值分类器，SVM算法最初是为二值分类问题设计的，当处理多类问题时，就需要构造合适的多类分类器。1、直接法：直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中。以Weston在提出的多值分类算法为代表，在经典SVM理论的基础上重新构造多值分

1、首先安装sklearn需要三个依赖库，需要分别进行安装2、查看是否已经安装了numpy、matplotlib、scipy这些库conda list下载安装还需要的依赖库3、用pip命令安装这些库pip install numpypip install matplotlibpip install scipy4、用pip 命令安装sklearn库pip install sklearn5、查看是否安

论文来源：FedMCCS: Multi Criteria Client Selection Model for Optimal IoT Federated Learning联邦学习机制：由１个参数服务器和多个边缘节点组成，参数服务器负责收集各参加节点上传的梯度，根据优化算法对模型各参数进行更新，维护全局参数；参与节点独立地对本地拥有的敏感数据集进行学习。每轮学习结束后，节点将计算的梯度数据上传至参

pytorch中，softmax()的用法