Hibernae 的延迟加载是一个非常常用的技术，实体的集合属性默认会被延迟加载，实体所关联的实体默认也会被延迟加载。Hibernate 通过这种延迟加载来降低系统的内存开销，从而保证 Hibernate 的运行性能。下面先来剖析 Hibernate 延迟加载的“秘密”。集合属性的延迟加载当 Hibernate 从数据库中初始化某个持久化实体时，该实体的集合属性是否随持久化

【1】什么是最小生成树？对于连通的带权图(连通网)G，其生成树也是带权的。生成树T各边的权值总和称为该树的权。权最小的生成树称为G的最小生成树(Minimum SpannirngTree)。简记为MST。注意：最小是指权值最小一个连通图的生成树是一个极小的连通子图，它包含全部的顶点，但只有足以构成一棵树的n-1条边。求最小生成树有两种算法：普里姆算法

知识蒸馏是一种模型压缩方法，是一种基于“教师-学生网络思想”的训练方法，由于其简单，有效，在工业界被广泛应用。这一技术的理论来自于2015年Hinton发表的一篇神作:论文链接​arxiv.orgKnowledge Distillation，简称KD，顾名思义，就是将已经训练好的模型包含的知识(”Knowledge”)，蒸馏("Distill")提取到另一个模型里面去。今天，我们就来简单读一下这篇

【1】关键路径在我的经验意识深处，“关键”二字一般都是指临界点。凡事万物都遵循一个度的问题，那么存在度就会自然有临界点。关键路径也正是研究这个临界点的问题。在学习关键路径前，先了解一个AOV网和AOE网的概念：用顶点表示活动，用弧表示活动间的优先关系的有向图：称为顶点表示活动的网（Activity On Vertex Network），简称为

前言一个人坚持自己的兴趣是比较难的，因为太多的人太容易为外界所动了，而尤其当你无法从中得到多少实际性的回报时，所幸，我能一直坚持下来。毕达哥拉斯学派有句名言：“万物皆数”，最近读完「微积分概念发展史」后也感受到了这一点。同时，从算法到数据挖掘、机器学习，再到数学，其中每一个领域任何一个细节都值得探索终生，或许，这就是“终生为学”的意思。本文各部分内容分布如下

多分类任务损失函数：多分类问题一般用softmax作为神经网络的最后一层，然后计算交叉熵损失。​​​​​​​TensorFlow中的tf.nn.softmax_cross_entropy_with_logits函数可以直接计算多分类损失。

深度学习（tensorflow）中的所有学习算法都必须 有一个 最小化或最大化一个函数，称之为损失函数（loss function），或“目标函数”、“代价函数”。损失函数是衡量模型的效果评估。损失函数严格上可分为两类：分类损失和回归损失，其中分类损失根据类别数量又可分为二分类损失和多分类损失。在使用的时候需要注意的是：回归函数预测数量，分类函数预测标签。

深度学习1. 视觉计算任务有哪些，你怎么分类 ?我把任务分为像素级别、目标级别、理解级别。像素级别的任务一般是传统的图像处理任务，他们不需要用到图像的语义信息，或者最多用到底层特征（比如图像的边缘、纹理），这些任务有图像增强、传统的图像复原（如去噪、去模糊）、传统的图像分割（比如基于种子生长的方法）、图像加密等。目标级别的任务需要用到语义信息，所以提取的特征是高层特征，CNN作为...

多分类任务损失函数：多分类问题一般用softmax作为神经网络的最后一层，然后计算交叉熵损失。​​​​​​​TensorFlow中的tf.nn.softmax_cross_entropy_with_logits函数可以直接计算多分类损失。

在很多机器学习和深度学习的应用中，我们发现用的最多的优化器是 Adam，为什么呢？下面是 TensorFlow 中的优化器https://www.tensorflow.org/api_guides/python/train在 keras 中也有 SGD，RMSprop，Adagrad，Adadelta，Adam等：https://keras.io/optimizers/我...