TensorFlow的模型存储，恢复与使用在tensorflow中保存 模型 恢复模型的 类是tf.train.Saver()默认 是所有的变量当不传参数，默认就是所有的变量保存模型：#save(sess,save_path,...)save_path = saver.save(sess,"/root/alexnet.tfmodel")从文件中恢复模型（此时restore恢复

一、 分类问题KNN (距离度量)DT (ID3-信息增益, C4.5-信息增益比, CART-gini指数)RF (bootstrap抽样，CART)Adaboost (样本权值分布，分类器系数)GBDT (CART, 残差)ANN (BP, SGD, sigmod or softmax)SVM (对偶, kernel)NaiveBayes (Bayes公式)LR (sigmod

参考网站：https://www.tensorflow.org/versions/r0.12/tutorials/linear/overview.html#large-scale-linear-models-with-tensorflowhttp://www.jianshu.com/p/afe41ae17a16Large-scale Linear Models with TensorFlow：

MLP多层感知器的使用，多层感知器，常用来做分类，效果非常好，比如文本分类，效果比SVM和bayes好多了。感知器学习算法基本介绍单层感知器：感知器（Single Layer Perceptron）是最简单的神经网络，它包含输入层和输出层，而输入层和输出层是直接相连的。上图是一个单层感知器，很简单的结构，输入层和输出层直接相连。下面介绍一下如何计算输出端：利用格式1计算输

Separable case1. 定义：2. 用来计算weight的Structured Perceptron演算法：如果我们能找到一个满足上图的feature function，那么我们就可以用Structured Perceptron演算法找到我们所要的weight（这些在深度学习笔记——理论与推导之Structured Learning【Structured Lin

Reinforcement Learning（强化学习）Reinforcement Learning机器学习的分支：有监督学习是机器学习任务的一种，它从有标记的训练数据中推导出预测函数。有标记的训练数据是指每个训练实例都包括输入和期望的输出。即：给定数据，预测标签。无监督学习是机器学习任务的一种，它从无标记的训练数据中推断结论。最典型的无监督学习就是聚类分析，它可以在探索性数据分析阶段用于

MLP多层感知器的使用，多层感知器，常用来做分类，效果非常好，比如文本分类，效果比SVM和bayes好多了。感知器学习算法基本介绍单层感知器：感知器（Single Layer Perceptron）是最简单的神经网络，它包含输入层和输出层，而输入层和输出层是直接相连的。上图是一个单层感知器，很简单的结构，输入层和输出层直接相连。下面介绍一下如何计算输出端：利用格式1计算输

MLP多层感知器的使用，多层感知器，常用来做分类，效果非常好，比如文本分类，效果比SVM和bayes好多了。感知器学习算法基本介绍单层感知器：感知器（Single Layer Perceptron）是最简单的神经网络，它包含输入层和输出层，而输入层和输出层是直接相连的。上图是一个单层感知器，很简单的结构，输入层和输出层直接相连。下面介绍一下如何计算输出端：利用格式1计算输

模型融合Ensemble Generation常见模型融合的方法boostingbaggingStackingblending各种模型融合的区别集成学习和多模型融合的区别集成学习是指多个弱分类器（子模型）集成为强分类器，这种弱分类器是同质的分类器，比如GBDT，Adaboost，RF等。根据弱分类器之间的关系，可以分为相关（第i个弱分类器依赖于第i-1个弱分类器）和独立（每个弱分类器相互...

Separable case1. 定义：2. 用来计算weight的Structured Perceptron演算法：如果我们能找到一个满足上图的feature function，那么我们就可以用Structured Perceptron演算法找到我们所要的weight（这些在深度学习笔记——理论与推导之Structured Learning【Structured Lin