题目描述：将机器人放在一个m×n的矩阵的左上角，机器人每次只能向右或者向下走一步，现在机器人向走到右下角，请问有多少种可能的走法？思路分析：这是典型的动态规划的问题，指定任意一个格子，它可以向右或者向下移动一格，所以动态方程很明显是：res[i][j] = res[i-1][j] + res[i][j-1]。另外对于最上面一行，由于只能由机器人往右走到达，所以第一行的每

深度学习的正则化2 参数正则化的权重衰减是最常见的一种形式，我们还可以使用其他的方法惩罚模型参数的大小。另一种选择是使用正则化。对模型参数的正则化形式定义为：即各个参数的绝对值之和。接着我们讨论正则化对简单线性回归模型的影响，与分析正则化时一样不考虑偏置参数。我们尤其感兴趣的是找出和正则化之间的差异。与权重衰减类似，权重衰减的强度也可以通过缩放惩罚项的超参数控制。因此，正则化的目标函数如下给出

深度学习的正则化2 参数正则化的权重衰减是最常见的一种形式，我们还可以使用其他的方法惩罚模型参数的大小。另一种选择是使用正则化。对模型参数的正则化形式定义为：即各个参数的绝对值之和。接着我们讨论正则化对简单线性回归模型的影响，与分析正则化时一样不考虑偏置参数。我们尤其感兴趣的是找出和正则化之间的差异。与权重衰减类似，权重衰减的强度也可以通过缩放惩罚项的超参数控制。因此，正则化的目标函数如下给出

深度学习的正则化§参数范数惩罚正则化在深度学习的出现前就已经应用了数十年。线性模型，如线性回归和逻辑回归可以使用简单、直接有效的正则化策略。许多正则化方法通过对目标函数添加了一个参数范数惩罚，限制模型(如神经网络、线性回归或逻辑回归)的学习能力。我们将正则化后的目标函数记为：其中是权衡范数惩罚项和标准目标函数相对贡献的超参数。将设为0就是没有正则化。越大的，对应于越多的正则化惩罚。当我们的训练算法

循环神经网络(RNN，Recurrent Neural Networks)介绍循环神经网络（Recurrent Neural Networks，RNNs）已经在众多自然语言处理（Natural Language Processing，NLP）中取得了巨大成功以及广泛应用。不同于传统的FNNs（Feed-forward Neural Networks，前向反馈神经网络），RNNs引入

Hive——用户自定义函数(UDF)  用户自定义函数(UDF)是一个允许用户扩展HiveQL的强大的功能。用户可以使用Java编写自己的UDF，一旦将用户自定义函数加入到用户会话中(交互式的或者通过脚本执行的)，它们就将和内置的函数一样使用，甚至可以提供联机帮助。Hive具有多种类型的用户自定义函数，每一种都会针对输入数据执行特定“一类”的转换过程。  在ETL处理中，一个处理过程可能包含多个处

堆Heap是内存中动态分配对象存在的地方。如果使用new一个对象，它就被分配在堆内存上。这是相对于Stack，如果你有一个局部变量则它是位于Stack栈内存空间。一般情况下，Java中分配的非空对象都是由Java虚拟机的垃圾收集器管理的，也称为堆内内存（on-heap memory）。虚拟机会定期对垃圾内存进行回收，在某些特定的时间点，它会进行一次彻底的回收（full gc）。彻底回收

基础Spark的shell作为一个强大的交互式数据分析工具，提供了一个简单的方式学习API。它可以使用Scala(在Java虚拟机上运行现有的Java库的一个很好方式)或Python。在Spark目录里使用下面的方式开始运行：./bin/spark-shellSpark最主要的抽象是叫Resilient Distributed Dataset(RDD)的弹性分布式集合。RDDs可以使用Ha

一、JVM内存模型内存空间(Runtime Data Area)中可以按照是否线程共享分为两块，线程共享的是方法区(Method Area)和堆(Heap)，线程独享的是Java虚拟机栈(Java Stack)，本地方法栈(Native Method Stack)和PC寄存器(Program Counter Register)。具体参见下图：1.虚拟机栈：每个线程有一个私有的栈

深度神经网络已经在语音识别、图像识别等领域取得前所未有的成功。这一篇，讲一讲经典的卷积神经网络。我不打算详细描述卷积神经网络的生物学运行机理，因为网络上有太多的教程可以参考。这里，主要描述其数学上的计算过程，也就是如何自己编程去实现的问题。一、概述回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之间是全连接的。这样设想一下，如果BP网络中层与层之间的节点连