跳跃表（skipList）​跳跃表是redis中独有的数据结构，在了解它之前，我们先来回顾一下普通的有序链表。​在一串有序链表中，如果我们要查找某个值，我们只能从头节点依次向后遍历直到找到目标值为止。如果目标值位置靠前还可以接受，但如果在链表后半段甚至刚好的最后一个，那么我们就需要遍历整个列表才能找到它了。时间复杂度是O(n)。​这样的特性主要是取决于链表的结构特性，每次只能向后跨一步来寻找。那么

ImportError: cannot import name ‘get_config’Traceback (most recent call last):File "siameseNet.py", line 6, in <module>from keras.layers import MergeFile "/usr/local/lib/python3.6/site-packages/

var 目录下空间不足，apt下载时没有地方存放缓存文件。可以看到 /var/log目录的大小从4.1G变为了53M。再次执行apt-get install xxx 即可成功。apt安装package时遇到问题。删除30分钟之前的所有log。

Data Augmentation Generative Adversarial Networks摘要神经网络的有效训练需要很多数据，在低数据情况下，参数是欠定的，学到的网络泛化能力差。数据增强通过使用存在的数据有效的缓和了这个问题，但是标准的数据增强仅能产生有限的看似合理的用来代替的数据。鉴于有可能产生更广泛的增强数据，作者设计和训练了一种生成模型进行数据增强。这种模型基于条件生成对抗模型，从源

94. 二叉树的中序遍历给定一个二叉树的根节点 root ，返回它的 中序 遍历。示例 1：输入：root = [1,null,2,3]输出：[1,3,2]思路和144 二叉树的前序遍历（迭代遍历）一致，但区别在于我们不是 遇见一个就将这个节点的值加入数组中，而是在这个节点出栈的时候，再将其节点加入数组。很容易想到：什么情况下节点会出栈？叶子节点a出栈：左节点为null，退回a，a出栈。非叶子节点

145. 二叉树的后序遍历给定一个二叉树，返回它的 后序 遍历。示例:输入: [1,null,2,3]1\2/3输出: [3,2,1]对于后序遍历，由于遍历的顺序是左->右->中，所以某个节点在其左子树遍历完成后并不能立即出栈，而是要等待其右子树叶遍历完成后再出栈，那么我们如何知道当前这次出栈是因为左子树遍历完了还是右子树遍历完了呢？所以我们要借助一种新的数据结构来辅助记录该节点是第一

深入理解Redis List队列底层数据结构centos7安装redis6.25结合docker镜像配置方法（附redis.conf文件)list底层的数据结构：linkedList链表zipList压缩列表quickList快链表链表：LinkedList数据结构中常用的带头节点的双向链表，并且带有指向头节点的头指针和指向最后一个节点的尾指针，双向链表保证从任意一个位置可以向前或者向后进行遍历，

Network In Network文章目录Network In Network摘要1. 介绍传统卷积网络有什么问题？相同点和不同点平均池化带来的好处？2. 卷积神经网络传统卷积神经网络的问题：之前的改进工作之前改进工作存在的问题：本文所做的改进：3. NetWork In Network3.1 MLP卷积层为什么选择多层感知机？==什么是级联跨通道带参数的池化层(cascaded cross c

STL-10数据集STL-10数据集是一个用于开发无监督特征学习、深度学习和自学学习算法的图像识别数据集。其灵感来源于CIFAR-10数据集，但经过一些修改。特别是，与CIFAR-10相比，每个类都有较少的标记训练示例，但提供了大量未标记示例，用于在监督训练之前学习图像模型。主要的挑战是利用未标记的数据（来自与标记数据相似但不同的分布）来构建有用的先验知识。我们还预计，该数据集（96x96）的更高

迁移学习之图像特征向量提取与运用​本篇文章将要讨论的是关于计算机视觉中迁移学习的概念，一种能够利用预先训练好的模型，从它之前训练的数据集之外的数据集进行学习的能力。​举个例子来说：​现有A，B两个不同的数据集，我们的任务是能够识别中A，B中不同类别的图像（分类任务）​常规做法：分别在A数据集上训练模型X，在B数据集上训练模型Y​迁移学习的做法：在A数据集上训练模型X，改造训练好的模型X，再用X去B