数据库连接池传统的Web服务不断连接、关闭数据库，比较消耗性能。而连接池可以减少数据库的打开与关闭。有了连接池，当服务端的请求传来时，不需要牵扯数据库的建立和关闭。常见连接池：Tomcat - dbcp连接池、dbcp、c3p0数据源：DataSource（javax.sql.DataSource）可用来管理连接池。Tomat-dbcp的配置方法：1.类似 JNDI，在 context.xml 中

一、加载数据集全部数据：Batch 最大化利用向量的优势，提升计算速度（利用CPU GPU的并行计算能力）随机梯度下降：mini-batch 只用一个样本，有较好的随机性首先区分了Epoch(前馈、反馈和更新实现一次就是Epoch) \ Batch-Size(进行一次训练所用的样本数量)\ Iterations(内层迭代进行的次数 sum/Batch-size)shuffle用来打乱数据集中数据的

梯度下降算法对w向梯度的负方向更新，α表示学习率，这样可使得每次都朝着下降最快的方向移动。梯度下降对于非凸函数只能找到局部最优，很难找到全部最优（没有一个点的函数值比它小的点）

逻辑斯蒂回归（分类问题）一、概念：二、代码：实验结果截图：三、问题：四、可视化：一、概念：对于之前的线性问题转化成分类问题：如果不再预测学习4小时可以得到的成绩，而是判断学习4小时是否可以通过考试。线性回归模型的模型和损失：那么，分类问题如何将结果映射到[0，1]呢？引出了sigmoid函数，将y带入x即可。计算某输入属于某一输出的概率的最大值。σ函数：保证输出值在0~1之间损失函数称为：BCE

深度学习初学者，如何下载常用公开数据集并使用呢？1.前言2.官方文档怎样看3.动手写代码4.如何可视化1.前言刚开始进行深度学习的时候，难免要用到一些公开数据集，现在闲来无事，记录一下如何快速下载一些经典数据集。通过官方文档学习，是一些大牛们挂在嘴边经常推荐的方法，那么我们本篇博客就从官方文档开始学习。因为我是做CV方向的，所以用TorchVision这个库举例。来自官网：This library

我的任务需求是这样的，有几千个对报告单扫描生成的PDF文件，要对这些PDF上有用的部分进行提取。所以，就想到了OCR文字识别。所以我要做的是使用Python将PDF都转为PNG，使用百度开放的PaddleOCR对PNG进行文字识别，提取需要的部分。关于PDF转PNG，见博客（）。......

逻辑斯蒂回归（分类问题）一、概念：二、代码：实验结果截图：三、问题：四、可视化：一、概念：对于之前的线性问题转化成分类问题：如果不再预测学习4小时可以得到的成绩，而是判断学习4小时是否可以通过考试。线性回归模型的模型和损失：那么，分类问题如何将结果映射到[0，1]呢？引出了sigmoid函数，将y带入x即可。计算某输入属于某一输出的概率的最大值。σ函数：保证输出值在0~1之间损失函数称为：BCE

一、加载数据集全部数据：Batch 最大化利用向量的优势，提升计算速度（利用CPU GPU的并行计算能力）随机梯度下降：mini-batch 只用一个样本，有较好的随机性首先区分了Epoch(前馈、反馈和更新实现一次就是Epoch) \ Batch-Size(进行一次训练所用的样本数量)\ Iterations(内层迭代进行的次数 sum/Batch-size)shuffle用来打乱数据集中数据的

梯度下降算法对w向梯度的负方向更新，α表示学习率，这样可使得每次都朝着下降最快的方向移动。梯度下降对于非凸函数只能找到局部最优，很难找到全部最优（没有一个点的函数值比它小的点）

文章目录Back Propagation知识代码：Back Propagation知识w.item()： 可以直接将梯度变成标量w.data: 取数值进行计算 不会构建计算图w.zero_(): 释放数值 对其清零计算过程可以看作在图上进行梯度传播训练的目的：使Loss取更新。计算Loss对w的导数，对w进行更新。因为目标不是y_pred取最小，而是使损失Loss取最小。如何将复杂的网络看成图，在