- 博客(8)
- 收藏
- 关注
RSS订阅原创 深度学习中的Epoch，Batchsize，Iterations，都是什么鬼？
这里写自定义目录标题梯度下降法EpochBatch SizeIterations梯度下降法这一切都要从机器学习中的梯度下降法说起。首先让我们来回顾一下这个常见的不能再常见的算法。梯度下降法是机器学习中经典的优化算法之一，用于寻求一个曲线的最小值。所谓"梯度"，即一条曲线的坡度或倾斜率，"下降"指代下降递减的过程。梯度下降法是迭代的，也就是说我们需要多次计算结果，最终求得最优解。梯度下降的迭代质量有助于使输出结果尽可能拟合训练数据。梯度下降法中有一个称为学习率的参数，如上图左所示，在算法开始时，步
2021-07-15 22:41:03
263
原创 面试：HashMap 底层实现原理
HashMap 底层是如何实现的？在 JDK 1.8 中它都做了哪些优化？在 JDK 1.7 中 HashMap 是以数组加链表的形式组成的，JDK 1.8 之后新增了红黑树的组成结构，当链表大于 8 并且容量大于 64 时，链表结构会转换成红黑树结构，它的组成结构如下图所示：数组中的元素我们称之为哈希桶，它的定义如下：staticclassNode<K,V>implementsMap.Entry<K,V>{finalinthash;...
2021-03-02 00:55:43
246
原创 面试中String的特点以及重要方法
几乎所有的Java 面试都是以String开始的，如果第一个问题没有回答好，则会给面试官留下非常不好的第一印象，而糟糕的第一印象则会直接影响到自己的面试结果，就好像刚破壳的小鹅一样，会把第一眼看到的动物当成自己的母亲，即使它第一眼看到的是一只小狗或小猫，也会默认跟随其后，心理学把这种现象叫做印刻效应。印刻效应不仅存在于低等动物之中，同样也适用于人类，所以对于String的知识，我们必须深入的掌握才能为自己赢得更多的筹码。本课时的问题是：String是如何实现的？它有哪些重要的方法？典...
2021-03-02 00:22:05
128
原创 各类深度学习优化算法详解（BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam）
在机器学习、深度学习中使用的优化算法除了常见的梯度下降，还有 Adadelta，Adagrad，RMSProp 等几种优化器，都是什么呢，又该怎么选择呢？在 Sebastian Ruder 的这篇论文中给出了常用优化器的比较，今天来学习一下：https://arxiv.org/pdf/1609.04747.pdf本文将梳理：什么是梯度下降以及梯度的概念 每个算法的梯度更新规则和缺点 为了应对这个不足而提出的下一个算法 超参数的一般设定值 几种算法的效果比较 选择哪种算法—什么是梯度下
2021-02-05 23:54:28
1233
原创 分析用System.out.println(对象)；的方法，输出的是它的toString()方法
分析用System.out.println(对象);的方法，输出的是它的toString()方法今天在敲代码的时候，发现了一个有趣的现象，直接打印对象，一般都是出现对象的地址，然而今天出现的确实直接调用对象的toString()方法答案其实很简单，就是自己写的toString()方法它继承了lang的toString方法例如： @Override public String toString() { return "Emp{" +
2021-01-08 09:04:45
446
转载 关于Java中多态可能违背里氏替换原则的分析
作者：aaron hao链接：https://www.zhihu.com/question/27191817/answer/145013324先声明先篇文章转自知乎，觉得讲得很明白，转载记录。LSP的原定义比较复杂，我们一般对里氏替换原则 LSP的解释为：子类对象能够替换父类对象，而程序逻辑不变。里氏替换原则有至少以下两种含义：里氏替换原则是针对继承而言的，如果继承是为了实现代码重用，也...
2020-04-22 23:41:15
368
原创 2020蓝桥杯模拟赛题目解析（上）
2020蓝桥杯模拟赛题目解析（上）下午参加了省的模拟赛，感觉有点难，还是来总结一下，第一次写博客，欢迎各位大佬指点第一题问题描述 在计算机存储中，12.5MB是多少字节？答案提交 这是一道结果填空的题，你只需要算出结果后提交即可。本题的结果为一个整数，在提交答案时只填写这个整数，填写多余的内容将无法得分。 答案：1310720012.510241024=13107200字节...
2020-04-19 22:45:52
3582
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人