搜索:梯度下降

(转)深解析 PouchContainer 的富容器技术

转载 2019-05-04 02:33 阅读(135)次
最近阅读了阿里的pouchcontainer,容器方面还不敢说精通,但我觉得在原有(旧)服务迁移容器过程中,考虑运维工具和一些系统服务还是很常见且需要考虑的。本文转载:作者:阿里开发者链接:https://www.jianshu.com/p/efb6dba9fa6a来源:简书PouchContainer 是阿里巴巴集团开源的高效、轻量级企业级富容器引擎技术,拥有隔离性强、可移植性高、资源占用少等特性。可以帮助企业快速实现存量业务容器化,同时提高超大规模下数据中心的物理资源利用率PouchContainer 源自阿里巴巴内部场景,诞生初期,在如何为互联网应用保驾护航方面,倾尽了阿里巴巴工程师们的...

Java程序员月薪达到三万,需要技术水平达到什么程?(转)

转载 2018-08-21 16:26 阅读(180)次
最近看到一篇文章,是谈论JAVA的收入水平。几张图还是包含了主要的知识点的。其实这些知识全部看了要花好多时间的,但确实对刚工作不久的小伙伴是一个正确方向的指引。 原文地址:https://blog.csdn.net/bntx2jsqfehy7/article/details/80269618 ,但他也是转载的,并且没有注明出处,恕我无法找到源头。 后面一些宣传的广告我就去掉了。 最近跟朋友在一起聚会的时候,提了一个问题,说Java程序员如何能月薪达到三万,技术水平需要达到什么程度?人回答说这只能是大企业或者互联网企业工程师才能拿到。也许是的,小公司或者非互联网企业拿二万的不太可能是码农了,应该...

(转自CSDN)深学习入门必须理解这25个概念

转载 2018-06-06 21:34 阅读(111)次
最近在一个公众号看到推送了这篇文章,写得还是通俗易懂的,如果有基础的小伙伴看起来应该很不错,我觉得用来复习巩固知识非常合适 我联系博主,还没回复,容我转载过来自己时常复习。如有不妥,请联系我删除。 原文地址:https://blog.csdn.net/pangjiuzala/article/details/72630166    作者 Star先生神经网络基础1)神经元(Neuron)——就像形成我们大脑基本元素的神经元一样,神经元形成神经网络的基本结构。想象一下,当我们得到新信息时我们该怎么做。当我们获取信息时,我们一般会处理它,然后生成一个输出。类似地,在神经网络的情况...

docker 国内载image很慢或者经常失败的问题(win10)

原创 2018-04-24 11:50 阅读(127)次
在国内连接docker外国的仓库经常会失败,遇到如下的错误 这种情况需要修改成国内的镜像仓库 win10下如下操作 右键选择docker for windows   -> settings  -> Daemon   将开关打开到Advanced 修改 registry-mirrors ,将国内仓库加入到数组中,注意每一个地址需要用双引号包含。 再次运行docker run程序,发现image pull 成功了。 本文完。

windows 10 安装docker

原创 2018-04-22 17:31 阅读(151)次
Docker for Windows 是一个windows上的应用程序,和Hyper-V虚拟化,网络和文件系统深度集成了。 在windows上运行docker就是要安装Docker for Windows。不过目前官方要求是win10 64位的专业版或者企业版。Docker CE for Windows(CE 是Community Edition) 可以运行在linux和mac上面的容器。 如果是其他系统要看Docker toolbox。我应该不会写关于win10外的安装方式,因为我是一个windows 10和linux(centos)用户。 我选择的是stable版本。 下载地址 ...

梯度下降法处理正则化后的逻辑回归,解决过拟合

原创 2018-04-08 01:00 阅读(134)次
逻辑回归的代价函数是 这个可以看  分类之逻辑回归的代价函数costfunction 过拟合问题和正则化可以看这里       欠拟合,过拟合问题     正则化-解决过拟合 正则化后就是加入了惩罚项:  带入梯度下降法     得到 这和线性回归部分看似相同,但记得h(θ)是sigmoid函数,而线性回归h(θ)是线性方程。 会发现,其实是在θj的部分,多乘上一个 ,而由于α , λ , m 皆为正数,所以实际上每进行一个梯度下降的循环,θj都缩小一些。而后面...

梯度下降处理正则化后的线性回归,解决过拟合

原创 2018-04-07 23:12 阅读(218)次
过拟合问题 和正则化 在   欠拟合,过拟合问题  和 正则化-解决过拟合  中解释过。 现在我们要把正则化应用到线性回归算法中来解决可能出现的过拟合问题。 就是把           带入到梯度下降   更正: 在这里的J(θ0,θ1)  应该是 J(θ) 中 得到 可以看出来,θ0的梯度下降是跟之前未加入正则化的时候一样的。这也符合了我们正则化-解决过拟合  提到的,惩罚项不包过θ0的说法。 j 输入1到n的部分,可以将θj提取出来得到...

共轭梯度

原创 2018-03-22 10:26 阅读(114)次
参考了百度文库的此文,加以个人理解:https://wenku.baidu.com/view/593769d8a76e58fafbb00393.html 无约束最优化问题,即为在不对所求问题定义域或值域做任何限制情况下,对目标函数求最小值的一类问题。 简单说就是 y=f(x)的函数,就是对x,y都没有限制,求f(x)最小值的问题。 无约束最优化问题的求解方法大多是采用逐次一维搜索的迭代算法。这类迭代算法可分为两类。一类需要用目标函数的导函数,称为解析法;另一类不涉及导数,只用到函数值,称为直接法。 看我的 梯度下降法  一文的很快会发现梯度下降就是第一类。 其中属于解析型的...

线性回归用梯度下降求解

原创 2018-03-19 11:46 阅读(120)次
对于多元线性回归还是一元线性回归,他们使用梯度下降求解的方法是相同的。 梯度下降法的介绍在这里: 梯度下降 gradient descent 都是遵循线性梯度下降方法,区别只是同时更新的θ的个数         代入 相当于 使用梯度下降法的几个加快收敛的注意事项: 1.    特征缩放 如果有多个特征项,他们的取值范围差异很大,会造成对应他们的θ的取值范围也很大。 假设x1 取值范围较大,对应的θ1的取值范围则会较小,因为θ1也改变得较大,会造成h(x)的振幅很大。反之亦然。 这样不利于梯度下降收敛。由于Θ中有一...

在centos 6和7用rpm安装mysql的步骤

原创 2018-02-28 18:34 阅读(102)次
mysql在进入centos7以后被mariadb替代了。但可能一部分人还是"想"(xi guan)用mysql,本文描述了安装mysql的具体步骤和一些特殊问题。 准备好mysql5.6.21.tar。可以在 https://dev.mysql.com/downloads/mysql/ 这里找到。        1.   把tar包上传到服务器上。用tar xvf   xxx.tar的方式解压 我的版本里面会有很多rpm包,但这边必需的只有server和client包。-rw-r--...

梯度下降 gradient descent

原创 2018-02-25 20:34 阅读(147)次
梯度下降法,用来最小化一个函数的方法,可以用在机器学习的很多地方,特别是cost function,但不仅限于此。 也有称之为最速下降法。 梯度下降的原理就是沿着曲线逐步调整,以一定的学习速率向最低点移动,直到找到全局最低点或者局部最低点。 梯度下降需要有一下几个注意事项: 1.   因为很可能会停留在局部最低值,所以对应的曲线图形最好是凸函数图形,即只有全局最低点,不存在局部最低点的图形,这样就可以排除局部最低点的困扰。 如图,因为到了X点的时候,导数是0,梯度下降不会在移动参数了,认为是最低点了,但其实红点才是最低点。 2.   学习速率的选择,就...

分类之逻辑回归的代价函数costfunction梯度下降求解

原创 2018-02-25 17:14 阅读(147)次
我们在 分类之  分类之逻辑回归的代价函数costfunction  此文中已经给出了cost function, 现在我们要求解。 依然是用梯度下降法来求解,找到cost function  的最小值    minJ(θ)。 因为minJ(θ) 就是说明预测和真实值最接近,预测函数得出的错误“代价”最小。        梯度下降法就是重复做下面的计算 而后半部分求导得到         ...