layer

https://adeshpande3.github.io/adeshpande3.github.io/ https://blog.csdn.net/weiwei9363/article/details/79112872 https://blog.csdn.net/and_w/article/details/70336506 https://hackernoon.com/visualizing-parts-of-convolutional-neural-networks-using-keras-and-cats-5cc01b214e59 https://keras-cn.readthedocs.io/en/latest/other/visualization/ https://blog.keras.io/category/demo.html https://stackoverflow.com/questions/39280813/visualization-of-convolutional-layer-in-keras-model http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb https://blog.csdn.net/thystar

当时查http协议的时候了解的一些网络底层的知识，感觉挺有意思的，就把多位博主的资料整料梳理出来整理到一堆，就当是一篇科普文吧。 一、网络的五层模型 如何分层有不同的模型，有的模型分七层，有的分四层。我觉得，把互联网分成五层，比较容易解释 。 如上图所示，最底下的一层叫做"实体层"（Physical Layer），最上面的一层叫做"应用层"（Application Layer），中间的三层（自下而上）分别是"链接层"（Link Layer）、"网络层"（Network Layer）和"传输层"（Transport Layer）。越下面的层，越靠近硬件；越上面的层，越靠近用户。 一、层与协议 互联网的每一层，都定义了很多协议。这些协议的总称，就叫做"互联网协议"（Internet Protocol Suite）。它们是互联网的核心，下面介绍每一层的功能，主要就是介绍每一层的主要协议。 二、实体层： 内容小结：电脑连接起来的物理手段 实体层 ，它就是把 电脑连接起来的物理手段 。它主要规定了网络的一些电气特性，作用是负责传送0和1的电信号。 三、链接层： 内容小结：在同一个子网络里发送数据包。 3.1 定义 链接层，它在"实体层"的上方， 通过以太网协议在同一个子网络里发送数据包 。 3.2 以太网协议（不是http协议） 以太网规定，一组电信号构成一个 数据包 ，叫做"帧"

转：http://www.cnblogs.com/yaoyao-sun/p/10296503.html 一、网络的五层模型 如何分层有不同的模型，有的模型分七层，有的分四层。我觉得，把互联网分成五层，比较容易解释。 如上图所示，最底下的一层叫做"实体层"（Physical Layer），最上面的一层叫做"应用层"（Application Layer），中间的三层（自下而上）分别是"链接层"（Link Layer）、"网络层"（Network Layer）和"传输层"（Transport Layer）。越下面的层，越靠近硬件；越上面的层，越靠近用户。 一、层与协议 互联网的每一层，都定义了很多协议。这些协议的总称，就叫做"互联网协议"（Internet Protocol Suite）。它们是互联网的核心，下面介绍每一层的功能，主要就是介绍每一层的主要协议。 二、实体层： 内容小结：电脑连接起来的物理手段 实体层，它就是把电脑连接起来的物理手段。它主要规定了网络的一些电气特性，作用是负责传送0和1的电信号。 三、链接层： 内容小结：在同一个子网络里发送数据包。 3.1 定义 链接层，它在"实体层"的上方，通过以太网协议在同一个子网络里发送数据包。 3.2 以太网协议（不是http协议） 以太网规定，一组电信号构成一个数据包，叫做"帧"（Frame）。每一帧分成两个部分：标头（Head

　　在学习使用docker过程中会遇到镜像和容器，两者之间的区别是什么？有什么关联？本文将用图文并茂的方式介绍容器、镜像的区别，能够很好的帮助各位深入理解Docker。 　　　　　　　　　　　　　　 一、什么是镜像？ 1.1 Image Layer（镜像层） 　　镜像可以看成是由多个镜像层叠加起来的一个文件系统（ 通过UnionFS与AUFS文件联合系统实现 ），镜像层也可以简单理解为一个基本的镜像，而每个镜像层之间通过指针的形式进行叠加。 　　　　　　 　　根据上图，镜像层的主要组成部分包括镜像层 ID、镜像层指针 「指向父层」、元数据「 Layer Metadata，包含了 Docker 构建和运行的信息和父层的层次信息」。只读层和读写层「Top Layer」的组成部分基本一致，同时读写层可以转换成只读层「 通过 docker commit 操作实现」。 　　元数据（metadata）就是关于这个层的额外信息，它不仅能够让Docker获取运行和构建时的信息，还包括父层的层次信息。需要注意，只读层和读写层都包含元数据。 　　　　　　　　　　　　　　　　　　 　　每一层都包括了一个指向父层的指针。如果一个层没有这个指针，说明它处于最底层。 　　　　　　　　　　　　 　　Metadata Location: 　　在docker主机中镜像层（image layer）的元数据被保存在名为

Deep Q Learning 使用gym的CartPole作为环境，使用QDN解决离散动作空间的问题。 一、导入需要的包和定义超参数 import tensorflow as tf import numpy as np import gym import time import random from collections import deque # #################### hyper parameters #################### # Hyper Parameters for DQN GAMMA = 0.9 # discount factor for target Q INITIAL_EPSILON = 0.5 # starting value of epsilon FINAL_EPSILON = 0.01 # final value of epsilon REPLAY_SIZE = 10000 # experience replay buffer size BATCH_SIZE = 32 # size of minibatch 二、DQN构造函数 1、初始化经验重放buffer； 2、设置问题的状态空间维度，动作空间维度； 3、设置e-greedy的epsilon； 4、创建用于估计q值的Q网络，创建训练方法。 5

您可能已经听到了有关最新的 Docker声明 ，其中涉及容器镜像提取的速率限制。 从11月1日开始，Docker将开始根据您的 订阅级别 限制Docker Hub的使用，并 强制 阻止超出限制的拉取请求 。不仅如此，Docker还制定了一项新的保留政策，即免费帐户 ，6个月未活动的镜像将被删除（ 最初定于11月1日，由于 社区的反馈 ，该政策已推迟到2021年中期）。这些新的限制将对如何使用世界 公开 的Docker容器镜像产生重大影响。 Docker已树立了开源计划的榜样，为开源社区提供了更高级别的部署工具和方法论。毫无疑问。新的限制不会对单个开发人员造成严重影响，相反，它们将为中大型开发团队带来新的挑战。您的团队越大， 产生的 影响越大。这可能仅仅是开始；我们可能希望将来会看到新政策，这些政策会影响Docker Hub以及其他方面的使用。 好消息是，有许多工具可用于 管理Docker镜像， 以确保组织的开发 流水线 不会受到任何影响。JFrog Artifactory是最受欢迎 制品库 ，在Docker Hub功能 发布 之前就已经充当了Docker Registry。使用Artifactory，您将能够继续在自己的私有 Docker容器Hub中 管理容器镜像，同时减少对Docker Hub的依赖性。 下面 让我们深入探讨Docker宣布的这两个限制的真正含义。

李宏毅老师的机器学习课程和吴恩达老师的机器学习课程都是都是ML和DL非常好的入门资料，在YouTube、网易云课堂、B站都能观看到相应的课程视频，接下来这一系列的博客我都将记录老师上课的笔记以及自己对这些知识内容的理解与补充。(本笔记配合李宏毅老师的视频一起使用效果更佳！） Lecture 6: Brief Introduction of Deep Learning 本节课主要围绕Deep Learing三步骤： （1）function set （2）goodness of function （3）pick the best function 1.function set Neuron之间采用不同的连接方式，就会得到不同的网络结构。 给定了网络结构，就定义了一个function set。 给定了网络结构并给定了参数，网络就是一个函数：而输入输出的形式都是向量。如下图所示： 在output layer之前的部分，可以看做特征提取(上一节描述的概念)。output layer是Multi-class Classifier. 但是问题来了，Deep learning中的隐层到底要订多少层合适呢？ 2.goodness of function 损失函数表达式以及优化过程如下所示： 3.pick the best function 显而易见，优化损失函数采用的依旧是 Gradient

效果图： jsp: <script src= " ../..//platform/js/layer/layer.js " ></script> <script src= " ../../platform/js/ajax/ajaxfileupload.js " ></script> <script type= " text/javascript " > $(function() { // 上传图片 $( " #cmsArticleImageFile " ).change(function() { var cmsArticleImageFile = $( " #cmsArticleImageFile " ).val(); if (cmsArticleImageFile == null || cmsArticleImageFile == "" ) { layer.tips( ' 请选择图片！ ' , ' #mybutton ' , {tips : 3 }); } else { $.ajaxFileUpload({ type : ' POST ' , url : ' imageUpload.do ' , // 用于文件上传的服务器端请求地址 secureuri : false , // 是否需要安全协议，一般设置为false fileElementId : '

广告推荐算法系列文章： 莫比乌斯: 百度的下一代query-ad匹配算法 百度凤巢分布式层次GPU参数服务器架构 DIN: 阿里点击率预估之深度兴趣网络 基于Delaunay图的快速最大内积搜索算法 DIEN: 阿里点击率预估之深度兴趣进化网络 EBR: Facebook基于向量的检索 阿里巴巴电商推荐之十亿级商品embedding Overall 这篇文章所介绍的模型，用于在用户没有输入搜索词来表达意图的时候，给用户推荐商品的场景。这里的收费方式一般是CPC，即Cost per Click，每次点击收费，提高CTR能直接提高收入，同时改进用户体验。 在 DIN: 阿里点击率预估之深度兴趣网络 中，我们介绍了Attention在阿里点击率预估中应用，重点则是针对某个候选广告，用attention对用户行为序列进行权重计算，得到用户针对这个候选广告的兴趣向量，然后去做点击率预估。 上面的做法能够捕捉到用户多样的兴趣，但是缺点就是用户行为序列中的条目是被等价对待的，并没有考虑到用户兴趣的漂移。 比如，随着风潮的变化，用户喜欢的衣服风格可能发生变化；类似的，用户在某个时间段会关注一类书籍，但是过了这个时间段，可能会关注其他类型的书籍，或者其他商品比如衣服。 综上，用户的兴趣有如下特点： 多样性，用户感兴趣的商品会有很多种类。 进化性，用户的兴趣会随着时间发生变化