leaf

这篇文章内容是真的多，而且大段的文字，图和公式都很少，看起来很枯燥。。。说白了就是把整个模型拆成5 5 5的125个部分，这样一个像素点都扔进去随机森林里面训练和匹配，然后查出来他最可能的类别和在一个模型中位置。就一如他的开头这句话：The key new concept is a representation in form of a dense 3D object coordinate labelling paired with a dense class labelling.（关键的新概念就是将一个稠密的3D模型坐标标记搭配稠密的类别标记组建而成的表达方式） 使用LHCF（Latent-Class Hough Forests）：拆分模型成多个patch、用patch去匹配，并且使用random forest加速匹配速度，从而更快地找到对应的位置 The key new concept is a representation in form of a dense 3D object coordinate labelling paired with a dense class labelling. template-based techniques have in our view two fundamental shortcomings. Firstly, they match

简介： 发现，有的时候，线段树需要维护的区间很大很大，但是实际用到的节点很少很少。 那么，我们干脆就不要开这么多的节点，用到的时候再向内存要。 也就是说，我们建立了一棵残疾的线段树，缺少很多枝叶，但是绝对够用了。 画个图大概理解一下（虽然也不太对） 实心边框的点都是我们申请内存给的，虚的点是没用的。就算申请也不用，实在是浪费资源。 所以， 我们开局只有一个根， 装备全靠给。 枝叶全靠给。 例如我们要建立一个权值线段树，但是在线操作不让你离散化，值域又是inf级别的， 像这样，即使这个区间的范围很大，但是如果询问q比较少的话，我们只需要qloginf个节点，就可以办到。 具体代码实现： 不同的操作，但是大同小异。 还是类似于一般线段树的。 框架： function( int &x, int l, int r, int blablabla){ if (! x){ // 建新节点，并处理信息 if (l==r) // 叶子节点由于是真正要用的节点（对于单点），往往还要特殊记录信息 } if (blablabla) return ??? // 判断是否能返回等等 ( int ret) // 如果需要返回时停留更新信息，就弄一个ret if (blablabla) return (t[x].ls,l,mid,blablabla) if (blablabla) return (t[x].rs

本文转自Apache Kylin公众号apachekylin. Superset 是一个数据探索和可视化平台，设计用来提供直观的，可视化的，交互式的分析体验。 Superset 提供了两种分析数据源的方式： 1. 用户可以以单表形式直接查询多种数据源，包括 Presto、Hive、Impala、SparkSQL、MySQL、Postgres、Oracle、Redshift、SQL Server、Druid 等。本文后续内容也会详细介绍Superset如何支持Kylin数据源。 2. 一个 SQL 的 IDE 供高级分析师使用 SQL 查询定义所需要分析的数据集，这种方法使用户在一个查询中实现用 Superset 查询数据源的多表，并立即对查询进行可视化分析。 Superset 的前世今生 Superset 起源于 2015 年初黑客马拉松项目，曾经使用过 Caravel 和 Panoramix 作为项目名。现在主要维护小组是 Airbnb 数据科学组，代码托管在 Github。作为 Apache 软件基金会孵化项目，Superset 目标是要做成数据可视化平台。 Superset 对于数据源端通过一个成熟的 OR-Mapping 方案对接了几乎市面上所有数据库产品，数据的分析和建模再使用 Pandas 统一加工序列化后由前端渲染展示. 进而前端渲染出众多富有表现力的可视化图表

-----写在前面----- 虽然自己写了个仿站，但小林心里十分有数，这个玩意到时候可能都不好意思写到简历上，果然前端越往后面学越觉得自己之前是弟弟。 现在在看6月份的简历，突然明白为啥公司们都不要我...就干两个月，技术还没多好，打扰了(；′⌒`) 把ElementUI的官网文档过了一遍，感叹作者也太🐮了...大神们造的轮子属实给劲 正好看到了一个用标题所列的技术栈搭建的一个后台管理系统，clone下来看了一下发现属实有点脑壳疼，不过问题不大，一天看懂一些，总归是能吃的透透的嗷 Vue-Admin-Demo -----2019.08.24（Day 1）：目录梳理、路由配置详解、login.vue----- 和直接使用vue-cli以webpack模板生成的工程文件不同 作者把路由组件放在views文件夹下 api文件夹用于接收mock文件夹模拟出的数据并作为axios的请求地址（这个后面会详解） 路由配置文件： // 省略路由的引入 let routes = [ { path: '/login' , component: Login, name: '' , hidden: true }, { path: '/404' , component: NotFound, name: '' , hidden: true }, // { path: '/main', component:

一、Table for Content 　　在之前的文章中我们介绍了Decision Trees Agorithms，然而这个学习算法有一个很大的弊端，就是很容易出现 Overfitting ，为了解决此问题人们找到了一种方法，就是对Decision Trees 进行 Pruning(剪枝)操作。 　　为了提高Decision Tree Agorithm的正确率和避免overfitting，人们又尝试了对它进行集成，即使用多棵树决策，然后对于分类问题投票得出最终结果，而对于回归问题则计算平均结果。下面是几条是本篇要讲的主要内容。 Pruning (decision trees) What is Random forest algorithm? Why Random Forest algorithm? How Random Forest algorithm works? Advantages of Random Forest algorithm. Random Forest algorithm real life example. 　本文主要参考一下几篇文章，有能力的读者可自行前往阅读原文： 　　1. Wikipedia上的 Pruning (decision trees) 和 Random Froest algorithm 。 　　2. Dataaspirant上的《 HOW

转自： https://www.zhihu.com/question/41354392 作者：wepon 链接：https://www.zhihu.com/question/41354392/answer/98658997 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 最近赞忽然多了起来，我猜是校招季来了吧。但如果面试官问你这个问题，我建议不要按我的回答来，背答案不如自己理解透了，况且我这是十分得五分的答案。最初的GBDT发展到现在的XGBoost，改进是一点一滴来的，是一篇篇论文的积累，很多方法并非XGBoost第一次提出，当然也不是说XGBoost没改进，可以说XGBoost把算法和系统实现都做得淋漓尽致。所以如果不是为了速成，不是为了校招，建议把经典的论文拿出来读一读，相信对算法的理解能更进一层。 最近实习刚好在组内分享了GBDT，所以有了这番感悟，看了更多资料，发现自己理解还是有偏差，附上我做的ppt，若再有偏差，欢迎跟我邮件交流： http:// wepon.me/files/gbdt.pdf 以下原答案： ----------------------------------- xgboost相比传统gbdt有何不同？xgboost为什么快？xgboost如何支持并行？ 看了陈天奇大神的文章和slides，略抒己见，没有面面俱到

【学习总结】《大话数据结构》- 总 第6章树-代码链接 启示： 树 目录 <!-- GFM-TOC --> 6.1 开场白 6.2 树的定义 6.3 树的抽象数据类型 6.4 树的存储结构 6.5 二叉树的定义 6.6 二叉树的性质 6.7 二叉树的存储结构 6.8 遍历二叉树 6.9 二叉树的建立 6.10 线索二叉树 6.11 树、森林与二叉树的转换 6.12 赫夫曼树及其应用 6.13 总结回顾 6.14 结尾语 <!-- GFM-TOC --> ======================================== 6.1 开场白 一些可以略过的场面话... ======================================== 6.2 树的定义 定义 注意： n>0时：根节点是唯一的，不可能存在多个根节点。 m>0时：子树的个数没有限制，但它们一定互不相交。 结点分类 结点的度（degree）：结点拥有的子树数 叶结点（leaf）或终结点：度为0的结点 非终端结点或分支结点：度不为0的结点 内部结点：除根节点外，分支结点也称为内部结点 树的度：树内各结点的度的最大值 结点间关系 孩子（child）：结点的子树的根称为该结点的孩子 双亲（parent）：该结点称为孩子的双亲（父母同体，唯一的一个） 兄弟（sibling）：同一个双亲的孩子之间互称兄弟

本文首先分析了在大规模SDN数据中心组网中遇到的问题。一方面Underlay底层组网规模受限于设备实际的转发能力和端口密度，单一Spine-leaf的Fabric架构无法满足大规模组网的需求；另一方面在SDN技术实现方案上，Openstack和SDN控制器分别有管理控制能力上的限制。 本文分别从多POD大规模数据中心的Underlay组网及路由规划，和跨POD互联互通SDN技术实现方案两方面，深入到技术细节，结合网络业务流量模型的实现，阐述了大规模SDN数据中心组网架构。 1.大规模SDN数据中心组网需解决问题分析 大规模的SDN数据中心组网需实现几万台服务器作为一个资源池来承载和编排调度。综合考虑Underlay组网以及SDN解决方案的实现，主要有以下三个方面的问题需要解决。 （一）在数据中心Underlay组网层面。虽然随着芯片不断的升级换代，数据中心交换机处理转发能力极大提升，但是基于目前的数据中心交换机端口能力，同时考虑到每个机房实际机柜的数目，以及机房间跨机房布线的难易程度，单一的Spine-leaf两层架构组网不能满足上万服务器的承载需求。 例如在一个数据中心组网中，选用目前业界主流厂商成熟的16槽的核心交换机设备为Spine，100G板卡端口密度是20个/板卡，40G板卡端口密度是30个/板卡；选用配置48个万兆6个40G的接入交换机为Leaf

参考 Getting Started with PyTorch Part 1: Understanding how Automatic Differentiation works 非常好的文章，讲解的非常细致。 注意这篇文章基于v0.3，其中的Variable和Tensor在后来把版本中已经合并。 from torch import FloatTensor from torch.autograd import Variable # Define the leaf nodes a = Variable(FloatTensor([4])) weights = [Variable(FloatTensor([i]), requires_grad=True) for i in (2, 5, 9, 7)] # unpack the weights for nicer assignment w1, w2, w3, w4 = weights b = w1 * a c = w2 * a d = w3 * b + w4 * c L = (10 - d) L.backward() for index, weight in enumerate(weights, start=1): gradient, *_ = weight.grad.data print(f"Gradient of w{index} w

我们在进行C#项目Xml读写开发时经常遇到一些读写问题，今天我要介绍的是遇到多个命名空间xmlns属性时如何读写此类文件。 　　比如下面这个Xml文件： <? xml version="1.0" encoding="utf-8" ?> < project xmlns ="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x ="http://schemas.microsoft.com/winfx/2006/xaml" xmlns:d ="http://schemas.microsoft.com/expression/blend/2008" > < root > < branch Name ="Branch10" Value ="abc" > < leaf Name ="leaf11" Value ="bcd" /> < leaf Name ="leaf12" Value ="cde" /> < leaf Name ="leaf13" Value ="def" /> </ branch > </ root > </ project > 　　这个文件有一个默认的命名空间： xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation"