Delta

made by @ 杨领well (yanglingwell@sina.com) 一、基础知识点 1. 操作系统的资源管理技术 资源管理解决 物理资源数量不足 和 合理分配资源 这两个问题。 操作系统虚拟机为用户提供了一种简单、清晰、易用、高效的计算机模型。虚拟机的每种资源都是物力资源通过 复用 、 虚拟 和 抽象 而得到的产物。 虚拟机提供进程运行的逻辑计算环境。从概念上来说，一个进程运行在一台虚拟机上，可以认为一个进程就是一台虚拟机，一台虚拟机就是一个进程。 复用 ： 空分复用共享 和 时分复用共享 。 a. 空分复用共享(space-multiplexed sharing): 将资源从“空间”上分割成更小的单位供不同进程使用。在计算机系统中，内存和外存(磁盘)等是空分复用共享的。 b. 时分复用共享(time-multiplexed sharing): 将资源从“时间”上分割成更小的单位供不同进程使用。在计算机系统中，处理器和磁盘机等是时分复用共享的。 虚拟 ：对资源进行转化、模拟或整合，把一个物理资源转变成多个逻辑上的对应物，也可以把多个物理资源变成单个逻辑上的对应物，即创建无须共享独占资源的假象，或创建易用且多于实际物理资源的虚拟资源假象，以达到多用户共享一套计算机物理资源的目的。虚拟技术可用于外部设备(外部设备同时联机操作(SPOOLing)),存储资源(虚拟内存

　　　　在 强化学习（十）Double DQN (DDQN) 中，我们讲到了DDQN使用两个Q网络，用当前Q网络计算最大Q值对应的动作，用目标Q网络计算这个最大动作对应的目标Q值，进而消除贪婪法带来的偏差。今天我们在DDQN的基础上，对经验回放部分的逻辑做优化。对应的算法是Prioritized Replay DQN。 　　　　本章内容主要参考了ICML 2016的 deep RL tutorial 和Prioritized Replay DQN的论文<Prioritized Experience Replay>(ICLR 2016)。 1. Prioritized Replay DQN之前算法的问题 　　　　在Prioritized Replay DQN之前，我们已经讨论了很多种DQN，比如Nature DQN， DDQN等，他们都是通过经验回放来采样，进而做目标Q值的计算的。在采样的时候，我们是一视同仁，在经验回放池里面的所有的样本都有相同的被采样到的概率。 　　　　但是注意到在经验回放池里面的不同的样本由于TD误差的不同，对我们反向传播的作用是不一样的。TD误差越大，那么对我们反向传播的作用越大。而TD误差小的样本，由于TD误差小，对反向梯度的计算影响不大。在Q网络中，TD误差就是目标Q网络计算的目标Q值和当前Q网络计算的Q值之间的差距。 　　　　这样如果TD误差的绝对值$|

本篇介绍使用搜狗拼音输入法输入希腊字母 工具/原料 搜狗拼音输入法 方法一：软键盘 右击输入法悬浮窗打开菜单-选择软键盘 这里有很多软键盘，其中第二个就是希腊字母软键盘，点击打开 第二次使用可以点击输入法悬浮窗上的软键盘快捷键来快速打开 缺点：使用这个方法要在20多个希腊字母里面寻找，比较考验眼力；输入时必须打开软键盘，输入完再关闭软键盘才能输入其他字符。 END 方法二：自定义短语 右键-设置属性 高级-自定义短语设置 直接编辑配置文件 将以下内容复制粘贴到配置文件最后 ; 希腊字母 alpha,4=α alpha,5=Α beta,4=β beta,5=Β gamma,4=γ gamma,5=Γ delta,4=δ delta,5=Δ epsilon,4=ε epsilon,5=Ε zeta,4=ζ zeta,5=Ζ eta,4=η eta,5=Η theta,4=θ theta,5=Θ iota,4=ι iota,5=Ι kappa,4=κ kappa,5=Κ lambda,4=λ lambda,5=Λ mu,4=μ mu,5=Μ nu,4=ν nu,5=Ν xi,4=ξ xi,5=Ξ omicron,4=ο omicron,5=Ο pi,4=π pi,5=Π rho,4=ρ rho,5=Ρ sigma,4=σ sigma,5=Σ tau,4=τ tau,5=Τ

最近时间都忙于参加阿里天池的全国社会保险大数据应用创新大赛，终于结束，最终全国排名第7，总共是1336只队伍参加，还是很激动进了前10，今天想把一些体悟写一下，希望对后来参加的人有用。这个比赛是完成数据算法模型的开发设计，实现对各类医疗保险基金欺诈违规行为的准确识别，根据给出的数据情况，最开始有两个思路，1.从就诊记录入手，找到可疑的就诊记录，然后拼接到人上 2.直接构造人的可疑程度的行为特征。两者都试过，最终选择了后者，因为题目给出的欺诈标签主要是人的欺诈标签，并没有给出某次就诊行为的欺诈标签。另外，此次的评测指标是F1值，这个非常重要，你要知道你最终排名都是看的这个值。下面我从三个方面讲一下这次比赛的心得。 一、特征 可能没参加比赛前很难理解 特征决定上限 的这个真理，特征特征才是最重要的！ 一定要看特征重要度，要不断尝试，有些组合到一起反而降低，有些特征看着不重要，你把他去了 可是结果却会出现下降的情况，因为特征和特征之间是有关系的。 在重要特征做深入处理的收益远大于在次要特征中继续做。 汇总信息有些时候会丢失信息，比如我们最开始将医院数据进行了汇总，计算每个人去一级医院，二级医院，三级医院的个数，反而没有把所有医院的维度扩充好。 观察和了解你的数据很重要。观察数据发现患者同一天在同一个医院有药费，有治疗费分别出现不同的就诊id，包括挂号的费用也是不同的id

原论文 （Monge 大概就是满足四边形不等式的意思……） 一切还要从某位毒瘤把邮局加强到 \(5 \times 10^5\) 还自己不会证明说起 感谢 gcz、rushcheyo 和 300iq 帮助我找到了这篇轮文 首先定义“满足四边形不等式的序列划分问题”： 给出 \(n,k\) 和一个 \((n+1) \times (n+1)\) 的矩阵 \(c_{i,j}\) ，你需要给出一个长度为 \(k+1\) 的序列 \(p_0 = 0 < p_1 < p_2 < \ldots < p_{k-1} < p_k = n\) ，定义该序列的价值为 \(\sum\limits_{i=1}^k c_{p_{i-1},p_i}\) 。你需要求出所有合法的序列的最小价值。 其中特殊性质是矩阵 \(c\) 满足四边形不等式，即 \(\forall i < j \leq k < l,c_{i,k} + c_{j,l} \leq c_{i,l} + c_{j,k}\) 。 先给出结论：设当 \(k=p(p \in [1,n-1])\) 时答案为 \(f(p)\) ， \(f'(p)(p \in [2,n-1]) = f(p-1) - f(p)\) ，则 \(f'(p)\) 单调不增，即 \(\forall q \in [3,n-1],f'(q) \leq f'(q-1)\) 。

1 基础知识 1.1 图像梯度的解释 图像的梯度与数学中的梯度在形式上是由差异的，原因在于图像的特点，图像是一个 离散 的二维函数，接下来会尝试说明这一点，但从意义上来说是相同的，是为了表现图像灰度的 变化率 。 在数学微积分中， 一维函数的一阶微分的基本定义 是： 二维函数的一阶微分的基本定义 是： 对于灰度图这样二维数组的图像，它其实就是一个离散的二位函数，说它离散，是因为每个灰度值取值为整数而不是小数，因此ϵ不能无限小，而ϵ的最小单位即是1像素。因此当ϵ取最小值1时，灰度图（离散的二维函数）的一阶微分基本定义是： 我们可以观察到，图像在(x, y)点处x方向和y方向上的梯度相当于2个相邻像素之间的差值。而且一般地，我们会使用两个方向上梯度的绝对值，因为我们 只关心图像的灰度值变化大小 ，而梯度方向只需要知道是水平还是垂直即可，无须知晓到底是具体是向左还是向右，向下还是向上。 计算图像某点的梯度。 上面，我们介绍了图像某个点的水平梯度gx和垂直梯度gy的计算方式，而将 两者结合起来即可得到图像中该点的梯度的大小与方向。 a. 计算梯度的大小，在数学上，这种结合的公式是： M ( x , y ) = ( g x ) 2 + ( g y ) 2 M(x,y) = \sqrt{(gx) ^2+ (gy)^2} M ( x , y ) = ( g x ) 2 + ( g y ) 2 ​

如何在spring-boot中使用Redis工具类 修改pom.xml文件 新增spring-boot-starter-data-redis配置 <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-redis</artifactId> </dependency> 修改application.yml 新增Redis配置 server: port: 6660 redis: host: 127.0 . 0.1 port: 6379 password: 新增config目录 RedisConfig.java文件 package com.example.redisdemo.config; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.cache.annotation.CachingConfigurerSupport; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation

　　　　在 循环神经网络(RNN)模型与前向反向传播算法 中，我们总结了对RNN模型做了总结。由于RNN也有梯度消失的问题，因此很难处理长序列的数据，大牛们对RNN做了改进，得到了RNN的特例LSTM（Long Short-Term Memory），它可以避免常规RNN的梯度消失，因此在工业界得到了广泛的应用。下面我们就对LSTM模型做一个总结。 1. 从RNN到LSTM 　　　　在RNN模型里，我们讲到了RNN具有如下的结构，每个序列索引位置t都有一个隐藏状态$h^{(t)}$。 　　　　如果我们略去每层都有的$o^{(t)}, L^{(t)}, y^{(t)}$，则RNN的模型可以简化成如下图的形式： 　　　　图中可以很清晰看出在隐藏状态$h^{(t)}$由$x^{(t)}$和$h^{(t-1)}$得到。得到$h^{(t)}$后一方面用于当前层的模型损失计算，另一方面用于计算下一层的$h^{(t+1)}$。 　　　　由于RNN梯度消失的问题，大牛们对于序列索引位置t的隐藏结构做了改进，可以说通过一些技巧让隐藏结构复杂了起来，来避免梯度消失的问题，这样的特殊RNN就是我们的LSTM。由于LSTM有很多的变种，这里我们以最常见的LSTM为例讲述。LSTM的结构如下图： 　　　　可以看到LSTM的结构要比RNN的复杂的多，真佩服牛人们怎么想出来这样的结构

最近时间都忙于参加阿里天池的全国社会保险大数据应用创新大赛，终于结束，最终全国排名第7，总共是1336只队伍参加，还是很激动进了前10，今天想把一些体悟写一下，希望对后来参加的人有用。这个比赛是完成数据算法模型的开发设计，实现对各类医疗保险基金欺诈违规行为的准确识别，根据给出的数据情况，最开始有两个思路，1.从就诊记录入手，找到可疑的就诊记录，然后拼接到人上 2.直接构造人的可疑程度的行为特征。两者都试过，最终选择了后者，因为题目给出的欺诈标签主要是人的欺诈标签，并没有给出某次就诊行为的欺诈标签。另外，此次的评测指标是F1值，这个非常重要，你要知道你最终排名都是看的这个值。下面我从三个方面讲一下这次比赛的心得。 一、特征 可能没参加比赛前很难理解 特征决定上限 的这个真理，特征特征才是最重要的！ 一定要看特征重要度，要不断尝试，有些组合到一起反而降低，有些特征看着不重要，你把他去了 可是结果却会出现下降的情况，因为特征和特征之间是有关系的。 在重要特征做深入处理的收益远大于在次要特征中继续做。 汇总信息有些时候会丢失信息，比如我们最开始将医院数据进行了汇总，计算每个人去一级医院，二级医院，三级医院的个数，反而没有把所有医院的维度扩充好。 观察和了解你的数据很重要。观察数据发现患者同一天在同一个医院有药费，有治疗费分别出现不同的就诊id，包括挂号的费用也是不同的id

CV笔记|图像处理：Harris特征点检测器——兴趣点检测 1 基础知识 1.1 特征点检测 1.2 角点 1.3 图像梯度 2 Harris角点检测基本原理 2.1 建立数学模型 3 基于OpenCV的实现 3.1 代码示例 3.2 运行结果 4 Harris角点的性质 4.1 参数 k k k 对角点检测的影响 4.2 Harris角点检测算子光照不变性 4.3 Harris角点检测算子旋转不变性 4.4 Harris角点检测算子不具有尺度不变性 4.5 进一步讨论 5 参考 1 基础知识 1.1 特征点检测 在拼图游戏中，我们一般从有明显特征的碎片入手，因为区分度比较高的特征片段提供了图像丰富的信息，更容易用于定位。在计算机视觉和图像处理中，使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征称为 特征点检测 。 特征点检测广泛应用于目标匹配、目标跟踪、三维重建等应用中，在进行目标建模时会对图像进行目标特征的提取，常用的有 颜色、角点、特征点、轮廓、纹理 等特征。 角点特征是图像中较好的特征，比边缘特征更好地用于定位。 1.2 角点 在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。从图像分析的角度来定义角点可以有以下两种定义： 角点可以是两个边缘的角点； 角点是邻域内具有两个主方向的特征点。 人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。