fm

　　从蜻蜓FM手机版可以下载音频文件，目的是可以使用普通的播放器进行音频的播放（只是缓存，还用蜻蜓fm播放的请路过），但问题来了，下载下来的音频文件不是在界面中我们看到的文件名称了。于是，我们要进行一项非常必要的工作，还原文件名称。 　　 　　到音频文件下载目录QTDownloadRadio，拉到最下边，可以看到一个download.dat，文件 　　 　　对了，这就是文件名映射文件，打开瞧瞧 　　对了，就是这货，n@后的一串数字是实际的文件名。随便找个带列编辑模式的编辑器，批量替换前面的名称，结果如下 　　保存为run.bat文件(如果在windows系统下，一定要保存为ansi编码格式的文件，不然会乱码)，双击运行,ok 　　由于表演不慎，发生乱码问题，把文件都弄成了乱码名称，然后删了，所以改好的结果不能有图有真相了，但是操作绝对是可以的，只是注意最后的乱码问题就行了。 来源： https://www.cnblogs.com/guanghe/p/9967454.html

在计算广告中，CTR是非常重要的一环。对于特征组合来说，业界通用的做法主要有两大类：FM系列和Tree系列。这里我们来介绍一下FM系列。 在传统的线性模型中，每个特征都是独立的，如果需要考虑特征与特征之间的相互作用，可能需要人工对特征进行交叉组合。非线性SVM可以对特征进行核变换，但是在特征高度稀疏的情况下，并不能很好的进行学习。现在有很多分解模型可以学习到特征之间的交互隐藏关系，基本上每个模型都只适用于特定的输入和场景。推荐系统是一个高度稀疏的数据场景，由此产生了FM系列算法。 本文主要涉及四种FM系列算法：FM，FFM，DeepFM,DeepFFM 因子分解机 （Factorization Machine，简称FM） FM算法用于解决大规模稀疏数据下的特征组合问题。FM可以看做带特征交叉的LR。 考虑两阶多项式模型，也就是特征两两组合的问题，模型表达如下： \[ \hat y(x) = w_0+\sum_{i=1}^n w_i x_i +\sum_{i=1}^n \sum_{j=i+1}^n w_{ij}x_i x_j \] 其中 \(n\) 表示样本的特征数量，这里的特征是离散化后的特征。 然而，在数据稀疏性普遍存在的实际应用场景中，二次项参数的训练是很困难的。其原因是，每个参数 \(w_ij\) 的训练需要大量 \(x_i\) 和 \(x_j\) 都非零的样本

收音机这东西很早就开始用了，但一直都没有了解过它的原理，听说是很简单。下面记录一些笔记。 1. 基本概念 收音机是一种小型的无线电接收机，主要用于接受无线电广播节目，收听无线电发射台。首先说一下收音机的种类，按解调方式和波长可以分为以下几类： 调幅收音机（AM ）： 长波收音机（LW，Long Wave） 中波收音机（MW，Medium Wave） 短波收音机（SW，Short Wave） 调频收音机（FM ） 我们一般用的收音机都是FM收音机，FM收音机可以接收的波段一般是在87.5-108MHz（读做百万赫兹）。 稍微好一点的也可以接收AM的，AM一般可以接收到的波段为530-1710KHz（读做千赫兹），这个波段一般都是国外的广播电台。 为了更加深入的理解，我们首先解释一下AM，FM这两个名词： AM：Amplitude Modulation 调幅 AM通过改变输出信号的幅度，来实现传送信息的目的，调整让电磁波的振幅随着声波的振幅强弱而改变（振幅随时间变化）。 可以用下图表示： 调幅就是通常说的中波，范围在503-1060KHz。一般中波广播（MW:Medium Wave）采用的是调幅（Amplitude Modulation）的方式，所以大家慢慢的就用AM来表示MW。实际上MW只是诸多利用AM调制方式的一种广播。像在高频（3-30MHz

针对交叉（高阶）特征学习提出的DeepFM是一个end-to-end模型，不需要像wide&deep那样在wide端人工构造特征。 网络结构： sparse features的构造：类别型特征one-hot，连续型特征数值表示，或者分段离散后one-hot FM与NN分别输出预测y后，对两个结果进行sigmoid FM部分： paper指出在数据稀疏的情况下，FM仍能有效地学出二阶特征，最后FM的预测为： deep部分： papar指出这个网络结构两个特别的点： 1）虽然input的field vector长度不一，但是它们embedding出来的长度是固定的 2）FM的latent vector V向量作为原始特征到embedding vector的权重矩阵，放在网络里学习，如下图。 （个人理解，也就是说在网络的一二层，学出来的weight就是FM的latent vector，然后在FM component中使用，计算y_fromFM） deepFM中FM与deep部分共享一份embedding数据，有两点好处： 1）能够从原始特征同时学习低阶和高阶特征 2）不需要像W&D做特征工程 paper之后比较了该模型与W&D在内的好几个模型，因为还没有读它们的原始论文，暂不记了。 来源： https://www.cnblogs.com/akanecode/p/8093742.html

1. Spring提供的轻量级标签库 2.可在JSP页面中渲染HTML元素的标签 3 用法 　　1)必须在JSP页面的开头处声明taglib指令 　　　　<%@ taglib prefix="fm" uri="http://www.springframework.org/tags/form" %> 　　2)引入标签声明之后就可使用Spring表单标签 　　　　<fm:form/> 　　　　<fm:input/> 　　　　<fm:password/> 　　　　<fm:hidden/> 　　　　<fm:textarea/> 　　　　<fm:radiobutton/> 　　　　<fm:checkbox/> 　　　　<fm:select/> 　　　　<fm:error/> 4.<fm:form>标签 　　1)modelAttribute 　　　　指定绑定的模型属性，默认为 command 　　　　建议指定 　　2)action 　　　　指定表单提交的目标 URL 　　　　可不指定，则自动提交到获取表单页面的 URL 　　3)method 　　　　GET 　　　　POST 　　　　 例 :在进入form页面前绑定模型 　　　　 public String addUserShow(@ModelAttribute("user")User user){ 　　　　　　　　return

@ wxml代码： <view class="container"> <swiper indicator-dots="true}" autoplay="true" interval="3000" duration="1"> <block wx:for="{{imgUrls}}" wx:key="*this"> <swiper-item> <image src="{{item}}" width="355" height="150"></image> </swiper-item> </block> </swiper> </view> js代码： data: { imgUrls: [ "http://img0.imgtn.bdimg.com/it/u=2394972844,3024358326&fm=26&gp=0.jpg", "http://img5.imgtn.bdimg.com/it/u=3008142408,2229729459&fm=26&gp=0.jpg", "http://img4.imgtn.bdimg.com/it/u=2939038876,2702387014&fm=26&gp=0.jpg" ] } 结果：（无法显示，查看控制台无报错） 　　　　 解决，swiper添加宽高。 wxss： .container{ width: 100%; } .container

@ wxml代码： <view class="container"> <swiper indicator-dots="true}" autoplay="true" interval="3000" duration="1"> <block wx:for="{{imgUrls}}" wx:key="*this"> <swiper-item> <image src="{{item}}" width="355" height="150"></image> </swiper-item> </block> </swiper> </view> js代码： data: { imgUrls: [ "http://img0.imgtn.bdimg.com/it/u=2394972844,3024358326&fm=26&gp=0.jpg", "http://img5.imgtn.bdimg.com/it/u=3008142408,2229729459&fm=26&gp=0.jpg", "http://img4.imgtn.bdimg.com/it/u=2939038876,2702387014&fm=26&gp=0.jpg" ] } 结果：（无法显示，查看控制台无报错） 　　　　 解决，swiper添加宽高。 wxss： .container{ width: 100%; } .container

本文继续以Avazu-CTR赛题为背景，尝试采用 FM （Factorization Machine，因子分解机）及 FFM （Field-aware Factorization Machine，场感知因子分解机）来进行CTR预估任务。 本文的源码托管于我的Github： PnYuan - Kaggle_CTR ，欢迎查看交流。 商用推荐场景中的CTR预估工作易面临大规模稀疏数据的挑战。 因子分解机 （ Factorization Machine, 简称 FM ）模型的引入正对于此，其通过对参数矩阵的低秩分解，来解决高维训练的低效问题。这里，首先示例性地介绍 数据稀疏 和 特征组合 的相关内容，然后引出FM模型及其拓展形式FFM。 设用于CTR预估的原始数据如下表所示（表1）： 时间戳(time) 用户性别(sex) 网站类型(st) 广告类型(at) 是否点击（clicked？） 16102206 male 1 2 1 16110218 - 3 1 0 16110222 female - 6 1 类似数据中常包含大量离散型特征（categorical features），如上表中的特征“ 用户性别 ， 网站类型 ”等，独热编码（One-hot）常被用于此类特征的预处理。设经过编码转换后的新数据如下表所示（表2）： time sex_1 sex_2 st_1 st_2 st_3 …

1. DeepFM算法 　 　结合FM算法和DNN算法，同时提取低阶特征和高阶特征，然后组合。FM算法负责对一阶特征及由一阶特征两两组合成的二阶特征进行特征提取；DNN算法负责对由输入的一阶特征进行全连接等操作形成的高阶特征进行特征提取。 2. DeepFM优势 　　 端到端模型，无需特征工程。 　　结合了广度和深度模型的优点，联合训练FM和DNN模型，共享底层参数，同时学习低阶特征组合和高阶特征组合。 　　DeepFM共享Embedding Vector，训练更加高效。 3. DeepFM表达式 总体： FM： DNN： 　　前馈过程： 其中是 是层数， 是模型的权重， 是层的偏置， 是激活函数。 　　DNN预测模型表达式为： 　　 其中 为隐藏层层数。 4. 模型结构 　　DeepFM结构图 　　FM结构图 　　DNN结构图 　　稀疏映射为稠密向量图 来源：博客园 作者： LuckPsyduck 链接：https://www.cnblogs.com/LuckPsyduck/p/11670116.html

FM模型