lamda

.NetFramework 1.0 1.1时代 以前学习委托，大部分流程都是在这里声明委托，实例化的时候不得不声明一个方法，在写一个方法不得不传进入，这个方法与声明的委托参数返回值吻合，然后把这个方法传递进去。 namespace LamdaHistory { public static class NetFramework1 { public delegate void NoReturnNoPara();//声明委托 public delegate void NoReturnWithPara(int x, string y);//声明委托 public static void Show() { NoReturnNoPara method = new NoReturnNoPara(DoNothing); method.Invoke(); NoReturnWithPara method2 = new NoReturnWithPara(Study); method2.Invoke(123, "董小姐"); } private static void DoNothing() { Console.WriteLine("This is DoNothing"); } private static void Study(int id, string name) { Console

默认价值函数为Q(s,a)，策略迭代更新为pai <—— epsilon-greedy(Q) policy是agent的属性，决定了agent面对某状态s时会选择哪个行为a value是agent的感觉，代表着agent对某个(s,a)的感觉，感觉它好感觉它不好 强化学习迭代过程中， policy-evaluation是获取agent按照当前policy会产生的所有感觉，即获取Qpai ； policy-improvement是根据感觉Q生成一个更好的policy on policy和off policy是policy_evaluation过程中区分的两种方式 Q(s,a) <——r + lamda * Q(s',a') on policy是我做了这个行为a之后，后继的所有收获都以我的策略我的眼光来估定；td_target = r + lamda * Q(s',a') ，(s',a')产自我的policy off policy是我做了这个行为a之后，后继以别人的眼光别人的策略来固定； td_target = r + lamda*Q(s',a') ， (s',a')产自别人的policy 来源： https://www.cnblogs.com/dynmi/p/12334734.html

利用lamda表达式实现接口方法 更多干货见博主个人网站：https://blog.zhenglin.work 若想直接使用 接口中方法，在jdk8之前的做法有：1，编写一个类实现这个接口的（抽象）方法；2，或者直接在创建对象时 采用匿名类。 接口： package com . zhengling . work ; public interface DecoratorF { void m1 ( ) ; } 里面有个方法m1;如果想调用m1方法，必须先实现这个接口的m1方法。用匿名内部类来实现： DecoratorF df = new DecoratorF ( ) { @Override public void m1 ( ) { System . out . println ( "内部匿名类实现m1方法" ) ; } } ; df . m1 ( ) ; 这样就可以直接调用m1方法；或者搞一个内部类来实现这个接口： static class B implements DecoratorF { @Override public void m1 ( ) { System . out . println ( "静态内部类实现接口的m1方法" ) ; } //定义为静态内部类 方便在main方法中调用 } 然后用多态的特点 调用m1方法： DecoratorF def = new B ( )

词频统计： textFile包含了多行文本内容 ： textFile.flatMap(line => line.split(” “)) 会遍历 textFile中的每行文本内容，当遍历到其中一行文本内容时，会把文本内容赋值给变量line，并执行Lamda表达式line => line.split(” “)。 line => line.split(” “) 是一个 Lamda表达式，左边表示输入参数，右边表示函数里面执行的处理逻辑，这里执行line.split(” “)，也就是针对line中的一行文本内容，采用空格作为分隔符进行单词切分，从一行文本切分得到很多个单词构成的单词集合。这样，对于textFile中的每行文本，都会使用Lamda表达式得到一个单词集合，最终，多行文本，就得到多个单词集合。 textFile.flatMap() 操作就把这多个单词集合 “拍扁”得到一个大的单词集合。 然后，针对这个大的单词集合，执行 map()操作 ： map(word => (word, 1)) 这个 map操作会遍历这个集合中的每个单词，当遍历到其中一个单词时，就把当前这个单词赋值给变量word，并执行Lamda表达式word => (word, 1)，这个Lamda表达式的含义是，word作为函数的输入参数，然后，执行函数处理逻辑，这里会执行(word, 1)，也就是针对输入的word

//******* 对集合按Name属于进行分组GroupBy查询 ******** //结果中包括的字段： //1、分组的关键字：Name = g.Key //2、每个分组的数量：count = g.Count() //3、每个分组的年龄总和：ageC = g.Sum(item => item.Age) //4、每个分组的收入总和：moneyC = g.Sum(item => item.Money) //写法1：lamda 表达式写法（推荐） var ls = persons1.GroupBy(a => a.Name).Select(g => (new { name = g.Key, count = g.Count(), ageC = g.Sum(item => item.Age), moneyC = g.Sum(item => item.Money) })); //写法2：类SQL语言写法 最终编译器会把它转化为lamda表达式 var ls2 = from ps in persons1 group ps by ps.Name into g select new { name = g.Key, count = g.Count(), ageC = g.Sum(item => item.Age), moneyC = g.Sum(item => item.Money) }; List

正则化的思想，引入的方式：想改善高阶假设空间overfitting的状况，从高阶退回低阶，即限制w的某些维度使之为零。 通过放宽限制和使用软约束（softer constraint)，问题改写成： 那如何求解右边的有约束最优化问题呢？ 首先把Ein写成矩阵形式 如果没有约束，最优解就是linear regression的解，有约束后，w只能在红色的圆圈里面。 本来w应该沿着负梯度的方向移动，但是它不能移出圆圈，就是不能在 红线（normal）方向上移动。 因此将负梯度方法沿着normal做分解，w只能沿着绿色的箭头移动。什么时候w不能再移动了呢（就是不能再下降了），就是负梯度与normal平行的时候。那么这个时候的w就是问题的解。 最后问题演化成求w，使得 如果lamda已知，那么w可求得 另外来看，求解 可以等价于求解最小化问题 后面加上的这项就叫做正则项。 正则化和VC理论的联系 这里通过对最小化Ein的等价问题 Eaug 的求解，来保证VC bound. Eaug的正则项可以看成是单个h的复杂度的惩罚 在有约束的假设空间H（C）中，w被限制了，这个空间的vc维要低于原始空间。 常用的正则项：L2和L1 L1正则的最优求解思路和L2是一样的，最优解会出现在角上，这样w在一些维度上为0，起到了特征选择的作用。 关于lamda的选择，和噪音大小有关。噪音大的话lamda也要大一些

Lamda表达式学习笔记二 lamda表达式----方法引用 上一篇讲到Lamda体就是对函数式接口方法的实现 ，在方法体中我们可能会引用其他方法实现逻辑，所以在lamda体中我们可以直接引用器方法 I 对象：：实例方法名 /** * 对象：：实例方法名 */ @Test public void test6() { Consumer<String> consumer = (x) -> System.out.println(x); consumer.accept("->"); Consumer<String> consumer1 = System.out::println; consumer1.accept("::"); } 结果： II 类名：：静态方法名 /** * 类名：：静态方法名 */ @Test public void test7() { Comparator<Integer> comparator = (x, y) -> Integer.compare(x, y); Comparator<Integer> comparator1 = Integer::compare; } III 类名：：实例方法名 /** * 类名：：实例方法名 */ public void test8() { BiFunction<String, String, Boolean>

隐马尔可夫模型(Hidden Markov model, HMM)是一种结构最简单的动态贝叶斯网的生成模型，它也是一种著名的有向图模型。它是典型的自然语言中处理标注问题的统计机器学模型，本文将重点介绍这种经典的机器学习模型。 转载链接： https://mp.weixin.qq.com/s?src=11&timestamp=1580378766&ver=2128&signature=id557IJtuCw7XYAqKzyjaqPMD2B88eVFQXaFhx2lZw3QnWFB NQjXJF8fcOVsomhyf5qL 81QZO0SbN8mwLWNn2sayM-0r s8uj7Q64aI7RtpULW d1L-je4qHKpiS55&new=1 “ 摇骰子问题 ” —— 经典 1. 引言 假设有三个不同的骰子(6面、4面、8面)，每次先从三个骰子里面选择一个，每个骰子选中的概率为1/3，如下图所示，重复上述过程，得到一串数值[1,6,3,5,2,7]。这些 可观测变量组成可观测状态链 。同时，在隐马尔可夫模型中还有一条由 隐变量组成的隐含状态链 ，在本例中即 骰子的序列 。比如得到这串数字骰子的序列可能为[D6, D8, D8, D6, D4, D8]。 隐马尔可夫型示意图如下所示： 图中，箭头表示变量之间的依赖关系。图中各箭头的说明如下： 在任意时刻， 观测变量 (骰子)

导言 逻辑回归是机器学习中最基础也最常用的模型 一句话介绍LR： 逻辑回归假设 数据服从伯努利分布 ,通过 极大化似然函数 的方法，运用 梯度下降 来求解参数，来达到将数据 二分类 的目的。 LR具体的推导可以参考李航老师的统计学习方法 为什么LR损失函数不选MSE,而采用极大似然估计(即交叉熵损失) 参考： https://www.cnblogs.com/smartwhite/p/9109815.html 对于线性回归，我们会选择MSE, 因为其J(θ)是凸函数 但是对于logistic回归，由于进行了sigmoid非线性映射就是 非凸函数 ，所以可能在寻优的时候 容易陷入局部最优 所以 考虑把sigmoid作log ，对其求二阶导，结果大于0，说明其是凸函数，在用梯度下降法寻优时，可以保证找到全局最小。 TensorFlow实现 使用mnist数据集验证模型的有效性 import tensorflow as tf import os from tensorflow . examples . tutorials . mnist import input_data os . environ [ 'CUDA_VISIBLE_DEVICES' ] = '0' lr = 0.001 n_epoch = 25 batch_size = 64 def LR ( ) : x = tf .

1.标准样式 [](CString itUrl)->bool { } 例子： 不带参数： auto fun_helloworld = []()->void{ std::cout << "hello world" << std::endl; }; fun_helloworld(); 带一个参数： auto fun_helloworld = [](std::string aa)->void{ std::cout << aa << std::endl; }; fun_helloworld("hello world"); 2.[]中几个值介绍 auto findUrlFun = [=](CString itUrl)->bool { auto itUrlOrigin = GetOriginImageFileUrl(itUrl.GetBuffer()); return itUrlOrigin.CompareNoCase(urlOrigin) == 0 ? true : false; }; (1)[],什么都不传 for (int i=0; i<10; ++i) { auto fun_helloworld = [](std::string aa)->void { std::cout << aa << std::endl; }; fun_helloworld("haha"); } (2)[