权重

1、问题起因（在一次偶然编写css发现的，.div2 p>.div1 p>.p1，然后做了测试并找查相关资料） 2、解决方案 　　 首先看哪一级的权重高 　　1、!important，加在样式属性值后，权重值为 10000 　　2、内联样式，如：style=””，权重值为1000 　　3、ID选择器，如：#content，权重值为100 　　4、类，伪类和属性选择器，如： content、:hover 权重值为10 　　5、标签选择器和伪元素选择器，如：div、p、:before 权重值为1 　　6、通用选择器（*）、子选择器（>）、相邻选择器（+）、同胞选择器（~）、权重值为0 　　所以.div1 p的权重值为10+1=11，.div2 p的权重值为10+1=11，.p1的权重值为10 　　 第二看哪一个离p标签的距离近 　　.p1>.div2 p>.div1 p 　　 所以根据上述分析 .div2 p>.div1 p>.p1 来源： https://www.cnblogs.com/M-fengye/p/11735119.html

论文研读：基于统计重加权的方法减少通用回复 会议名称：EMNLP2018 文章题目：Towards Less Generic Responses in Neural Conversation Models: A Statistical Re-weighting Method 原文链接：https://link.zhihu.com/?target=https%3A//www.paperweekly.site/papers/2440 一句话概括： 针对开放对话领域的对话多对多关系并且产生通用回复的问题，文章在损失项中引入权重的概念，降低通用回复权重，降低过短或者过长语句的权重。 论文背景     神经生成模型在机器翻译中的成功应用，即神经机器翻译（Neural Machine Translation, NMT），激发了研究人员对于 神经对话模型 的热情。目前最常用的框架为Seq2Seq模型，其通常通过极大似然法，最大化回复的概率得到输出结果。但在上述任务中会存在一些问题，其中最严重的的一个是模型经常会产生一个通用的回复（例如，我不知道），而不是一个有意义的特定回答。     在开放领域的对话中，我们经常发现对于一个输入 \(x\) ，会得到若干意思不一致，但是同样可以接受的回答。如问“你吃饭了吗”，回复“还没”，“不饿”，“刚吃完”，“不急”等等都可以被接受，因此对于 \(x\) 到

论文研读：基于统计重加权的方法减少通用回复 会议名称：EMNLP2018 文章题目：Towards Less Generic Responses in Neural Conversation Models: A Statistical Re-weighting Method 原文链接：https://link.zhihu.com/?target=https%3A//www.paperweekly.site/papers/2440 一句话概括： 针对开放对话领域的对话多对多关系并且产生通用回复的问题，文章在损失项中引入权重的概念，降低通用回复权重，降低过短或者过长语句的权重。 论文背景     神经生成模型在机器翻译中的成功应用，即神经机器翻译（Neural Machine Translation, NMT），激发了研究人员对于 神经对话模型 的热情。目前最常用的框架为Seq2Seq模型，其通常通过极大似然法，最大化回复的概率得到输出结果。但在上述任务中会存在一些问题，其中最严重的的一个是模型经常会产生一个通用的回复（例如，我不知道），而不是一个有意义的特定回答。     在开放领域的对话中，我们经常发现对于一个输入 \(x\) ，会得到若干意思不一致，但是同样可以接受的回答。如问“你吃饭了吗”，回复“还没”，“不饿”，“刚吃完”，“不急”等等都可以被接受，因此对于 \(x\) 到

由于自己完全无法适应CSDN的富文本编辑模式ε=ε=ε=┏(゜ロ゜;)┛，实在是用不来，所以“多人种人脸识别“的第二部分转战Markdown编辑器 PyTorch的关键应用 BN层的使用 BN层的优点主要有以下几点： 加快训练速度，这样我们就可以使用较大的学习率来训练网络 提高网络的泛化能力，这样就可以减少dropout和正则化的使用 BN层本质上是一个归一化网络层，可以替代局部响应归一化层（LRN层）。 可以打乱样本训练顺序（这样就不可能出现同一张照片被多次选择用来训练）论文中提到可以提高1%的精度。 BN层的位置： BN层一般位于激活层之前（目的是为了让激活层的值更加稳定），在FC层或ConV层之后 BN层的具体实现： BN层如果放在全连接层后面，则是对全连接层里面每个batch的属性进行计算；如果放在卷积层之后，则一般对channel进行 ，在tensorflow中可以指定，对哪一维（一般情况不出意外都是axis=channel），而在Pytroch是不用指定可以默认进行的。 PyTorch中的模型加载 如今，迁移学习的思想在各种领域都有很多应用，而在人脸识别领域也不例外，使用迁移学习，这里只说最基本的迁移学习方法，用别人与训练好的best_checkpoint加载进自己的模型，往往可以在短时间内使得自己的模型取得十分好的效果 Torch中加载当前模型的方法 指令 解释

神经网络学习笔记（2） 　　本文是神经网络学习笔记的第二部分，紧接着笔者的 神经网络学习笔记（1） ，主要内容为对总结神经网络的常用配置方式，包括如下几点：（1）数据预处理；（2）权重初始化；（3）正则化与Dropout；（4）损失函数。 　　 1、数据预处理 　　对于神经网络而言，数据的预处理常见的方法主要包括0-1归一化，主成分分析（PCA）及one-hot编码标签。 　　（1）0-1归一化：将样本所有维度的数据转变为以0为均值，1为标准差的新数据。处理方式为，对训练数据的每一个维度，分别计算其均值和标准差，然后将这一维度的数据分别减去均值然后除以标准差。至于为什么需要对数据进行这一处理，笔者也没有找到很好的解答，欢迎各位大牛在本文下面留言探讨； 　　 注意： 当我们在进行归一化处理的时候，我们处理所用的数值（例如：均值和方差）只能够从训练集上面获得，然后将从训练集上计算得到的值直接应用到验证集/测试集上，而不是在验证集/测试集上面重新计算新值，或者直接从整体的数据集上面计算均值和方差然后再划分数据集。我想这还是为了保证模型泛化能力检测的公正性，避免验证集/测试集中的任何数据泄露到训练过程中。 　　（2）主成分分析（PCA）：对于神经网络而言，该方法主要用于对数据进行降维（也可用于数据的压缩）。网络上面已经有很多文章对PCA的基本过程进行解读

继承性 层叠性 层叠性权重相同处理 css有两大特性：继承性和层叠性 继承性 面向对象语言都会存在继承的概念，在面向对象语言中，继承的特点：继承了父类的属性和方法。那么我们现在主要研究css，css就是在设置属性的。不会牵扯到方法的层面。 继承：给父级设置一些属性，子级继承了父级的该属性，这就是我们的css中的继承。 记住：有一些属性是可以继承下来 ： color 、 font-*、 text-*、line-* 。主要是文本级的标签元素。 但是像一些盒子元素属性，定位的元素（浮动，绝对定位，固定定位）不能继承。 层叠性 层叠性： 权重的标签覆盖掉了权重小的标签，说白了 ，就是被干掉了 权重： 谁的权重大，浏览器就会显示谁的属性 谁的权重大？ 非常简单就是小学的数数。 数：id的数量 class的数量 标签的数量，顺序不能乱 /*1 0 0 */显示红色 #box{ color: red; } /*0 1 0*/ .container{ color: yellow; } /*0 0 1*/ p{ color: purple; } 是不是感觉明白了呢？好的，再给大家加深点难度。 <div id='box1' class="wrap1"> <div id="box2" class="wrap2"> <div id="box3" class="wrap3"> <p>再来猜猜我是什么颜色？<

CSS 三大特性 层叠 继承 优先级 是CSS 必须掌握的三个特性。 CSS层叠性 所谓层叠性是指多种CSS样式的叠加。 是浏览器处理冲突的一个能力,如果一个属性通过两个相同选择器设置到同一个元素上，那么这个时候一个属性就会将另一个属性层叠掉 比如先给某个标签指定了内部文字颜色为红色，接着又指定了颜色为蓝色，此时出现一个标签指定了相同样式不同值的情况，这就是样式冲突。 就近原则 一般情况下，如果出现样式冲突，则会按照CSS书写的顺序，以最后的样式为准。 样式冲突，遵循的原则是就近原则。 那个样式离着结构近，就执行那个样式。 样式不冲突，不会层叠 CSS最后的执行口诀： 长江后浪推前浪，前浪死在沙滩上。 CSS继承性 所谓继承性是指书写CSS样式表时，子标签会继承父标签的某些样式，如文本颜色和字号。想要设置一个可继承的属性，只需将它应用于父元素即可。 简单的理解就是： 子承父业。 CSS最后的执行口诀： 龙生龙，凤生凤，老鼠生的孩子会打洞。 注意： 恰当地使用继承可以简化代码，降低CSS样式的复杂性。子元素可以继承父元素的样式（text-，font-，line-这些元素开头的都可以继承，以及color属性） CSS优先级 定义CSS样式时，经常出现两个或更多规则应用在同一元素上，这时就会出现优先级的问题。 在考虑权重时，初学者还需要注意一些特殊的情况，具体如下： 继承样式的权重为0

大数据文摘作品 作者：Ramzi Karam 编译： Chloe 朝夕 修竹 Aileen 上个周被网易云音乐的听歌报告刷屏，文摘菌这才发现，朋友圈不乏年度听歌成千上万的音乐重度患者。这群人可能中的不是音乐的毒，而是这套个性化音乐推荐算法真的太懂你。 这也又引起了一波对推荐算法的讨论。本文作者发现了一个有7亿多条歌曲的数据集，利用 Word2vec， 用这个训练集来训练机器学习模型， 优化我们的音乐推荐结果。 中东和北非地区最大的音乐流媒体平台Anghami每个月产生7亿多条歌曲数据流。这也意味着所有这些流媒体产生的大量数据对我们来讲是一个宝贵的训练集，我们可以用这个训练集来训练机器学习模型使其更好地理解用户品味， 并优化我们的音乐推荐结果。 在本文中，我们将介绍 一个从大量流数据中提取歌曲嵌入信息的神经网络方法 ，以及如何用这一模型生成相关推荐。 每个点代表一首歌曲。点间距离越近，歌曲越相似 什么是推荐系统？ 推荐系统分为两大类： 基于内容的推荐系统： 着眼于需要推荐物品的属性。对音乐来说，属性包括歌曲流派、每分钟节拍数等等。 协同过滤系统： 依据用户历史数据来推荐其他相似用户曾经接触过的物品。这类系统不关注内容本身的属性，而是基于有很多共同喜爱的歌曲和艺术家的人们通常喜欢相同风格的音乐这一原则进行推荐的。 当有足够多数据支撑时，协同过滤系统在推荐相关物品方面效果非常好

网站过度优化，顾名思义，就是指网站SEO优化过于明显，让搜索引擎误以为这是一个垃圾网站，依靠作弊手法提升网站排名。搜索引擎优化的目的是为了更好地服务用户，满足用户需求，为了优化而优化只会导致搜索引擎厌恶你的网站。 一、关键词排名下降 在网站优化过程中，因为激烈的行业竞争，关键词排名上下浮动是一个非常正常的现象。关键词排名是需要不断维护的，甚少有网站能够长时间维持一个稳定的排名。但若是网站关键词排名出现急剧下滑的现象，那就要考虑是否由于过度优化的原因了。通常情况下，对于过度优化的网站，搜索引擎给出的最直接的回应就是大幅降低其排名。 二、收录量持续减少 网站收录量不升反降是最能够体现网站过度优化的现象。通常情况下，网站若是维持稳定的更新速度，那么收录量也是会处于一个稳定的状态。若是SEO人员发现网站在近一段时间内网页不再被收录，并且总收录量一直在下降，这也是过度优化常导致的现象。 三、快照停止更新 利用网站快照判断网站是否过度优化是一个非常直观的方法，当然，也并非快照一停止更新就代表网站过度优化。当发现快照更新频率与以往不同，长时间没有更新，这时候就有可能是因为过度优化导致，SEO人员需要检查一下网站是否有过度优化的现象。 SEO过度优化对网站来说是有百害而无一利的，在优化过程中，满足用户需求才是最重要的。在下篇内容中将介绍SEO过度优化的其他三种现象。 四、网站权重下降 正常情况下

1.webstorm是IDE(集成开发环境)，不是编辑器 编辑器:首推：VIM(windows上用的叫做GVIM),Brakets 可选：atom,sublime,phpStorm webstorm>file>Power Save Mode如果被选择了，就会自动关闭webstorm的智能提示 2.查看本机的ip地址：cmd > ipconfig 3.一次完整的http通信过程： 建立Tcp连接 >>>>> web浏览器向web服务器发送请求 >>>>> web浏览器发送请求头信息 >>>> web服务器应答 >>>>> web服务器应答头信息>>>>> web服务器向浏览器发送数据 >>> web服务器关闭Tcp连接 4.CDN,CDS,DNS的区别： CDN:内容分发网络 （将缓存服务器分布到用户访问相对集中的地区或网络，在用户访问网站时，利用全局负载技术将用户的访问指向距离最近的工作正常的缓存服务器上，由缓存服务器直接响应用户请求） CDS:内容分发服务 （交易双发达成的，约定在未来一定期限内，信用保护买方按照约定的标准和方式向信用保护卖方支付信用保护费用， 由信用保护卖方就约定的一个或多个参考实体向信用保护买方提供信用风险保护的金融合约，属于一种合约类信用风险缓释工具） DNS:域名服务器 （进行域名和与之对应的ip地址转换的服务器） 5.SEO不是一个工具，而是一种思想