Allenlzcoder的博客

原创 深入理解深度学习中的【卷积】和 feature map

深入理解深度学习中的卷积和feature map       虽然深度学习的概念已经传遍大街小巷，本文还是说一说CNN中的卷积。       本文主要介绍卷积层的结构。下图显示了CNN中最重要的部分，这部分称之为过滤器(filter)或内核(kernel)。因为TensorFlow官方文档中将这个结构称之为过滤器(filter)，故在本文中将统称这个结构为过滤器。如下图所示，过滤器可以将当前层网络上的一个子节点矩

转载 简单易懂的softmax交叉熵损失函数求导

简单易懂的softmax交叉熵损失函数求导      本博客转自：http://m.blog.youkuaiyun.com/qian99/article/details/78046329      来写一个softmax求导的推导过程，不仅可以给自己理清思路，还可以造福大众，岂不美哉~       softmax经常被添加在分类任务的神经网络中的输出层，神经网络的反向传播中关键的步

转载 卷积神经网络中feature map的含义

卷积神经网络中feature map的含义      在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，

原创 c\c++中比较两个字符串或string对象是否相等

c\c++中比较两个字符串或string对象是否相等        在写程序的过程中，经常会遇到要比较两个字符串是否相等的情况。如果要比较的对象是char*字符串，则利用int strcmp(const char* s1,const char* s2)        当s1<s2时，返回为负数；        当s1==s2时，返回值= 0；        当s1>s2时，返回正数。 ...

原创 Part8.第15章：Transformer

Transformer与全连接前馈网络（FFN）、卷积神经网络（CNN）、循环神经网络（RNN）并称为深度学习的四大核心架构。

原创 Part7.第13-14章

原创 Part6.第12章

在进行NLP任务时，因为输入的是文本序列。文本是由多个词构成的，词是有意义的最小单元，所以。

原创 Part5.第10-11章：卷积神经网络

原创 两条工作经验

后续大家纷纷印证：留有“未完结的任务”会带来巨大的心理负担，就像电脑的内存被占满，影响后续工作的效率。这背后的核心，是“速度”和“责任感”——快速完成比完美缓慢更重要，遇到问题立刻解决，不给拖延留余地。大公司常常因为堆积的“烂摊子”失去客户信任，而创业公司在这方面的灵活敏捷是致胜关键。它要求你既是行动者，也是清理者，像对待“微故事”一样，每件事都有主角、对手、高潮和结局。如果你想成为一名“顶尖玩家”，这两条原则值得反复体会与践行。它们不仅塑造了高效的创业文化，也是一种“混乱管理”的实战智慧。

原创 信息量和信息熵

信息量越大-抽到这个结果的概率很低-不确定性越高-信息价值越高信息量：抽到当前事件带来的信息价值，一般是概率越小，带来的价值越大，这次抽样所能排除法的不确定也就越大信息熵：一个系统信息量的数学期望。一般一个系统的期望信息量越大，代表单次抽样抽到这个期望的概率很小，代表系统越混乱，不确定性越高。一个系统如果在样本种类确定的情况下，抽样概率越平均，信息熵越大，因为每次抽样结果都有最大的概率与其他几次不同，所以增大了抽样结果的不确定性信息的作用是消除不确定性。一句话的信息量和它能消除的不确定性有关。

原创 运筹学之整数规划之 分支定界 + 割平面法

运筹学之整数规划之 分支定界 + 割平面法，参考：https://zhuanlan.zhihu.com/p/1965719847984936778

原创 对于策略影响力小的线上AB实验，除了延长观察时间，还有哪些经验之谈？

T检验 背景 原理 还有 实际计算方式（来自文心一言）

原创 掌握机器学习算法及其关键超参数

深度理解并针对具体任务调整这些超参数，不仅能有效提升模型的泛化能力，还能避免过拟合或欠拟合问题。建议结合交叉验证和网格搜索等方法系统调优，助力精准建模。机器学习中，不同算法对应着各自关键的超参数，合理调优这些超参数是提升模型性能的关键。

原创 Part4.第8-9章：神经网络

如果没有激活函数，不论几层的神经网络都是一个线性回归。

原创 Part3.第7章

千万不要被逻辑回归里的“回归”误导，逻辑回归是一个问题的算法。通过上边的学习，我们知道一元逻辑回归模型的假设函数为：其中的w和b参数会对标准的Sigmoid函数曲线进行平移，翻转，缩放等。最终将输出映射到[0,1]。。这个Sigmoid函数叫做激活函数。这个非线性的函数我们就叫做激活函数。激活函数的作用就是在线性函数的基础上增加了非线性。

原创 Part2.第6章

PyTorch把对数据的存储和操作都封装在Tensor里。PyTorch里的模型训练的输入输出数据，模型的参数，都是用Tensor来表示的。Tensor在操作方面和NumPy的ndarray是非常类似的。不同的是Tensor还实现了像等PyTorch的核心功能。Tensor是PyTorch里对。：单个数，比如 torch.tensor(3.14)：一列数，比如 torch.tensor([1,2,3])：行列数据，比如 torch.tensor([[1,2],[3,4]])

转载 运筹学目前最具潜力或生命力的方向有哪些？

来自知乎：https://www.zhihu.com/question/648061702/answer/1948804735286085408

原创 Patr1.第1-5章

视频教程电子书在作者的教程附带的数据和源代码，在可供下载。

原创 算法工程师社招面试应该如何准备？

算法工程师社招面试应该如何准备？

转载 校招转正答辩突出什么样的能力更受青睐？

组里排第一的同学，来了做的第一个任务是让其做一个用户意图聚类，一开始mt给了一个方案，其实并不复杂，大模型抽取q，然后emb聚类，大模型总结和统一，反复进行，最后得到结果。现在的学生水平都很高，很快就做出来了。但是他自己聚类出来之后，人工check了所有数据，然后自己也不懂，无法评价好坏，其实mt只是要求他给聚类结果就行，但是他自己去把原始数据抽验了一遍，发现mt给的数据还不足以总结出客户真实的意图，于是自己设计了一个覆盖率评测标准，做了一版本评估，给出了数字告诉mt这个方案不可行，需要换数据方案。

原创 算法工作5年感想系列

从知乎上看到的文章，转载整理如下：（1）（2）（3）

转载 第一性原理

忽略现有经验、行业惯例的干扰，将问题拆解为无法再分割“基础要素”，再从这些要素出发，重新推导、构建解决方案。要理解第一性原理，核心是跳出 “经验类比” （一种通过参考已有的类似经验、先例或普遍做法来理解新问题、做出决策或预测结果的思维方式）的惯性，回归事物的底层本质，通过拆解基础要素、重构逻辑来解决问题。它并非否定经验，而是在经验失效、需要创新或突破时，提供 “从根上解决问题” 的思维工具。运用第一性原理思考，需遵循一个清晰的“破而后立”的过程，如下图所示：这个过程看似简单，实则反人性，因为它。

原创 双重机器学习DML介绍

正交化：通过残差化剥离协变量X的影响，确保T~ 和 Y~ 与X正交。交叉拟合：避免过拟合，提高估计的稳健性。Neyman正交性：对第一阶段模型偏误不敏感，保证无偏性。机器学习灵活性：支持非线性模型（如随机森林、神经网络），适应复杂数据结构。

原创 因果推断中的元学习器：T-learner、S-learner、X-learner

特性T-learnerS-learnerX-learner因果森林模型数量2个独立模型1个模型3个模型（初始+2残差）多棵决策树处理组不平衡敏感（小样本组效果差）鲁棒（共享参数）改进（残差加权）鲁棒（自动划分亚组）计算效率高（并行训练）高（单模型）中（分阶段训练）低（需多棵树）适用场景处理组/对照组均衡特征与T强相关处理组/对照组不均衡存在效应异质性典型库自定义实现econml/grf。

转载 逆概率加权（IPW）

参考：https://blog.youkuaiyun.com/xiang_gina/article/details/149710556

转载 作为40岁还在IT行业的你，会给30多岁的我什么建议？

本文转载自知乎，分别来自用户​和的回答。

转载 什么样的人一眼看去前途无量？

每个成年人貌似都在随着自己的心意做选择，但其实不是的，大多数人虽然脑子是自己的，但做决策的方式却是外界灌输的，看似是个人意志，实则是对外的无意识继承。这就是典型的没有自建价值体系，所以对待自己最宝贵的时间和心力资产是不重视的，会挥霍，缺乏目标，野心也只不过是膨胀过后的欲望，不是自己内心真正的渴求。你要是能搞定自己的身体，不乱造不自我毁灭，保持持久高效的战斗力，那生活中的一切挑战基本都算是鸡毛蒜皮。真正的强者，很擅长搞定自己的身体，精力是一切的起点，一个人事业前途的高度，约等于自我经营的能力的强度。

原创 RCT数据 vs 观测数据 vs A/B数据

通过严格的随机分配消除混杂变量，确保处理组与对照组在基线特征上均衡可比。研究者主动控制干预（如药物、政策）。示例：新药临床试验中，患者随机分入药物组或安慰剂组。验证干预效果（选RCT/A/B测试） vs. 探索自然关联（选观测数据）。

原创 ML+OR问题端到端优化

优化｜当机器学习上运筹学：PyEPO与端对端预测后优化。

原创 拉格朗日对偶

拉格朗日对偶及其若干要点的阐述与解说（并纠正李航《统计学习方法》书中的一处错误）

原创 pandas.DataFrame中axis参数

例如：df.sum(axis=0) 会对列 A 和列 B 分别求和，结果是 A=4, B=6。例如：df.sum(axis=1) 会对行 0 和行 1 分别求和，结果是 0=3, 1=7。明确axis=0与axis=1的区别和联系，

原创 【重点】【双指针】18.四数之和

【代码】【重点】【双指针】18.四数之和。

原创 【重点】【DP】174.地下城游戏

（2）骑士到达最后一格后，健康点数必须 ≥ 1；

原创 【重点】【DFS】1905. 统计子岛屿

step1.先把grid2中是陆地但grid1中是海洋的岛变成海洋。step2.再统计grid2中岛屿的数量。

原创 【DFS】695.岛屿的最大面积

【代码】【DFS】695.岛屿的最大面积。

原创 【DFS】1020.飞地的数量

跟题目完全相同的套路！

原创 【重点】【DFS】1254.统计封闭岛屿的数目

思路：先外后内，先遍历边界，再处理内部！

原创 【重点】【回溯】797.所有可能的路径

【代码】【重点】【回溯】797.所有可能的路径。

原创 O2O优惠券预测

seaborn.kdeplot() 是 Seaborn 库中用于绘制核密度估计图（Kernel Density Estimate Plot）的核心函数。stats.probplot 是 SciPy 库中用于生成概率图（Probability Plot）的核心函数，主要用于检验数据是否符合特定理论分布（如正态分布）。seaborn.regplot() 是 Seaborn 库中用于绘制回归分析图的核心函数，它通过散点图展示两个变量之间的关系，并叠加一条回归线（默认线性回归）以量化这种关系的趋势。

原创 【重点】【差分数组】1109.航班预订统计

重点是读懂题目，标准差分数组解法！