<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[鱼之天空的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/MHeartWGO</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; MHeartWGO]]></copyright><item><title><![CDATA[fabric查看区块链高度和区块内容]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/122144091</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/122144091</guid><author>MHeartWGO</author><pubDate>Sat, 25 Dec 2021 15:31:24 +0800</pubDate><description><![CDATA[参考博客1：https://blog.youkuaiyun.com/u013288190/article/details/103218141
参考博客2: https://shijianfeng.blog.youkuaiyun.com/article/details/103218294?spm=1001.2101.3001.6661.1&amp;utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.pc_relev]]></description><category></category></item><item><title><![CDATA[fabric一些错误的解决]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/122093030</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/122093030</guid><author>MHeartWGO</author><pubDate>Wed, 22 Dec 2021 19:23:48 +0800</pubDate><description><![CDATA[错误展示：
Error: endorsement failure during query. response: status:500 message:“make sure the chaincode mycc has been successfully instantiated and try again: chaincode mycc not found”
参考博客
https://blog.youkuaiyun.com/Xiao__FengFeng/article/details/115482636
该博客解决了]]></description><category></category></item><item><title><![CDATA[Mapreduce的工作原理]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/119519366</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/119519366</guid><author>MHeartWGO</author><pubDate>Wed, 11 Aug 2021 14:47:18 +0800</pubDate><description><![CDATA[参考博客1:

https://www.cnblogs.com/momo1210/p/10640407.html

参考博客2:

https://blog.youkuaiyun.com/weixin_30415113/article/details/95513113

Mapreduce从大的方面讲是分为Map，reduce这两块处理过程。

如果进行细致划分的话








...]]></description><category></category></item><item><title><![CDATA[爬虫爬取统计局地区信息的相关总结]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/118512496</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/118512496</guid><author>MHeartWGO</author><pubDate>Tue, 06 Jul 2021 09:15:03 +0800</pubDate><description><![CDATA[背景：公司需要更新地区表的相关信息，同时因为数据量有些多，所以希望采取爬从技术进行解决。

参考博客：

https://blog.youkuaiyun.com/Levy_96/article/details/72771638?spm=1001.2014.3001.5501

基本操作就是参考上面博客获得。

当时我的电脑mysql出现问题，所以不能将文件保存在数据库中，因此，在spider_main.py文件中将获得的数据保存为.npy格式。


print("开始保存")
np.save('province_url]]></description><category></category></item><item><title><![CDATA[Mac电脑上百度超级链多节点的布置]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/117933257</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/117933257</guid><author>MHeartWGO</author><pubDate>Tue, 15 Jun 2021 21:20:13 +0800</pubDate><description><![CDATA[前倾提要：

在Mac电脑上已经成功运行单节点的环境

参考资料：https://xuperchain.readthedocs.io/zh/latest/quickstart.html

就是百度chao ji
]]></description><category></category></item><item><title><![CDATA[波士顿房价预测]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/115468156</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/115468156</guid><author>MHeartWGO</author><pubDate>Tue, 06 Apr 2021 20:17:44 +0800</pubDate><description><![CDATA[波士顿房价预测是一个较为简单的数据回归问题，通过对已有数据的模拟，从而预测其他房子的房价。

我对项目的处理流程如下所示：

1 收集数据
2 分析目标并了解其重要特征
3 查找缺少的值
4 特征工程
5 将其他特征进行数据化
6 建模


import pandas as pd
import seaborn as sns 
#Seaborn是基于matplotlib的图形可视化python包
from scipy.stats import norm, skew
#scipy.stats.norm函数 可以]]></description><category></category></item><item><title><![CDATA[随机森林算法及其实现（Random Forest）]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/115261533</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/115261533</guid><author>MHeartWGO</author><pubDate>Sat, 27 Mar 2021 10:53:38 +0800</pubDate><description><![CDATA[传送门

https://blog.youkuaiyun.com/yangyin007/article/details/82385967


]]></description><category></category></item><item><title><![CDATA[论文杂笔]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/113760021</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/113760021</guid><author>MHeartWGO</author><pubDate>Mon, 08 Feb 2021 20:11:17 +0800</pubDate><description><![CDATA[本来想着，我读论文后，可以写出来比较完整的论文总结来给给位小伙伴看一下，但是发现自己的笔力还不够深厚，所以就只能随便写写了。

祸害的第一篇AccountTrade: Accountable Protocols for Big Data Trading Against Dishonest Consumers

因为我前面对于数据共享过程中的问题有了一些初步的思考，所以后面就看了这篇论文。

论文的开头讲的是随着大数据的出现，数据销售业务也正成为一项有前途的业务。所以就有了数据贸易平台。

###这里初步理.]]></description><category></category></item><item><title><![CDATA[区块链-共识算法之PBFT]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/113478728</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/113478728</guid><author>MHeartWGO</author><pubDate>Sun, 31 Jan 2021 15:56:47 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/wxblockchain1/article/details/103529904

http://www.360doc.com/content/18/0331/23/40769523_741898272.shtml

上述两个就可以了

先占个位置
]]></description><category></category></item><item><title><![CDATA[java-Mybatis初次实践-连接数据库]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/109638416</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/109638416</guid><author>MHeartWGO</author><pubDate>Thu, 12 Nov 2020 11:13:03 +0800</pubDate><description><![CDATA[——兜兜转转，我又双叒叕开始搞Java了

经过几年的变化，目前Java可以用Mybatis进行数据库的连接，当然也有可能是我前面不知道Mybatis。。。感觉自己好菜

昨天下午加上今天上午就看了五个视频，现在终于成功在IDEA上实现数据库的访问。

目前MyBatis给我的感觉就是一个封装器，将前面的各种内容分装起来，需要修改连接数据库的时候只需要重新定义类和修改数据库名称，其他保持不变。

目前呢是想记录一下我在这一天过程中遇到的所有坑，与诸君分享。

坑一：在初次创建Maven项目后，不论怎么改My]]></description><category></category></item><item><title><![CDATA[const与#define相比，区别和优点超详解总结！]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/108276525</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/108276525</guid><author>MHeartWGO</author><pubDate>Fri, 28 Aug 2020 11:32:34 +0800</pubDate><description><![CDATA[转载：https://blog.youkuaiyun.com/weibo1230123/article/details/81981384

一：区别


（1）就起作用的阶段而言： #define是在编译的预处理阶段起作用，而const是在 编译、运行的时候起作用。
（2）就起作用的方式而言： #define只是简单的字符串替换，没有类型检查。而const有对应的数据类型，是要进行判断的，可以避免一些低级的错误。
（3）就存储方式而言：#define只是进行展开，有多少地方使用，就替换多少次，它定义的宏常量在内存中有.]]></description><category></category></item><item><title><![CDATA[隐马尔可夫模型基本问题——概率计算问题详细讲解(转载)]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/107681011</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/107681011</guid><author>MHeartWGO</author><pubDate>Thu, 30 Jul 2020 08:30:14 +0800</pubDate><description><![CDATA[转载地址：https://blog.youkuaiyun.com/zhuqiang9607/article/details/83934961
]]></description><category></category></item><item><title><![CDATA[神经网络模型总结（转载）]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/107677468</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/107677468</guid><author>MHeartWGO</author><pubDate>Wed, 29 Jul 2020 23:20:38 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/silence-cho/p/11620863.html

在LeNet-5的图中400 * 120 是说有120个5 * 5 * 16的卷积核。


]]></description><category></category></item><item><title><![CDATA[安装相关问题]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106772141</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106772141</guid><author>MHeartWGO</author><pubDate>Mon, 15 Jun 2020 21:57:09 +0800</pubDate><description><![CDATA[原文链接https://blog.youkuaiyun.com/arthur_holmes/article/details/105095088?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-1

conda通过参数设置修改超时时间
]]></description><category></category></item><item><title><![CDATA[常用神经网络模型总结]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106598118</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106598118</guid><author>MHeartWGO</author><pubDate>Sun, 07 Jun 2020 10:08:19 +0800</pubDate><description><![CDATA[转载链接：https://blog.youkuaiyun.com/qq_24690701/article/details/81868048
]]></description><category></category></item><item><title><![CDATA[Tensorflow深度学习-自编码器]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106555401</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106555401</guid><author>MHeartWGO</author><pubDate>Thu, 04 Jun 2020 20:45:31 +0800</pubDate><description><![CDATA[前面我们介绍了在给出样本及其的标签的情况下，神经网络如何学习的算法，这类算 法需要学习的是在给定样本????下的条件概率????(????|????)。在社交网络蓬勃发展的今天，获取海量 的样本数据????，如照片、语音、文本等，是相对容易的，但困难的是获取这些数据所对应 的标签信息，例如机器翻译，除了收集源语言的对话文本外，还需要待翻译的目标语言文 本数据。数据的标注工作目前主要还是依赖人的先验知识(Prior Knowledge)来完成，如亚马 逊的Mechanical Turk系统专门负责数据标注业务]]></description><category></category></item><item><title><![CDATA[Tensorflow梯度相关，LSTM，GRU]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106538858</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106538858</guid><author>MHeartWGO</author><pubDate>Thu, 04 Jun 2020 18:14:21 +0800</pubDate><description><![CDATA[我们把梯度值接近于0的现象叫做梯度弥散(Gradient Vanishing)，把梯度值远大于1的 现象叫做梯度爆炸(Gradient Exploding)。梯度弥散和梯度爆炸是神经网络优化过程中间比 较容易出现的两种情况，也是不利于网络训练的。

????′=????−????∇????L

当出现梯度弥散时，∇????L ≈ 0，此时????′ ≈ ????，也就是说每次梯度更新后参数基本保持不变， 神经网络的参数长时间得不到更新，具体表现为L几乎保持不变，其它评测指标，如准确 度，也保持不变。当出现梯]]></description><category></category></item><item><title><![CDATA[Tensorflow过拟合与欠拟合]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106516283</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106516283</guid><author>MHeartWGO</author><pubDate>Wed, 03 Jun 2020 17:27:43 +0800</pubDate><description><![CDATA[由于真实数据的分布往往是未知而且复杂的，无法推断出其分布函数的类型和相关参 数，因此人们在选择学习模型的容量时，往往会根据经验值选择稍大的模型容量。但模型 的容量过大时，有可能出现在训练集上表现较好，但是测试集上表现较差的现象。

当模型的容量过大时，网络模型除了学习到训练集数据的模态之外，还把额外的观测 误差也学习进来，导致学习的模型在训练集上面表现较好，但是在未见的样本上表现不 佳，也就是模型泛化能力偏弱，我们把这种现象叫作过拟合(Overfitting)。当模型的容量过 小时，模型不能够很好地学习到训]]></description><category></category></item><item><title><![CDATA[Tensorflow导数梯度相关]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106497768</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106497768</guid><author>MHeartWGO</author><pubDate>Tue, 02 Jun 2020 19:20:11 +0800</pubDate><description><![CDATA[导数与梯度

不知道的同学可以再回去看看数学，其实数学还是很有用的。

在高中阶段，我们就接触到导数(Derivative)的概念，它被定义为自变量????产生一个微小 扰动∆????后，函数输出值的增量∆????与自变量增量∆????的比值在∆????趋于0时的极限????。

导数本身没有方向，偏导数本身也没有方向。

考虑本质上为多元函数的神经网络模型，比如shape为[784, 256]的权值矩阵????，它包 含了784 × 256个连接权值????，我们需要求出784 × 256个偏导数。需要注]]></description><category></category></item><item><title><![CDATA[Tensorflow油耗预测实战]]></title><link>https://blog.youkuaiyun.com/MHeartWGO/article/details/106492025</link><guid>https://blog.youkuaiyun.com/MHeartWGO/article/details/106492025</guid><author>MHeartWGO</author><pubDate>Tue, 02 Jun 2020 13:26:10 +0800</pubDate><description><![CDATA[加载数据


dataset_path = keras.utils.get_file("auto-mpg.data",
"http://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data")


命名数据表名称


column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight',
'Acceleration', 'Model Year'.]]></description><category></category></item></channel></rss>