<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[liushui94的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/liushui94</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; liushui94]]></copyright><item><title><![CDATA[设计模式--01策略模式]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/103443762</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/103443762</guid><author>liushui94</author><pubDate>Sun, 08 Dec 2019 12:54:04 +0800</pubDate><description><![CDATA[案例来自--Head First设计模式

1.最初项目需求是：

设计鸭子模拟游戏，有不同的鸭子，红头鸭，绿头鸭。鸭子都会呱呱叫，但是外表不同
--设计思路
----肯定是使用面向对象的设计思路，设计一个鸭子超类，外表设计为抽象方法

2.后来项目需求改了

需要鸭子会飞，并且鸭子有可能是橡皮玩具鸭，会叫不会飞；诱饵鸭，不会叫不会飞
--设计思路
----在超类里增加会飞的动作，这样的话每个鸭子...]]></description><category></category></item><item><title><![CDATA[个人知识管理]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/98244548</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/98244548</guid><author>liushui94</author><pubDate>Fri, 02 Aug 2019 21:54:08 +0800</pubDate><description><![CDATA[1 引出

1.1三大挑战

信息经济 2.信息爆炸 3.年龄身体素质
1.2时代特点

易变性 2.不确定性 3.复杂性 4.模糊性
1.3最焦虑的是什么

怕被淘汰却没时间学习

1.4如何解决？

个人知识管理，实现终身成长

但是碎片化的知识是没有生产力的。
	信息不等于知识，经验也不等于知识
	知识是把经验进一步规则化的提炼
	只要对过去经历的事情加以反思，学习就发生了。


2.四部曲...]]></description><category></category></item><item><title><![CDATA[从RNN到LSTM--公式描述]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/90049933</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/90049933</guid><author>liushui94</author><pubDate>Fri, 10 May 2019 01:31:24 +0800</pubDate><description><![CDATA[好久没写博客了，近几天重新看LSTM，发现有很多细节之前没有理解到位，并且至今有一些疑惑。接下来从RNN谈起，利用公式描述，并结合tensorflow函数说明两个容易混淆的细节。之后讲解LSTM，主要参考自大神Alex Graves论文《supervised sequence labelling with recurrent neural networks》，同时加上自己的理解，如果不对，请大家指...]]></description><category></category></item><item><title><![CDATA[在Flask框架下解决Tensorlfow模型加载无效问题]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/84931258</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/84931258</guid><author>liushui94</author><pubDate>Sun, 09 Dec 2018 20:03:49 +0800</pubDate><description><![CDATA[在Flask框架下，加载tensrflow模型会出现如下错误

&quot;The name 'encoder_inputs' refers to an Operation not in the graph.&quot;

原因在于tf模型与flask并不在同一个线程中。解决方案参考tf官网给出的：

 

tf.get_default_graph

Defined in tensorflow/python/fram...]]></description><category></category></item><item><title><![CDATA[leetcode NO.2--两数相加]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/81175308</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/81175308</guid><author>liushui94</author><pubDate>Mon, 23 Jul 2018 21:39:23 +0800</pubDate><description><![CDATA[题目描述：

给定两个非空链表来表示两个非负整数。位数按照逆序方式存储，它们的每个节点只存储单个数字。将两数相加返回一个新的链表。

你可以假设除了数字 0 之外，这两个数字都不会以零开头。

 

示例：


输入：(2 -&amp;gt; 4 -&amp;gt; 3) + (5 -&amp;gt; 6 -&amp;gt; 4)
输出：7 -&amp;gt; 0 -&amp;gt; 8
原因：342 + 465 = 807


class L...]]></description><category></category></item><item><title><![CDATA[python解析owl文件]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/80219933</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/80219933</guid><author>liushui94</author><pubDate>Sun, 06 May 2018 23:13:41 +0800</pubDate><description><![CDATA[参考网站：http://rdflib.readthedocs.io/en/stable/

# -*- coding: utf-8 -*-
import rdflib
import re
from rdflib import Namespace,RDF


# q = &quot;select ?Subject ?Object where { ?Subject &amp;lt;http://www.w3.org/1...]]></description><category></category></item><item><title><![CDATA[tensorflow的几种参数初始化方法]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78947956</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78947956</guid><author>liushui94</author><pubDate>Mon, 01 Jan 2018 22:36:40 +0800</pubDate><description><![CDATA[在tensorflow中，经常会遇到参数初始化问题，比如在训练自己的词向量时，需要对原始的embeddigs矩阵进行初始化，更一般的，在全连接神经网络中，每层的权值w也需要进行初始化。 
tensorlfow中应该有一下几种初始化方法1.  tf.constant_initializer() 常数初始化
2.  tf.ones_initializer() 全1初始化
3. tf.zeros_init]]></description><category></category></item><item><title><![CDATA[LR模型（逻辑回归模型）]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78882508</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78882508</guid><author>liushui94</author><pubDate>Sat, 23 Dec 2017 22:11:16 +0800</pubDate><description><![CDATA[1.逻辑回归模型

按照音译logistic regression应该是逻辑斯蒂回归，太难听了，就简称逻辑回归吧。



1.1 二项逻辑回归模型

二项逻辑回归模型是一种二分类模型，尽管它叫“回归”。 
模型如下： 
P(Y=1|x)=e(w⋅x+b)1+e(w⋅x+b)....(1)P(Y=1|x)=\frac{e^{(w\cdot x+b)}}{1+e^{(w\cdot x+b)}}....]]></description><category></category></item><item><title><![CDATA[决策树原理与python实现]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78820861</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78820861</guid><author>liushui94</author><pubDate>Sat, 16 Dec 2017 21:09:59 +0800</pubDate><description><![CDATA[总述决策树（decision tree）是一种分类与回归方法。在分类过程中可以理解为基于特征对实例进行分类，也可以认为是if else的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。决策树学习过程通常包括三个步骤：（1）特征选择   （2）决策树的生成    （3）决策树的剪枝。决策树常用算法有ID3(Iterative Dichotomiser 3 迭代二叉树三代)、C4.5、CART]]></description><category></category></item><item><title><![CDATA[切分训练集与测试集]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78763893</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78763893</guid><author>liushui94</author><pubDate>Sun, 10 Dec 2017 11:40:51 +0800</pubDate><description><![CDATA[#coding:utf-8import randoma = [1,2,3,4,5]
random.shuffle(a)
print(a)
# 直接对a操作，进行洗牌
>>>
[3,2,4,5,1]]]></description><category></category></item><item><title><![CDATA[newcoder在线编程3--电话号码分身]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78705249</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78705249</guid><author>liushui94</author><pubDate>Sun, 03 Dec 2017 23:01:39 +0800</pubDate><description><![CDATA[题目描述 
继MIUI8推出手机分身功能之后，MIUI9计划推出一个电话号码分身的功能：首先将电话号码中的每个数字加上8取个位，然后使用对应的大写字母代替 （”ZERO”, “ONE”, “TWO”, “THREE”, “FOUR”, “FIVE”, “SIX”, “SEVEN”, “EIGHT”, “NINE”）， 然后随机打乱这些字母，所生成的字符串即为电话号码对应的分身。输入描述: 
第一行是]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯法(Naive Bayes)]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78698599</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78698599</guid><author>liushui94</author><pubDate>Sat, 02 Dec 2017 21:47:23 +0800</pubDate><description><![CDATA[综述朴素贝叶斯法是基于贝叶斯定理与条件独立假设的分类方法。 
首先要知道一些基本统计学的知识： 
1、条件概率 
2、联合概率 
3、独立性 
4、独立同分布 
5、贝叶斯定理 
定理公式不好敲，这里偷懒就不写了，查看概率论的书，就知道了。代码实现版本1：DIY版本# coding:utf-8import numpy as npX = np.array([[1,1],[1,2],[1,2],[1,1]]></description><category></category></item><item><title><![CDATA[k近邻法]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78630954</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78630954</guid><author>liushui94</author><pubDate>Sat, 25 Nov 2017 15:58:02 +0800</pubDate><description><![CDATA[1.综述k近邻法（k-nearest neighbor,kNN）是一种基本的分类与回归方法。接下来只叙述分类方法。kNN是一种多分类的方法，没有显示的学习过程，它是利用训练数据集对特征向量空间进行划分，作为分类的模型。 
kNN描述：给定训练数据集，对于新输入的实例，在训练数据集中找到与该实例最近的kk个实例，这kk个实例的多数属于某类，就认为这个是实例是这个类的。 
kNN的三个基本要素是：k值的]]></description><category></category></item><item><title><![CDATA[感知机学习总结]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78513478</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78513478</guid><author>liushui94</author><pubDate>Sun, 12 Nov 2017 18:15:49 +0800</pubDate><description><![CDATA[总述

感知机是一种线性二分类模型，它属于判别模型。感知机学习旨在求出将训练集进行线性划分的超平面。损失函数采用误分类的损失函数，使用梯度下降算法进行对损失函数最小化。感知机是神经网络与SVM的基础。 
刚刚提到判别模型，什么是判别模型？ 
- 判别模型&生成模型 
- 判别模型：由数据直接学习决策函数f(X)f(X)或者条件概率分布P(Y|X)P(Y|X)作为预测的模型。判别模型关系的是对于给定]]></description><category></category></item><item><title><![CDATA[LTP分词与词性标注（使用用户词典）]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78512835</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78512835</guid><author>liushui94</author><pubDate>Sun, 12 Nov 2017 16:53:07 +0800</pubDate><description><![CDATA[#coding:utf-8from pyltp import Segmentor
from pyltp import Postaggerdef read_and_seg_pos(file_dir):
    segmentor = Segmentor()
    postagger = Postagger()
    segmentor.load_with_lexicon("模型地址/cws.mod]]></description><category></category></item><item><title><![CDATA[ubuntu16.04安装cuda8.0+cuDNN6.0+tensorflow1.4配置过程]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78510115</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78510115</guid><author>liushui94</author><pubDate>Sun, 12 Nov 2017 09:47:48 +0800</pubDate><description><![CDATA[ubuntu16.04安装cuda8.0 cuDNN6.0 tensorflow1.4配置过程]]></description><category></category></item><item><title><![CDATA[Python函数记录]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78471496</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78471496</guid><author>liushui94</author><pubDate>Tue, 07 Nov 2017 19:35:59 +0800</pubDate><description><![CDATA[1、collections模块 
collections模块是一个很有用的模块，目前用到了里面的Counter与deque1.Counter()实现计数功能
#coding:utf-8
import collectionsa = ["a","b","a","a","b","c","d"]
b = collections.Counter(a).most_common(6)
print b>>>[('a]]></description><category></category></item><item><title><![CDATA[Python字符串处理函数记录]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78460752</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78460752</guid><author>liushui94</author><pubDate>Mon, 06 Nov 2017 19:11:40 +0800</pubDate><description><![CDATA[1、 s.strip() 
s.strip()的作用是去除前后两边的空白符(包括换行符)#coding:utf-8
a = "  abc  daaa  "
a = a.strip()
print a>>>abc  daaa
#结论：s.strip()的作用是去除前后两边的空白符(包括换行符)2、s.join(b) 
用s将b分隔开来#coding:utf-8
str_1 = "-"
a = "abc]]></description><category></category></item><item><title><![CDATA[LTP词性标注]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78419309</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78419309</guid><author>liushui94</author><pubDate>Wed, 01 Nov 2017 22:00:15 +0800</pubDate><description><![CDATA[LTP词性标注]]></description><category></category></item><item><title><![CDATA[Git与GitHub的使用--上传文件与文件夹]]></title><link>https://blog.youkuaiyun.com/liushui94/article/details/78387086</link><guid>https://blog.youkuaiyun.com/liushui94/article/details/78387086</guid><author>liushui94</author><pubDate>Sun, 29 Oct 2017 19:05:55 +0800</pubDate><description><![CDATA[将文件夹上传到github上，仅仅是一个命令的事情。这里不记录如何创建账户，如何设置SSH Key，如何新建一个仓库等前期准备工作。主要步骤：1. 进入一个非空的文件夹下，初始化本地仓库git init2. 设置名称与邮箱git config --global user.name "liuXXXX"
git config --glo]]></description><category></category></item></channel></rss>