路上

        从第一次接触计算机编程已经五年多了,学过各种语言,当然最钟情的还是C。

        想当年高中的时候,得知班上有一个同学会编程,顿时无比的崇拜他,每天都觉得他金光闪闪。那时候没有电脑,要想接触电脑也只有上计算机基础课时摸一摸电脑,也只能上上网,偶尔玩一下XP下的纸牌游戏,那时候傻的不会打字、不会看电影。到了大学二年级才拥有了自己的第一台计算机--笔记本。还清晰的记得那时候看见自己心爱的笔记本是多么的新,就连刚装系统的XP桌面都喜爱的不得了。买过来第一件事不是编程!现在还觉得很内疚,我第一件事竟然不是编程,而是装游戏--红警。这也就决定了我今后三年是怎么度过的,也决定了我没有很高的加权成绩,也决定了我不能保研,也决定了我会玩游戏,疯狂地玩游戏,而且一定要玩的好。这让我将高中的努力抛之脑后,将曾经的青春誓言忘之一干二净。当我回首时,已发现自己挂过科,加权已在80以下,保研再无机会,于是走上了考研的路上。也许是自己没有完全落下学习,也许是自己的基础还在,考研压力不大,数学基础非常好,于是我选择了计算机。任何时候回头都不晚,人生难免会有叉路,会有诱惑陷阱,希望自己能坚定地走下去。

       在我打游戏的同时,我也会去自学编程,C基础打的比较扎实,写代码很少会出错。数学学的好,数据结构也没有压力。因此在班上我会帮别人做编程课设,我会在别人还忙的不可开交的时候,轻松玩我的游戏,也会在提交最后几天时解决同学的燃眉之急。大学我觉得自己是个失败者,可能也受旁边同学的影响,从来没有自己主动去参加编程比赛。只参加了自己学院开的C语言编程大赛,由于自己做的很另类,那时候不知道编程的核心不在界面,而去自己想方法将16色的显示扩为256色,更扩展为24位,调用C语言其他库,虽然比16色漂亮,但现在觉得还是16色简洁、快最好。虽然我知道界面对于用户者非常重要,有些时候也是决定一个软件能否继续走下去的关键,但现在我认为对于一个编程人员界面就不是自己的工作,实现的功能和软件的健壮性才最重要的。

       刚开始学的时候,由于维持自己的自信心,只关注小程序,然而后来越来越多的大程序出现在我们的视野,看别人的代码成为了一种必须做的事情。很多的时候,自己看了一个源文件就看不下去了,然后就开始心浮气燥,以后就不想再看了,就会想玩游戏或者看电影。很多时候会想到三国主题曲中的“青山依旧在,几度夕阳红”,代码还在那你看不看他依旧在那。现在觉得戒娇戒燥是我们年轻人最应该学习的事情,修身养性一直都是我要修的功课啊。

       路漫漫而修远长,吾将上下而求索。

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值