qq_37831759的博客

指令操作1、转发ovs-ofctl add-flow br0 in_port=1,actions=output:22、洪泛ovs-ofctl add-flow br0 in_port=1,actions=flood3、in_port，即从入口转发回去ovs-ofctl add-flow br0 in_port=1,actions=in_port4、controllerovs-ofctl add-flow br0 in_port=1,actions=controller5、丢弃ov

mininet中默认使用ovs作为虚拟交换机，因此在mininet中同样可以使用ovs指令对交换机进行控制。在mininet的CLI中，使用sh便可以输入ovs指令ovs常用指令端口1、查看网桥和端口ovs-vsctl show2、添加/删除网桥ovs-vsctl add-br br0ovs-vsctl del-br br03、添加/删除端口ovs-vsctl add-port br0 eth1ovs-vsctl del-port br0 eth14、设置/清除网桥的open

简单过一遍python的基础内容，看看哪些是自己漏掉的基本变量类型字符串、数字、列表、字典、元组格式化字符串print('我的年龄%d'%10)print('我的年龄{}'.format(10))二进制&运算符bin(5)按位与a & b按位或a | b按位异或a ^ b按位反转~a左右移动<<a >>a十进制转ASCIIord(a)可变参数关键字* 和 ***传入的任意数量参数以元组的形式进入函数**传入

无向图模型团与最大团G中任何两个结点均有边连接的结点子集称为团，若C是G的一个团，并且不能再加进任何一个G的结点，称为最大团规范化因子保证P(Y)构成一个概率分布。全局马尔可夫性：给定随机变量组条件下随机变量组AB是独立的### 概率图的推理指数爆炸问题在最坏情况下是不可避免地任意的贝叶斯网络在不增加表示规模的情况下可以编码为一个马尔可夫网络核心是概率密度函数的求解MCMC和变分是两种方法...

深度学习课堂笔记概率图模型用概率来描述事物的不确定性有明确关系的用有向图，无明确关系用无向图贝叶斯网络：有向图马尔可夫场：无向图知识结构：概率图模型的表示主要解决的是如何在一个图上定义一个联合概率分布采用图的形式表示联合概率分布大大降低计算复杂度。条件独立性分解成不同因子的乘积推理计算：求边缘概率、求最大后验概率、求归一化因子和神经网络的关系神经网络中每个神经元看作一个二值随机变量，神经网络就变成了一个sigmoid信念网络图模型的变量一般有着明确的解释图模型一般是生成模型图模型

深度学习课堂笔记Alexnet特点：采用了ReLU激活函数1、计算简单2、反向传播计算容易3、不容易出现梯度发散问题4、很多隐层输出为0，使得网络稀疏5、某些节点坏死，始终输出为0（因为输出为0的节点没法更新权重）6、容易改变数据的分布（可以使用BN来缓解）Dropout技术有选择地忽视某些神经元，起到稀疏的作用最大池化技术（Maxpool）避免平均池化的模糊效果步长小于池化核大小批梯度下降数据扩充/增强翻转、平移、镜像、缩放，防止过拟合VGGNet网络层数增加到了16-

快排的原理：给定一段无序的数组，取它的第一个数为基准，设置两个指针指向开头和结尾，对于右指针high，它将会一直左移，它的值应该高于mid，在出现一个低于mid的数后，将这个数放到low的位置上，接下来low往右移直到某个数高于mid，将这个数放到high的位置。完成循环后，将low的位置放上mid。并对low两侧的数组继续进行快排。def quicksort(self,list,first,last): #快速排序 if first >= last:

今天的笔试中出现了一些不够熟悉的部分，做一下总结1、函数中默认的全局变量def foo(a,b,c): a += 1 b.append(1) c = c + [1]a是个整数，函数中的a是个局部变量，a的值不会变化b是列表，由于函数对列表进行了修改，这时b作为全局变量，b的列表内容发生了变化c是列表，但在这种写法下c仍然是个局部变量，如果写c + = [1]那么c的列表内容就会发生变化2、intersection这是set的一个方法，作用是求交集,set.inter

深度学习课堂笔记–卷积神经网络CNN经典模型网络层次越来越深，越来越复杂，模型效果越来越好卷积神经网络结构核心层：卷积层、池化层卷积层一维离散卷积：二维卷积：一个矩阵翻转后和另一个矩阵移位相乘卷积层的运算过程卷积层的目的是萃取出图片中的特征，识别边界卷积运算步长 stride：滤波器每次移动的步幅，一般为1，意味着滤镜逐个像素移动数据填充 padding：边缘数据不丢失实际的卷积中，卷积核具有长、宽、深三个维度核深度和图片的通道数一致输出的特征图数量（通道数）由卷积核个数决

深度学习课堂笔记基于动量的梯度下降二者区别在于，Nesterov会先更新一次参数自适应学习率算法学习率是难以设置的超参数。动量算法可以一定程度地缓解该问题，但又引入了另一个超参。AdaGrad算法学习率逐次下降。从训练开始时积累梯度平方导致学习率过早变小RMSProp算法累积梯度平方时做了指数加权平滑Adam算法结合了Momentum和RMSProp的优点深度学习中的调参参数：w和b超参数：学习率 迭代次数 隐层数目 单元数激活函数 批量大小 优化器 优化器参数优化方法：1、遍

深度学习课堂笔记 5.14深度学习存在的问题（1）参数过多，训练难度大（2）非凸优化问题，局部最优影响迭代（3）梯度消失or爆炸（4）参数解释困难（5）过拟合or欠拟合梯度消失or爆炸产生的原因：（1）BP法先天问题（2）初始权重带来的影响（3）激活函数选择不当（4）梯度流动带来的影响：网络结构本身的问题，如CNN（5）损失值过大带来的影响：数据集的问题，如标注不准等一：BP法是连乘，容易出现过大或者过小二：权重初始化不当造成梯度消失或者爆炸三：sigmoid和tan函数梯度消

2020.4.15，这是我人生中的第一次面试，虽然结果不那么好，但也反映出我存在的各种各样致命问题。我的研究方向是强化学习，确切来说是强化学习在路由方面的应用。由于个人原因，基本都是凭借着兴趣在自学，项目做的很简单，成了送命点。将遇到的各种问题都记录来，尽快做好准备吧。项目面试官（简称面）首先介绍了AI实验室研究的各种方向（图像、语义、强化学习），并问我想做的方向。我：强化学习。面：介...

Mininet基本操作拓扑测试创建一个简单拓扑mn如图创建了一个两个host，一个switcher，一个controller的简单拓扑网络查看节点nodes查看链路net输出各节点信息dump输出仿真主机信息h2 ifconfig节点连通实验h2 ping -c 3 h1全网互pingpingall调出终端xterm h1 h2退出ex...

python学习日志 10.9sk-learn估计器sklearn中进行特征工程时，大部分方法都是继承自转换器（transformer），需要先生成一个转换器实例，再调用fit_transform方法。常见的监督学习算法则是继承自估计器类（estimator），所以在化身调包侠的时候，需要先生成一个estimator实例，在调用fit方法进行学习生成模型。predict方法则是用生成的模型对...

python学习日志 10.8现在主要进行有关sk-learn的使用的学习，因此会将一些自己能够理解的概念或者重要的代码记录下来。归一化和标准化用于对数据进行无量纲化from sklearn.preprocessing import MinMaxScaler from sklearn.preprocessing import StandardScaler其中前一种方法对异常值敏感，而...

coach的学习日记Property装饰器一般来说可以通过._的方式来说明某个对象是受保护的。使用Property包装器可以使得对象的访问安全和方便。如下代码：class Person(object): def __init__(self, name, age): self._name = name self._age = age # 访...

coach的学习日记 2019.7.11首先恭喜我自己成为了一名辣鸡研究生！从今天开始要更加努力了呀！今天学习有关python的基础知识。python的优点在哪里？c++更贴近于机器，而python更贴近于人的思考方式。python的代码优雅精炼，可读性更高。分支语句python的分支语句和c++很相似，可以使用if、else、elif来实现// 分段函数x=float(input...

coach的学习日记 7.13小练习1寻找所有的水仙花数注：水仙花数即三位数中，每一位上数字的三次幂之和与这个数相同for i in range(100,1000): a=int(i/100) b=int(i%100/10) c=int(i%10) if pow(a,3)+pow(b,3)+pow(c,3) == i: print('%d 是水...