u010398493的专栏

For a undirected graph with tree characteristics, we can choose any node as the root. The result graph is then a rooted tree. Among all possible rooted trees, those with minimum height are called mini

CS231n简介CS231n的全称是CS231n: Convolutional Neural Networks for Visual Recognition，即面向视觉识别的卷积神经网络。该课程是斯坦福大学计算机视觉实验室推出的课程。需要注意的是，目前大家说CS231n，大都指的是2016年冬季学期（一月到三月）的最新版本。课程描述：请允许我们引用课程主页上的官方描述如下。

简单的说：首先，GBDT和RF都是集成方法中的经典模型，我们需要弄清楚下面几个问题： 1、GBDT是采用boosing方法，RF采用的是baggging方法 2、bias和variance是解释模型泛化性能的，其实还有噪声然后，理解GBDT和RF执行原理，其中GBDT中的核心是通过用分类器（如CART、RF）拟合损失函数梯度，而损失函数的定义就决定了在子区域内各个步

常见并发一致性问题包括：丢失的修改、不可重复读、读脏数据、幻影读（幻影读在一些资料中往往与不可重复读归为一类）。丢失修改下面先来看一个例子，说明并发操作带来的数据的不一致性问题。考虑飞机订票系统中的一个活动序列:甲售票点（甲事务）读出某航班的机票余额A,设A=16.乙售票点（乙事务）读出同一航班的机票余额A,也为16.甲售票点卖出一张机票,修改余额A←A-1.所以A为15,把A写回数据库.乙售票点

数据库中的三种完整性：域、实体、参照完整性转载▼关系的完整性主要包括域完整性、实体完整性和参照完整性三种。1．域（列）完整性       域完整性是对数据表中字段属性的约束，通常指数据的有效性,它包括字段的值域、字段的类型及字段的有效规则等约束，它是由确定关系结构时所定义的字段的属性决定的。限制数据类型,缺省值,规则,约束,是否可以为空,域完整性可以确保不会输入无效

最近接下来几篇博文会回到神经网络结构的讨论上来，前面我在“深度学习方法（五）：卷积神经网络CNN经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning”一文中介绍了经典的CNN网络结构模型，这些可以说已经是家喻户晓的网络结构，在那一文结尾，我提到“是时候动一动卷积计算的形式了”，原因是很多工作证明了，在基本的CNN卷积计算模式之外，很多简化

关于卷积神经网络CNN，网络和文献中有非常多的资料，我在工作/研究中也用了好一段时间各种常见的model了，就想着简单整理一下，以备查阅之需。如果读者是初接触CNN，建议可以先看一看“Deep Learning（深度学习）学习笔记整理系列”中关于CNN的介绍[1]，是介绍我们常说的Lenet为例，相信会对初学者有帮助。Lenet，1986年Alexnet，2012年GoogleNet，20

1.Bloom filter适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集基本原理及要点：对于原理来说很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关

编程人员经常误用各个集合类提供的拷贝构造函数作为克隆List，Set，ArrayList，HashSet或者其他集合实现的方法。需要记住的是，Java集合的拷贝构造函数只提供浅拷贝而不是深拷贝，这意味着存储在原始List和克隆List中的对象是相同的，指向Java堆内存中相同的位置。增加了这个误解的原因之一是对于不可改变集合的浅克隆。由于不可变性，即使两个集合指向相同的对象是可以的。字符串池包含的

ava中一般有两种随机数，一个是Math中random()方法，一个是Random类。 一、Math.random()随即生成0实例：如何写，生成随机生成出0~100中的其中一个数呢？    Math.random()返回的只是从0到1之间的小数，如果要50到100，就先放大50倍，即0到50之间，这里还是小数，如果要整数，就强制转换int，然后再加上50即为50~100.

最近学习到StringBuffer，心中有好些疑问，搜索了一些关于String，StringBuffer，StringBuilder的东西，现在整理一下。关于这三个类在字符串处理中的位置不言而喻，那么他们到底有什么优缺点，到底什么时候该用谁呢？下面我们从以下几点说明一下　　1.三者在执行速度方面的比较：StringBuilder >  StringBuffer  >  String

1.用Verilog语言定义数组这里的内存模型指的是内存的行为模型。Verilog中提供了两维数组来帮助我们建立内存的行为模型。具体来说，就是可以将内存宣称为一个reg类型的数组，这个数组中的任何一个单元都可以通过一个下标去访问。这样的数组的定义方式如下：reg [wordsize : 0] array_name [0 : arraysize];      例如：r

一、C4.5 C4.5，是机器学习算法中的一个分类决策树算法， 它是决策树(决策树也就是做决策的节点间的组织方式像一棵树，其实是一个倒树)核心算法 ID3的改进算法，所以基本上了解了一半决策树构造方法就能构造它。 决策树构造方法其实就是每次选择一个好的特征以及分裂点作为当前节点的分类条件。C4.5相比于ID3改进的地方有： 1、用信息增益率来选择属性。 ID3选择属

子类不可以继承父类的构造方法，只可以调用父类的构造方法。子类中所有的构造函数都会默认访问父类中的空参数构造函数，这是因为子类的构造函数内第一行都有默认的super（）语句。super（）表示子类在初始化时调用父类的空参数的构造函数来完成初始化。一个类都会有默认的空参数的构造函数，若指定了带参构造函数，那么默认的空参数的构造函数，就不存在了。这时如果子类的构造函数有默认的super（）语句，那么就会

package com.cj.algorithm;import java.util.ArrayList;import java.util.List;public class LowestCommonAncestorofaBinaryTree {/*** @param args*/public static void main(String[] a

/** Write a program to check whether a given number is an ugly number.Ugly numbers are positive numbers whose prime factors only include 2, 3, 5. For example, 6, 8 are ugly while 14 is not ugl

Residual Learning(zz)" style="margin:5px auto; padding:0px; border:0px; list-style:none; vertical-align:middle; display:block; max-width:100%; height:auto; color:rgb(68,68,68)">Residual Learning(z