来自Daisy和她的单程车票

粗排-正负样本选取准则精排目的是在优中（用户感兴趣的商品中）择优（挑选用户最感兴趣的商品）、粗排从商品池子中挑选出用户感兴趣的商品，了解这一区分性后，对精排和粗排正负样本的选取便会采取不同方式【结论】文中指出：i 采用曝光未点击的样本直接作为负样本，比随机采样效果差；ii 仅仅采用hard negative策略（不加入easy negative），也比随机采样效果差（easy negative很有必要，easy ：hard negative=100：1），且采用上一轮模型结果101-500的样本进

关于调节学习率的几点建议1.对于不同大小的数据集，调节不同的学习率根据我们选择的成本函数F(x)不同，问题会有区别。当平方误差和（Sum of Squared Errors）作为成本函数时， ∂F(ωj)∂ωj\frac{∂F(ω_j)} { ∂ω_j} 会随着训练集数据的增多变得越来越大，因此学习率需要被设定在相应更小的值上。 解决此类问题的一个方法是将学习率λ 乘上1/N，N是训练集中数据量。

Dropout很形象的Dropout如图所示： 　关于Dropout，文章中没有给出任何数学解释，Hintion的直观解释和理由如下： 1. 由于每次用输入网络的样本进行权值更新时，隐含节点都是以一定概率随机出现，因此不能保证每2个隐含节点每次都同时出现，这样权值的更新不再依赖于有固定关系隐含节点的共同作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况。 2. 可以将dropout看

正则化(1) 正则化Regularization1) 正则化(Regularization)对参数w的影响 为了使LOSS’最小，w2部分要求w的值尽量平衡(why)，和LOSS共同影响w变化。 正则化中将保留所有的特征变量，但是会减小特征变量的数量级（参数数值的大小） 控制在两个不同的目标中的平衡关系。使得权重衰减！【说明】：LOSS’代表原始的代价函数，后面那一项就是L2正则化项，

【安装unbuntu16.04系统】 参考网址：http://wenku.baidu.com/link?url=cBpZc_AJ9ycwQeGnJrkwoy2TnrZmPqDyYP1sPFcoKGhqXHXFtbYBoGJy6bJ6_YKtaeJuCB52XnpBjG75y4ebdE2utgWUCt3zlODeZNHTQC_1.用老毛桃进入待装系统的电脑里面，将原来的分区删掉并【保存】！！！！然后

pycharm 远程调试[1] sudo su//进入根目录[2]pwd//看一下是否在根目录[3]docker ps //查看当前正在运行的docker， ps -a 所有的docker 无论是正在运行还是不在运行的//选择要启动的docker[4]docker start yu//启动名为yu的docker docker exec -it yu bash //进入名为yu的doc

Pycharm远程访问ssh【1】 打开pycharm的File 找到 setting 点击进入 在搜索框中搜索 project 然后找到project interpreter 进入 如图： 【2】点开形如设置图样的图标，然后选中add remote 点击进入，如下图所示： 【3】进入如下界面：选择 SSH Credentials、然后在HOST处输入需要访问的服务器的ip地址，用户名和

几种非线性激活函数介绍几种非线性激励函数(Activation Function)神经网络中，正向计算时，激励函数对输入数据进行调整，反向梯度损失。梯度消失需要很多方式去进行规避。1.1 Sigmoid函数表达式为： y(x)=sigmoid(x)=11+e−x,y(x)in(0,1)y(x) = sigmoid(x) = \frac{1}{{1 + {e^{ - x}}}},y(x) in

XGBoost ParametersGeneral Parameters1 booster defaultgbtree2 silent default03 nthread default to maximum number of threads available if not set4 num_pbuffer set automatically by xgboost no need to