<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u012524708的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u012524708</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u012524708]]></copyright><item><title><![CDATA[Mysql 数据库---索引]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80967023</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80967023</guid><author>u012524708</author><pubDate>Mon, 09 Jul 2018 11:02:53 +0800</pubDate><description><![CDATA[1、选择索引的数据类型

MySQL支持很多数据类型，选择合适的数据类型存储数据对性能有很大的影响。通常来说，可以遵循以下一些指导原则：

(1)越小的数据类型通常更好：越小的数据类型通常在磁盘、内存和CPU缓存中都需要更少的空间，处理起来更快。 
(2)简单的数据类型更好：整型数据比起字符，处理开销更小，因为字符串的比较更复杂。在MySQL中，应该用内置的日期和时间数据类型，而不是用字符串来存储...]]></description><category></category></item><item><title><![CDATA[Msql数据库---索引详解]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80942361</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80942361</guid><author>u012524708</author><pubDate>Fri, 06 Jul 2018 17:25:34 +0800</pubDate><description><![CDATA[Mysql 数据库—索引详解

MySQL索引原理及慢查询优化，这是看到的美团技术团队出的一篇关于mysql索引以及优化的文章感觉很不错。


Markdown和扩展Markdown简洁的语法
代码块高亮
图片链接和图片上传
LaTex数学公式
UML序列图和流程图
离线写博客
导入导出Markdown文件
丰富的快捷键






快捷键


加粗    Ctrl + B 
斜体    Ctrl...]]></description><category></category></item><item><title><![CDATA[python2和python3的差异]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80671949</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80671949</guid><author>u012524708</author><pubDate>Tue, 12 Jun 2018 22:10:35 +0800</pubDate><description><![CDATA[python2和python3的差异

核心类差异


Python3对Unicode字符的原生支持。Python2中使用 ASCII 码作为默认编码方式导致string有两种类型str和unicode，Python3只支持unicode的string。
Python3采用的是绝对路径的方式进行import。Python2中相对路径的import会导致标准库导入变得困难（想象一下，同一目录下有fi...]]></description><category></category></item><item><title><![CDATA[python PEP8规范]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80671804</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80671804</guid><author>u012524708</author><pubDate>Tue, 12 Jun 2018 21:59:10 +0800</pubDate><description><![CDATA[
括号中使用垂直隐式缩进或使用悬挂缩进 
缩进 
每级缩进用4个空格 
示例：




(垂直隐式缩进)对准左括号
def function_name(var_one,var_two,
                  var_three,var_four,)
不对准左括号，但是要比下面的代码内容多一层缩进以便和后面的内容区别开来
def function_name(var_one,var_tw...]]></description><category></category></item><item><title><![CDATA[解释型和编译型的区别]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80671553</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80671553</guid><author>u012524708</author><pubDate>Tue, 12 Jun 2018 21:40:24 +0800</pubDate><description><![CDATA[解释型和编译型的区别

解释型语言是什么？对比编译型语言有什么区别?

        ↓


python解释器种类及特点？

        ↓


python解释器的执行程序的流程?

        ↓


python解释器的常用参数命令


  编译型语言 
  　　编译型语言的程序只要经过编译器编译之后， 
  每次运行程序都可以直接运行，不需要再次’翻译’ 
  　　优点：执行速...]]></description><category></category></item><item><title><![CDATA[计算机视觉三大顶级会议]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80406640</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80406640</guid><author>u012524708</author><pubDate>Tue, 22 May 2018 15:40:38 +0800</pubDate><description><![CDATA[与所有其它学术领域都不同，计算机科学使用会议而不是期刊作为发表研究成果的主要方式。目前国外计算机界评价学术水平主要看在顶级学术会议上发表的论文。特别是在机器学习、计算机视觉和人工智能领域，顶级会议才是王道。（但中国目前的国情不同于国外，我国主要看在学术期刊上发表的SCI论文。这种“一切以SCI期刊为评价标准”的做法已有不少批评。）

会议论文比期刊论文更重要的原因是：（1）因为机器学习、计算机视觉...]]></description><category></category></item><item><title><![CDATA[Python充电时刻]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/80309371</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/80309371</guid><author>u012524708</author><pubDate>Mon, 14 May 2018 14:36:12 +0800</pubDate><description><![CDATA[参考文章Python导入自定义模块 
当在python程序中导入自定义模块时，若出现“Import Error:no module named xxx”表明系统在python的搜索路径（PYTHONPATH）中找不到该模块，需要把该模块添加到python的搜索路径中。

要用import mymodule导入自定义的模块，其必须在python的搜索路径中，一般有三种方法可以采用：

1.将你自定义...]]></description><category></category></item><item><title><![CDATA[深度学习调参]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79673008</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79673008</guid><author>u012524708</author><pubDate>Fri, 23 Mar 2018 21:36:54 +0800</pubDate><description><![CDATA[作者：Captain Jack 
链接：https://www.zhihu.com/question/25097993/answer/127472322 
来源：知乎 
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

深度学习 14. 深度学习调参，CNN参数调参，各个参数理解和说明以及调整的要领。underfitting和overfitting的理解，过拟合的解释

简短...]]></description><category></category></item><item><title><![CDATA[Keras 面向小数据集的图像分类（vgg）笔记]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79609118</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79609118</guid><author>u012524708</author><pubDate>Mon, 19 Mar 2018 16:58:22 +0800</pubDate><description><![CDATA[本文主要是在进行利用vgg16网络进行迁移学习过程当中遇到的一些问题，以及解决办法，有很多大牛的博客给我不少的帮助和思路，在此表示感谢。以下问参考文献以及链接 
keras面向小数据集的图像分类（VGG-16基础上fine-tune）实现 
vgg16 fine-tune代码实现 
keras系列︱图像多分类训练与利用bottleneck features进行微调（三） 
Building pow...]]></description><category></category></item><item><title><![CDATA[利用vgg预训练的情况下，已下载的权重存储位置]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79599420</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79599420</guid><author>u012524708</author><pubDate>Sun, 18 Mar 2018 12:11:25 +0800</pubDate><description><![CDATA[在做深度学习实验的时候，踩了很多坑。尤其是数据的加载，以及所下载权重，不知道存放在何处，导致加载模型时候，还是会从网上下载，不是遇到下载到一半因为网络原因中断，就是下载时间太长。虽然网上说的特简单，但在实际当中，因为对Linux命令不熟悉，还是摸索了好久。以下为具体操作过程： 
 
命令说明： 
“~/”表示的就是“/home/(你的用户名)/”这个目录。至于”.”表示linux下的隐藏文件。用终...]]></description><category></category></item><item><title><![CDATA[CNN中激活函数，优化器，损失函数的选择]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79579313</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79579313</guid><author>u012524708</author><pubDate>Fri, 16 Mar 2018 12:31:06 +0800</pubDate><description><![CDATA[一 激活函数 
关于激活函数的定义，该论文的作者有提到，激活函数的定义 
        如果没有激活函数，那么该网络仅能够表达线性映射，此时即便有再多的隐藏层，其整个网络跟单层神经网络也是等价的。因此也可以认为，只有加入了激活函数之后，深度神经网络才具备了分层的非线性映射学习能力。激活函数不是真的要去激活什么。在神经网络中，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地...]]></description><category></category></item><item><title><![CDATA[快速排序]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79556236</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79556236</guid><author>u012524708</author><pubDate>Wed, 14 Mar 2018 16:24:00 +0800</pubDate><description><![CDATA[看了大神的博客，讲的简单易懂，比单纯的看书容易理解，也容易掌握。下面附上：大神博客链接 
（最好是自己手写一遍） 
简单概括就是：挖坑填数+分治法

快速排序的思想为： 
    1.从数列中取出一个数作为基准数，一般是数组的第一个元素。 
    2.分区过程：将比基准数小的，放在左边；将比基准数大的，放在右边。 
    3.再对左右区间重复第二步。 
此处引用大神博客中的例子：


  

...]]></description><category></category></item><item><title><![CDATA[归并排序]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79546173</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79546173</guid><author>u012524708</author><pubDate>Tue, 13 Mar 2018 21:24:27 +0800</pubDate><description><![CDATA[白话经典算法系列之五 归并排序的实现

归并排序是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。

首先考虑下如何将二个有序数列合并。这个非常简单，只要从比较二个数列的第一个数，谁小就先取谁，取了后就在对应数列中删除这个数。然后再进行比较，如果有数列为空，那直接将另一个数列的数据依次取出即可。

//将有序数组a[]和b[]合...]]></description><category></category></item><item><title><![CDATA[哈希表]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79517790</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79517790</guid><author>u012524708</author><pubDate>Sun, 11 Mar 2018 16:58:10 +0800</pubDate><description><![CDATA[原文地址：哈希表原理详解

什么是哈希表？

哈希表（Hash table，也叫散列表），是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。

记录的存储位置=f(关键字)

这里的对应关系f称为散列函数，又称为哈希（Hash函数），采用散列技术将记录存储在一块...]]></description><category></category></item><item><title><![CDATA[TensorFlow实战+Google笔记（第三章）]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79447461</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79447461</guid><author>u012524708</author><pubDate>Sun, 11 Mar 2018 16:51:49 +0800</pubDate><description><![CDATA[TensorFlow入门 
1.计算图的概念 
    tensor：张量，可理解为多维数组，第n阶张量可以理解为一个n维数组；其在TensorFlow中的实现并不直接采用数组的形式，只是对TensorFlow中运算结果的引用。张量中并未真正保存数字，保存的是如何得到这些数字的过程。



a = tf.constant([1,2],name='a')
b = tf.constant([2.0,3...]]></description><category></category></item><item><title><![CDATA[maximum subarray problem]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/79493411</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/79493411</guid><author>u012524708</author><pubDate>Fri, 09 Mar 2018 11:09:59 +0800</pubDate><description><![CDATA[来源： 
维基百科对该问题的描述 
    在计算机科学中，求最大子序列和的问题，目的在于从一维数组a[1,2,…n]中找到连续的子序列，并且和最大。 
     
序列通常包含正负数以及0.。本问题有以下性质： 
1.序列元素均为非正数，所求为所有数相加后的最小值。 
2.序列元素均为非负数，所求为所有元素之和。 
3.序列非空 
4.允许多个不同的子序列，有相同的最大子序列之和。 
以下将讨论...]]></description><category></category></item><item><title><![CDATA[【机器学习】先验概率、后验概率、贝叶斯公式、 似然函数]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/78027891</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/78027891</guid><author>u012524708</author><pubDate>Tue, 19 Sep 2017 11:15:16 +0800</pubDate><description><![CDATA[一、先验概率、后验概率、贝叶斯公式、 似然函数 
原文链接： 
在机器学习中，这些概念总会涉及到，但从来没有真正理解透彻他们之间的联系。下面打算好好从头捋一下这些概念，备忘。 
1、先验概率先验概率仅仅依赖于主观上的经验估计，也就是事先根据已有的知识的推断，先验概率就是没有经过实验验证的概率，根据已知进行的主观臆测。如抛一枚硬币，在抛之前，主观推断P（正面朝上） = 0.5。2、后验概率后验概率是指]]></description><category></category></item><item><title><![CDATA[统计学习方法概论---（1）]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/78022534</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/78022534</guid><author>u012524708</author><pubDate>Mon, 18 Sep 2017 19:03:47 +0800</pubDate><description><![CDATA[最近在看李航的统计学方法这本书。之前第一次看得时候，看到公式以及叙述感觉很枯燥，随便翻了几页就搁置了。但前天（2017/09/16）又拿起这本书，首先是自己竟然能静下心看得进去，并且能理解，也能联想到吴恩达讲的机器学习内容。之前随手把笔记写在本子上，有一些不足就是易丢失，出门翻阅不方便，所以在八哥（八哥的博客，可以多来转转）的建议下，重新拾起优快云。慢慢把读书心得以及个人认为很有必要的知识点逐一记]]></description><category></category></item><item><title><![CDATA[61463]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/78022219</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/78022219</guid><author>u012524708</author><pubDate>Mon, 18 Sep 2017 18:22:46 +0800</pubDate><description><![CDATA[高斯判别分析(GDA)和朴素贝叶斯(NB) - 机器学习知识库
        
        
        
        
        
        
        
                
        
        
        
        
        
        
 
 
    .fine.addfine.isfine{]]></description><category></category></item><item><title><![CDATA[计算机端口]]></title><link>https://blog.youkuaiyun.com/u012524708/article/details/25414725</link><guid>https://blog.youkuaiyun.com/u012524708/article/details/25414725</guid><author>u012524708</author><pubDate>Fri, 09 May 2014 17:32:51 +0800</pubDate><description><![CDATA[69

计算机端口
编辑





计算机“端口”是英文port的义译，可以认为是计算机与外界通讯交流的出口。按端口号可分为3大类：公认端口（Well Known Ports）;注册端口（Registered Ports）;动态和/或私有端口（Dynamic and/or Private Ports）




目录

1概述

2端口定义

3端口分类
▪]]></description><category></category></item></channel></rss>