shanghai_in_summer

非归一化统计模型的噪声对比估计（NCE，Noise-Contrastive Estimation）（一）

1、介绍

本文介绍一种“参数化密度函数”的估计方法。

设样本 $X=(\boldsymbol{x}_1,...,\boldsymbol{x}_{T_d})$ 服从一个未知的概率密度函数（pdf），其中 $\vec{x}\in \mathbb{R}^n$ 。使用参数化函数族 $\{p_m(.;\boldsymbol{\theta})\}$ 来模拟，其中 $\boldsymbol{\theta}$ 为参数向量。通常假设属于这一函数族，即 $p_d(.)=p_m(.;\boldsymbol{\theta}^*)$ 。 $\boldsymbol{\theta}^*$ 的任何估计 $\hat{\boldsymbol{\theta}}$ 必须满足如下两个限制条件：

$\int{p_m(\boldsymbol{u};\boldsymbol{\hat{\boldsymbol{\theta}}})} =1,\qquad p_m(.;\hat{\boldsymbol{\theta}})\geqslant 0 \qquad (1)$

如果对于所有 $\boldsymbol{\theta}$ 来说（不只是 $\hat{\boldsymbol{\theta}}$ ）， $p_m(.;\boldsymbol{\theta})$ 都满足上述两个限制条件，则称模式为“归一化的”，最大似然方法可以用来估计 $\boldsymbol{\theta}$ 。如果 $p_m(.;\boldsymbol{\theta})$ 仅满足非负的条件而不满足正则化的条件，则称模型为“非归一化的”。设模型 $p^0_m(.;\boldsymbol{\alpha})$ 非归一化，分区函数 $Z(\boldsymbol{\alpha})$ 为

$Z(\boldsymbol{\alpha})=\int{p^0_m(\boldsymbol{u};\boldsymbol{\alpha})}d\boldsymbol{u} \qquad(2)$

分区函数可以用来将非归一化模型 $p^0_m(.;\boldsymbol{\alpha})$ 转化为归一化模型： $p^0_m(.;\boldsymbol{\alpha})/Z(\boldsymbol{\alpha})$ 。本文中，我们提出一种新的估计非归一化模型的方法。主要思想是将，或者不再视为 $\boldsymbol{\alpha}$ 的一个函数，而是模型的附加参数。即

$\ln{p_m(.;\boldsymbol{\theta})}=\ln{p^0_m(.;\boldsymbol{\alpha})}+c$

这里 $\boldsymbol{\theta}=(\boldsymbol{\alpha},c)$ 。估计 $\hat{\boldsymbol{\theta}}=(\hat{\boldsymbol{\alpha}},\hat{c})$ 使得 $p^0_m(.;\hat{\boldsymbol{\alpha}})$ 的形状和的相同，而 $\hat{c}$ 的作用是对其进行缩放，这样式（1）就成立了。

2、噪声对比估计（NCE，Noise-Contrastive Estimation）

2.1 通过对比来估计概率密度函数

设“参考（噪声）样本”为 $Y=(\boldsymbol{y}_1,...,\boldsymbol{y}_{T_n})$ ，其中 $\boldsymbol{y}_i\in\mathbb{R}^n$ ，该样本服从概率密度函数，样本可以由比值来对比描述。若和已知的话，我们可以由它们来获取。

设 $U=(\boldsymbol{u}_1,..., \boldsymbol{u}_{T_d+T_n}, )$ 为和的合并，我们给中的每一个元素 $\boldsymbol{u}_t$ 分配一个类别标签，如果 $\boldsymbol{u}_t\in X$ ，则，如果 $\boldsymbol{u}_t\in Y$ ，则。我们用 $p_m(.;\boldsymbol{\theta})$ 来模拟，则条件概率密度函数为

$p(\boldsymbol{u}|C_t=1;\boldsymbol{\theta})=p_m(\boldsymbol{u};\boldsymbol{\theta}), \qquad \qquad p(\boldsymbol{u}|C=0)=p_n(\boldsymbol{\boldsymbol{u}})$

先验概率为 $P(C=1)=T_d/(T_d+T_n), \quad P(C=0)=T_n/(T_d+T_n)$ ，后验概率为

$P(C=1|\boldsymbol{u};\boldsymbol{\theta})=\frac{p_m(\boldsymbol{u};\boldsymbol{\theta})}{p_m(\boldsymbol{u};\boldsymbol{\theta})+vp_n(\boldsymbol{u})}, \quad P(C=0|\boldsymbol{u};\boldsymbol{\theta})=\frac{vp_n(\boldsymbol{u})}{p_m(\boldsymbol{u};\boldsymbol{\theta})+vp_n(\boldsymbol{u})} \qquad \qquad (3)$

其中。令 $h(\boldsymbol{u};\boldsymbol{\theta})=P(C=1|\boldsymbol{u};\boldsymbol{\theta})$ 。设

$G(\boldsymbol{u};\boldsymbol{\theta})=\ln p_m(\boldsymbol{u};\boldsymbol{\theta})-\ln p_n(\boldsymbol{u}) \qquad \qquad \qquad \qquad \qquad (4)$

则

$h(\boldsymbol{u};\boldsymbol{\theta})=r_v(G(\boldsymbol{u};\boldsymbol{\theta})) \qquad \qquad \qquad \qquad \qquad \qquad \qquad (5)$

其中

$r_v(u)=\frac{1}{1+v\exp{(-u)}} \qquad \qquad \qquad \qquad \qquad \qquad \qquad (6)$

则似然函数为

$l(\boldsymbol{\theta})=\sum_{t=1}^{T_d+T_n}{C_t\ln{P(C_t=1|\boldsymbol{u}_t;\boldsymbol{\theta})}+(1-C_t)\ln{P(C_t=0|\boldsymbol{u}_t;\boldsymbol{\theta})}} \\ \qquad =\sum_{t=1}^{T_d}{\ln{[h( \boldsymbol{x}_t;\boldsymbol{\theta})]}}+\sum_{t=1}^{T_n}{\ln[{1-h(\boldsymbol{y}_t;\boldsymbol{\theta})}]} \qquad \qquad \qquad (7)$

2.2 估计器的定义

在1中，我们介绍了 $\ln{p_m(.;\boldsymbol{\theta})}=\ln{p^0_m(.;\boldsymbol{\alpha})}+c$ ，其中 $\boldsymbol{\theta}=(\boldsymbol{\alpha}, c)$ ，用来放缩非归一化模型 $p^0_m(.;\boldsymbol{\alpha})$ ，这样式（1）能够成立。的估计值 $\hat{c}$ 是对 $\ln{1/Z(\hat{\boldsymbol{\alpha}})}$ 的一个估计。估计器 $\hat{\boldsymbol{\theta}}_T$ 能够使

$J_T(\boldsymbol{\theta})=\frac{1}{T_d}\left \{ \sum_{t=1}^{T_d}{\ln{[h(\boldsymbol{x}_t;\boldsymbol{\theta})]}} + \sum_{t=1}^{T_n}\ln{[1-h(\boldsymbol{y}_t;\boldsymbol{\theta})]} \right \} \qquad \qquad (8)$

达到最大，上式也可以写为

$J_T(\boldsymbol{\theta})=\frac{1}{T_d}\sum_{t=1}^{T_d}{\ln{[h(\boldsymbol{x}_t;\boldsymbol{\theta})]}} + v\frac{1}{T_n}\sum_{t=1}^{T_n}\ln{[1-h(\boldsymbol{y}_t;\boldsymbol{\theta})]} \qquad \qquad (9)$

注意 $h(.;\boldsymbol{\theta})\in (0,1)$ ，当 $G(.;\boldsymbol{\theta})\rightarrow -\infty$ 时， $h(.;\boldsymbol{\theta})$ 达到0，当 $G(.;\boldsymbol{\theta})\rightarrow \infty$ 时， $h(.;\boldsymbol{\theta})$ 达到1。的上界为0，对于所有，当 $h(\boldsymbol{x}_t;\boldsymbol{\theta})$ 和 $h(\boldsymbol{y}_t;\boldsymbol{\theta})$ 分别趋近于1和0时，能达到上界。因此最优估计参数 $\hat{\boldsymbol{\theta}}_T$ 使得“对于所有 $\boldsymbol{u}_t \in X$ ， $G(\boldsymbol{u}_t;\hat{\boldsymbol{\theta}}_T)$ 尽可能的大；对于所有 $\boldsymbol{u}_t \in X$ ， $G(\boldsymbol{u}_t;\hat{\boldsymbol{\theta}}_T)$ 尽可能的小”。

2.3 估计器的特征

我们刻画当样本量很大，并且比值固定时的估计器 $\hat{\boldsymbol{\theta}}_T$ 的特征。根据弱大数定理，当趋近于无穷大时， $J_T(\boldsymbol{\theta})$ 依概率收敛于，为

$J(\boldsymbol{\theta})=E\left\{\ln{[h(\boldsymbol{x};\boldsymbol{\theta})]} \right\} + vE\left\{\ln{[1-h(\boldsymbol{y};\boldsymbol{\theta})]} \right\} \qquad \qquad \qquad (10)$

设 $f_m(.)=\ln{p_m(.;\boldsymbol{\theta})}$ ，我们把“将视为的函数”后的目标函数表示为 $\widetilde{J}(f_m)$ ，即

$\widetilde{J}(f_m)=E\left\{\ln{[ r_v(f_m(\boldsymbol{x}) - \ln{p_n(\boldsymbol{x})}) ]} \right\} + vE\left\{\ln{[1- r_v(f_m(\boldsymbol{y})-\ln{p_n(\boldsymbol{y})})]} \right\} \qquad \qquad \qquad (11)$

下面的定理显示，概率密度函数可以通过最大化 $\widetilde{J}$ 来获得，即在拥有无穷多数据的理想条件下，学习一个非参数分类器。

定理1（非参数估计） $\widetilde{J}$ 在 $f_m=\ln{p_d}$ 时达到最大。噪声密度函数一旦确定， $\widetilde{J}$ 的最大值也就唯一确定，在取值大于零的地方也大于零。

目标函数 $\widetilde{J}$ 具有在“不限定 $\exp{(f_m)}$ 的积分值为1”的条件下，其最大值对应的概率密度函数 $\exp{(f_m)}$ 的积分值自动为1。大于零的条件告诉我们，在没有对比噪声样本的空间，无法被估计出来。

通常假定存在 $\boldsymbol{\theta}^*$ ，使得 $p_d(.)=p_m(.;\boldsymbol{\theta}^*)$ 。

定理2（一致性）如果下面的（a）到（b）都满足了，则 $\hat{\boldsymbol{\theta}}_T$ 依概率收敛于 $\boldsymbol{\theta}^*$ ， $\hat{\boldsymbol{\theta}}_T\overset{P}{\rightarrow} \boldsymbol{\theta}^*$ 。

（a）在取值大于零的地方也大于零；

（b） $\sup_{\boldsymbol{\theta}}{|J_T(\boldsymbol{\theta})-J(\boldsymbol{\theta})|}\overset{P}{\rightarrow}0$

（c）矩阵 $\mathbb{I}_v=\int{g(\boldsymbol{u})g(\boldsymbol{u})^TP_v(\boldsymbol{u})p_d(\boldsymbol{u})d\boldsymbol{u}}$ 满秩，其中

$\boldsymbol{g}(\boldsymbol{u})=\nabla_{\boldsymbol{\theta}}{\ln{p_m(\boldsymbol{u};\boldsymbol{\theta})}}|_{\boldsymbol{\theta}^*}, \qquad \qquad P_v(\boldsymbol{u})=\frac{vp_n(\boldsymbol{u})}{p_d(\boldsymbol{u})+vp_n(\boldsymbol{u})}$

上式中条件（b）表示要求 $J_T(\boldsymbol{\theta})$ 在 $\boldsymbol{\theta}$ 的取值集合上，依概率收敛于 $J(\boldsymbol{\theta})$ 。

定理3（渐近正态性） $\sqrt{T_d}(\hat{\boldsymbol{\theta}}_T-\boldsymbol{\theta}^*)$ 为渐近正态分布的，其均值为0，协方差为 $\Sigmoid$ $\Sigma$ ，其中

$\Sigma=\mathbb{I}_v^{-1}- \left(1+\frac{1}{v} \right)\mathbb{I}_v^{-1}E(P_v\boldsymbol{g})E(P_v\boldsymbol{g})^T\mathbb{I}_v^{-1}$

而 $E(P_v\boldsymbol{g})=\int{P_v(\boldsymbol{u})\boldsymbol{g}(\boldsymbol{u})p_d(\boldsymbol{u})d\boldsymbol{u}}$ 。

推论1 对于大样本，均方误差 $E\left(\left \| \hat{\boldsymbol{\theta}}_T- \boldsymbol{\theta}^*\right \|^2 \right )$ 等于 $tr(\Sigma)/T_d$ 。

2.4 选择噪声

定理2显示，对于给定的训练样本量，当噪声样本量越来越大时，也越来越大，趋近于1。这说明，对于较大的，协方差矩阵 $\Sigma$ 不依赖于噪声分布。于是我们有如下定理。

推论2 当 $v\rightarrow \infty$ 时， $\Sigma$ 不受选择的影响，

$\Sigma=\mathbb{I}^{-1}-\mathbb{I}^{-1}E(\boldsymbol{g})E(\boldsymbol{g})^T\mathbb{I}^{-1}$

其中 $E(\boldsymbol{g})=\int{\boldsymbol{g}(\boldsymbol{u})p_d(\boldsymbol{u})d\boldsymbol{u}}$ ， $\mathbb{I}=\int{\boldsymbol{g}(\boldsymbol{u})\boldsymbol{g}(\boldsymbol{u})^T}p_d(\boldsymbol{u})d\boldsymbol{u}$ 。

由推论2知，当 $v\rightarrow \infty$ 时，估计误差 $\hat{\boldsymbol{\theta}}_T-\boldsymbol{\theta}^*$ 对的依赖度逐渐减小，的选择也越来越不重要。

推论3 对于任意归一化模型，当 $v\rightarrow \infty$ 时，噪声对比估计都是渐近“fisher高效的”。

证明：对于归一化模型来说，参数不再需要。在MLE中， $\boldsymbol{g}$ 为“得分函数”，矩阵 $\mathbb{I}$ 为费希尔信息矩阵（Fisher information matrix）。由于 $E(\boldsymbol{g})=\boldsymbol{0}$ ，协方差矩阵 $\boldsymbol{\Sigma}$ 是Fisher information matrix的逆矩阵。

对于噪声分布，一个好的选择是与非常接近。如果与差别太大，分类问题会非常简单，系统不会从样本的结构中学习太多东西。如下定理可以做部分解释：

推论4 如果，那么 $\boldsymbol{\Sigma}=\left(1+\frac{1}{v} \right )\left(\mathbb{I}^{-1}-\mathbb{I}^{-1}E(\boldsymbol{g})E(\boldsymbol{g})^{T}\mathbb{I}^{-1} \right )$ 。

证明：由于，所以 $P_v(\boldsymbol{u})=\frac{vp_n(\boldsymbol{u})}{p_d(\boldsymbol{u})+vp_n(\boldsymbol{u})}=\frac{v}{1+v}$ ， $\mathbb{I}_v=\int{\boldsymbol{g}(\boldsymbol{u})\boldsymbol{g}(\boldsymbol{u})^TP_v(\boldsymbol{u})p_d(\boldsymbol{u})d\boldsymbol{u}}=\frac{v}{1+v}\int{\boldsymbol{g}(\boldsymbol{u})\boldsymbol{g}(\boldsymbol{u})^Tp_d(\boldsymbol{u})d\boldsymbol{u}} =\frac{v}{1+v}\mathbb{I}$ ，

所以 $\Sigma=\mathbb{I}_v^{-1}- \left(1+\frac{1}{v} \right)\mathbb{I}_v^{-1}E(P_v\boldsymbol{g})E(P_v\boldsymbol{g})^T\mathbb{I}_v^{-1}=\left(1+\frac{1}{v} \right )\left(\mathbb{I}^{-1}-\mathbb{I}^{-1}E(\boldsymbol{g})E(\boldsymbol{g})^{T}\mathbb{I}^{-1} \right )$ 。

对于归一化模型，当时， $E(\boldsymbol{g})=\boldsymbol{0}$ ，所以 $\Sigma=2\mathbb{I}^{-1}$ ；当时， $\Sigma=1.1\mathbb{I}^{-1}$ 。对于与训练样本分布相近的噪声分布，不需要太大，MSE即可靠近其理论值。

为获取具有较小估计误差的分布估计，上述讨论可总结噪声分布的选取标准为：

1、 $\ln{p_n}$ 具有解析表达式；

2、噪声分布的采样过程较简单；

3、噪声分布在某些方面，例如其方差，与训练样本相同；

4、在计算允许的情况下，噪声样本量越大越好。

一些噪声分布可选的例子：高斯分布，高斯混合分布，ICA分布。若均匀分布的支撑（support）包含训练样本的支撑，这样条件（a）就可以成立了。

Dav_笔记8-Managing Optimizer Statistics之管理统计 Dav_2099 笔记 oracle 数据库
管理统计本节包括以下主题：■PendingStatistics待定统计■ManagingExtendedStatistics管理扩展统计■RestoringPreviousVersionsofStatistics还原以前版本的统计信息■ExportingandImportingStatistics导出和导入统计信息■RestoringStatisticsVersusImportingorExpor
Python statistics 模块 ONE_PUNCH_Ge python
在数据分析和科学计算中，统计学是一个非常重要的工具。Python提供了一个内置的statistics模块，专门用于处理基本的统计计算。本文将详细介绍statistics模块的功能和使用方法，帮助初学者快速掌握如何使用这个模块进行基本的统计分析。statistics模块提供了许多常用的统计函数，如均值、中位数、方差、标准差等。要使用statistics函数必须先导入：importstatistics
python中的statistics_第40天： Python statistics 模块 weixin_39692253
by豆豆简介随着互联网的普及，整个互联网每天都会产生海量的数据，如何有效地处理这些数据成为了互联网人的必备技能，而Python内置的statistics模块提供了基本的数据统计操作。常用功能mean(data)mean(data)用于求给定序列或者迭代器的算术平均数。importstatisticsexample_list=[1,2,3,4,5,6]x=statistics.mean(exampl
python statistics模块大学生编程地 python基础知识 python 开发语言后端
用于数据统计的statistics模块的常用函数1、statistics.mean()#求算术平均值>>>importstatistics>>>date=[1,2,98,99]>>>statistics.mean(date)502、statistics.median()#计算数据的中位数，如果有两个中位数，则返回其平均值>>>importstatistics>>>date=[11,12,13,14
statistics --- 数学统计函数知识的宝藏 python
3.4新版功能.源代码:Lib/statistics.py该模块提供了用于计算数字(Real-valued)数据的数理统计量的函数。此模块并不是诸如NumPy,SciPy等第三方库或者诸如Minitab,SAS和Matlab等针对专业统计学家的专有全功能统计软件包的竞品。此模块针对图形和科学计算器的水平。除非明确注释，这些函数支持int，float，Decimal和Fraction。当前不支持同其
Python 的statistics模块 Biu_Biu_0329 python statistics 统计
统计模块statistics方法介绍statistics.mean(data)就是平均值支持的输入非常多，包括fractions模块和decimal模块>>>mean([1,2,3,4,4])2.8>>>mean([-1.0,2.5,3.25,5.75])2.625>>>fromfractionsimportFractionasF>>>mean([F(3,7),F(1,21),F(5,3),F(1
SpringDataJPA 开启批量插入及批量插入不生效解决 AK_GCC spring hibernate java
开启配置#统计生成SQL执行情况spring.jpa.properties.hibernate.generate_statistics=true#开启批量插入spring.jpa.properties.hibernate.jdbc.batch_size=500spring.jpa.properties.hibernate.order_inserts=true代码示例org.springframew
Python入门教程丨3.2 再见Excel！用Python这5个模块，我把3天工作压缩到3分钟凌小添 Python教程 python excel 开发语言
⭐还在用Excel手动算均值方差？还在为海量数据统计熬夜加班？用Python这5把「数据手术刀」写一次代码，就能直接复用，专业报告自动生成！本期内容：模块核心功能应用场景math数学计算几何、物理模拟random生成随机数据游戏、抽样测试statistics统计分析回归分析、市场调研numpy数组与矩阵运算图像处理、机器学习pandas表格数据处理与分析金融分析、数据清洗一、基础数学库1.1mat
oracle两列数列找差异,ORACLE中比较两个数据库的差异沙雕网友已上线 oracle两列数列找差异
方法一、用PL/SQLDEVELOPER来比较1.登陆数据库A.2.打开TOOLS菜单下的CompareUserObjects3.点TargetSession，登陆数据库B4.执行Compare5.返回的是所有不同的对象以及更新语句[@more@]方法二、1、对需要比较的表进行分析(可全表可抽样，自选),否则统计信息不准；2、通过dba_tab_col_statistics表的column_nam
Oracle 统计信息笔记----一、表的统计信息 w.ang.jie oracle 随记统计信息 oracle 数据库统计信息
sosi.txt脚本：SHOWOptimizerStatisticsInformation；显示表级别、分区级别、子分区级别的统计信息。Oracle数据库的统计信息存储在数据字典里1.对表test收集统计信息avg_row_len：表示目标表的平均行长度。（不算行头）数字100在Oracle数据块的行里占2字节，加上描述其长度的1字节，一共3字节同理，'CUIHUA’一共占6+1=7字节。两个字段
uniapp --- 配置文件记得开心一点嘛 UniApp uni-app 前端 typescript
目录一.pages.json文件：1.组件自动导入规则（easycom）：2.页面配置（pages）：3.全局样式（globalStyle）：4.底部TabBar配置（tabBar）：二.manifest.json文件：1.应用基本信息：2.App-Plus特有配置：3.QuickApp特有配置：4.小程序特有配置：5.UniStatistics配置：6.vueVersion配置：三.App.vu
python在统计专业的应用_Python在计量经济与统计学中的应用 weixin_39851457 python在统计专业的应用
PythonforEconometricsandStatistics(Python在计量经济与统计学中的应用)【点击链接进入主页】。这套笔记将重点介绍Python在计量经济学与统计分析中的应用。内容涵盖Python基本数据类型，Numpy科学运算，Pandas数据分析，统计分析，蒙特卡洛过程，最优化过程，数据可视化功能，以及在计量经济与统计模型中的应用等。随后还将陆续推出统计学习在在量化金融中的应
buu-[GYCTF2020]Ezsqli 有点水啊 buuctf-web sql web sql python
朴实无华一张图片，一个输入框，图片太大就不放了1是Nu1L，2是V&N，剩下都是“ErrorOccuredWhenFetchResult.”fuzz一下，507的都是被过滤了的过滤了关键的information，要用到无列名注入，找库名时需要用到用到5.7版本新增的sys库利用sys库里的三个表都行schema_table_statistics/schema_table_statistics_wi
鸿蒙/DevEco Studio的ArkUI-父子通信组件的基本使用（1）单向传递尐幽鸿蒙
当父子组件之间需要数据同步时，可以使用@Prop和@Link装饰器@Prop单向同步@Prop只支持:string、number.boolean、enum类型父组件对象类型，子组件是对象属性不可以是数组、any//子组件不允许初始化实现父组件@Statestat:number=10TaskStatistics({sum:this.sum})//传值方式子组件@Propstat:number示例@E
2019-11-18 轻微强迫症_7280
fiddler添加查看响应时间原文来自：https://www.jianshu.com/p/c9efa41bdd25fiddler的statistics标签可以查看但是这样查看需要点开每个链接进行查看，不是很方便，为了能够方便的查看各链接的响应时间，可以通过一下几种方法实现1、在菜单栏上面找到Rules->CustomRules在classHandlers{里面添加以下代码functionBegi
读书笔记：《深入理解Java虚拟机》（8） Violet永存读书笔记 java 开发语言 jvm
虚拟机性能监控、故障处理工具JDK命令行工具这些命令在JDK安装目录下的bin目录下：jps(JVMProcessStatus）:类似UNIX的ps命令。用于查看所有Java进程的启动类、传入参数和Java虚拟机参数等信息；jstat（JVMStatisticsMonitoringTool）:用于收集HotSpot虚拟机各方面的运行数据;jinfo(ConfigurationInfoforJava
如何检查端口占用：netstat和lsof指令 Mark White 服务器运维
在网络故障排查和系统管理中，检查端口占用情况是一项常见且重要的任务。本文将详细介绍如何使用netstat和lsof这两个强大的工具来检查端口占用和相关服务。1.使用netstat查看端口占用netstat(networkstatistics)是一个用于显示网络连接、路由表、接口统计等信息的命令行工具。1.1最常用的netstat命令netstat-an这是最常用的形式，让我们解析其参数：-a:显示
如何查看Squid的DNS缓存 pcj_888 squid squid
使用squidclientmgr:ipcache命令查看Squid的DNS缓存记录如果squid端口不是3128,需要指定端口号,squidclient-p{port}mgr:ipcache#squidclientmgr:ipcache...IPCacheStatistics:...IPCacheContents:HostnameFlglstrefTTLN(b)www.trendmicro.com
Baumer工业相机堡盟工业相机如何通过BGAPI SDK获取相机的Buffer图像Statistics传输统计信息（C#）格林威工业相机数码相机 c#开发语言计算机视觉人工智能
Baumer工业相机堡盟工业相机如何通过BGAPISDK获取相机的Buffer图像Statistics传输统计信息（C#）Baumer工业相机Baumer工业相机BGAPISDK和相机Statistics图像传输统计信息的技术背景CameraExplorer软件如何查看图像Buffer信息StatisticsBaumer工业相机通过BGAPISDK获取相机的Statistics图像传输统计信息技术
第二单元复盘地科7宋世浩
Part11，从本单元中我学到的最重要的理念（精读和视听说分别总结）精读：美国的安全问题有很大影响，每个家庭都用安全设备来保护自己家财产视听说：每个人每天的情绪和状态都很不一样，做好一件事就很好了2，我在本片文章／音频／视频中学到的怦然心动的单词（精读和视听说分别总结）精读：latch.rural.vulnerable易受攻击的；无防御的.urban.statistics.allegedly.tr
英语精读笔记.新概念第三册(5)The facts确切数字英文研习社
文章原文：Editorsofnewspapersandmagazinesoftengotoextremestoprovidetheirreaderswithunimportantfactsandstatistics.Lastyearajournalisthadbeeninstructedbyawell-knownmagazinetowriteanarticleonthepresident'spal
R语言统计学书记推荐热衷组培的二货潜
https://learningstatisticswithr.com/lsr-0.6.pdf图片发自App
Kaggle Intermediate ML Part Two 卢延吉 New Developer 数据 (Data)ML &ME &GPT Data ML
CategoricalVariablesCategoricalvariables,alsoknownasqualitativevariables,areafundamentalconceptinstatisticsanddataanalysis.Here'sabreakdowntohelpyouunderstandthem:Whatarethey?Categoricalvariablesrepre
DS Wannabe之5-AM Project: DS 30day int prep day16 wendyponcho Machine Learning 机器学习人工智能学习笔记
Q1.WhatisStatisticsLearning?Statisticallearning:Itistheframeworkforunderstandingdatabasedonthestatistics,whichcanbeclassifiedasthesupervisedorunsupervised.Supervisedstatisticallearninginvolvesbuilding
MySQL查询状态数据库
MySQL查询状态在一个查询周期中，MySQL任何时刻都有一个状态，该状态可能会变化很多次，可以使用showfullprocesslist来进行查看Sleep线程正在等待客户端发送新的请求Query线程正在执行查询或者正在将结果发送给客户端Locked该线程正在等待表锁，行锁不会体现在线程状态中Analyzingandstatistics线程正在收集存储引擎的统计信息，并生成查询的执行计划Copy
Ps：统计 MediaTea
Ps菜单：文件/脚本/统计Scripts/Statistics统计Statistics脚本命令提供了一种高效的方法来处理和分析大量图像，使用户能够自动执行复杂的图像分析任务，并在多个图像间应用统计学方法。这个功能极大地扩展了Photoshop在科学研究、图像编辑和其他领域的应用潜力。◆◆◆使用方法与技巧相对于“将文件载入堆栈”脚本命令，“统计”脚本命令不仅可以将多个图像文件载入为同一文档中的不同图
大学生英语竞赛模板娄萧文_2022公益强化班
一.表格(一）开头Thechartgivesusanoverallpictureof...inthelast...years.Accordingtothestatisticsofferedby...(二）中间1.thefirstthingwenoticeisthat...thismeansthatastimegoesby,..wecanalsoseefromstatisticsgiventhat.
Regularization&feature selection zealscott
Crossvalidation/multualinformation/Bayesianstatisticsandregularization在之前我们讨论了最小化风险函数，但很多时候这样做的效果并不好，这是由于biasandvariance的权衡。因此，我们需要进行模型选择，来自动的选择最合适的模型。Crossvalidation假设我们有一些有限的模型，如何来选择哪个模型能够使得其泛化能力最好？
iOS-APP启动优化 Arthur澪
App的启动可以分为2种：冷启动(ColdLaunch)从零开始启动APP热启动(WarmLaunch)APP已经在内存中，在后台存活着，再次点击图标启动APP。APP启动时间的优化，主要是针对第一种，即冷启动进行优化。启动时间分析通过添加环境变量，可以打印出APP的启动时间分析：(Editscheme->Run->Arguments)在环境变量栏，将DYLD_PRINT_STATISTICS设置
excel统计分析——成组数据秩和检验 maizeman126 统计分析秩和检验 excel
参考资料：生物统计学https://real-statistics.com/statistics-tables/mann-whitney-table/非配对资料的秩和检验是对计量资料或等级资料的两个样本所属总体分布进行检验。这种检验比配对资料的秩和检验应用更为普遍。非配对资料秩和检验的方法包括Wilcoxon秩和检验和Mann-WhitneyU检验。两者检验过程相似，结果等价，只是使用的统计量有所
ztree异步加载 3213213333332132 JavaScript Ajax json Web ztree
相信新手用ztree的时候,对异步加载会有些困惑，我开始的时候也是看了API花了些时间才搞定了异步加载，在这里分享给大家。我后台代码生成的是json格式的数据，数据大家按各自的需求生成，这里只给出前端的代码。设置setting，这里只关注async属性的配置 var setting = { //异步加载配置
thirft rpc 具体调用流程 BlueSkator 中间件 rpc thrift
Thrift调用过程中，Thrift客户端和服务器之间主要用到传输层类、协议层类和处理类三个主要的核心类，这三个类的相互协作共同完成rpc的整个调用过程。在调用过程中将按照以下顺序进行协同工作：（1）将客户端程序调用的函数名和参数传递给协议层（TProtocol），协议
异或运算推导, 交换数据 dcj3sjt126com PHP 异或 ^
/* * 5 0101 * 9 1010 * * 5 ^ 5 * 0101 * 0101 * ----- * 0000 * 得出第一个规律: 相同的数进行异或, 结果是0 * * 9 ^ 5 ^ 6 * 1010 * 0101 * ---- * 1111 * * 1111 * 0110 * ---- * 1001
事件源对象周华华 JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
MySql配置及相关命令 g21121 mysql
MySQL安装完毕后我们需要对它进行一些设置及性能优化，主要包括字符集设置，启动设置，连接优化，表优化，分区优化等等。一修改MySQL密码及用户
[简单]poi删除excel 2007超链接 53873039oycg Excel
采用解析sheet.xml方式删除超链接，缺点是要打开文件2次,代码如下: public void removeExcel2007AllHyperLink(String filePath) throws Exception { OPCPackage ocPkg = OPCPac
Struts2添加 open flash chart 云端月影
准备以下开源项目： 1. Struts 2.1.6 2. Open Flash Chart 2 Version 2 Lug Wyrm Charmer (28th, July 2009) 3. jofc2，这东西不知道是没做好还是什么意思，好像和ofc2不怎么匹配，最好下源码，有什么问题直接改。 4. log4j 用eclipse新建动态网站，取名OFC2Demo，将Struts2 l
spring包详解 aijuans spring
下载的spring包中文件及各种包众多，在项目中往往只有部分是我们必须的，如果不清楚什么时候需要什么包的话，看看下面就知道了。 aspectj目录下是在Spring框架下使用aspectj的源代码和测试程序文件。Aspectj是java最早的提供AOP的应用框架。 dist 目录下是Spring 的发布包，关于发布包下面会详细进行说明。 docs&nb
网站推广之seo概念 antonyup_2006 算法 Web 应用服务器搜索引擎 Google
持续开发一年多的b2c网站终于在08年10月23日上线了。作为开发人员的我在修改bug的同时，准备了解下网站的推广分析策略。所谓网站推广，目的在于让尽可能多的潜在用户了解并访问网站，通过网站获得有关产品和服务等信息，为最终形成购买决策提供支持。网站推广策略有很多，seo，email，adv
单例模式,sql注入,序列百合不是茶单例模式序列 sql注入预编译
序列在前面写过有关的博客,也有过总结,但是今天在做一个JDBC操作数据库的相关内容时需要使用序列创建一个自增长的字段居然不会了,所以将序列写在本篇的前面 1,序列是一个保存数据连续的增长的一种方式; 序列的创建; CREATE SEQUENCE seq_pro 2 INCREMENT BY 1 -- 每次加几个 3
Mockito单元测试实例 bijian1013 单元测试 mockito
Mockito单元测试实例： public class SettingServiceTest { private List<PersonDTO> personList = new ArrayList<PersonDTO>(); @InjectMocks private SettingPojoService settin
精通Oracle10编程SQL(9)使用游标 bijian1013 oracle 数据库 plsql
/* *使用游标 */ --显示游标 --在显式游标中使用FETCH...INTO语句 DECLARE CURSOR emp_cursor is select ename,sal from emp where deptno=1; v_ename emp.ename%TYPE; v_sal emp.sal%TYPE; begin ope
【Java语言】动态代理 bit1129 java语言
JDK接口动态代理 JDK自带的动态代理通过动态的根据接口生成字节码(实现接口的一个具体类)的方式，为接口的实现类提供代理。被代理的对象和代理对象通过InvocationHandler建立关联 package com.tom; import com.tom.model.User; import com.tom.service.IUserService;
Java通信之URL通信基础白糖_ java jdk webservice 网络协议 ITeye
java对网络通信以及提供了比较全面的jdk支持，java.net包能让程序员直接在程序中实现网络通信。在技术日新月异的现在，我们能通过很多方式实现数据通信，比如webservice、url通信、socket通信等等，今天简单介绍下URL通信。学习准备：建议首先学习java的IO基础知识 URL是统一资源定位器的简写，URL可以访问Internet和www，可以通过url
博弈Java讲义 - Java线程同步 (1) boyitech java 多线程同步锁
在并发编程中经常会碰到多个执行线程共享资源的问题。例如多个线程同时读写文件，共用数据库连接，全局的计数器等。如果不处理好多线程之间的同步问题很容易引起状态不一致或者其他的错误。同步不仅可以阻止一个线程看到对象处于不一致的状态，它还可以保证进入同步方法或者块的每个线程，都看到由同一锁保护的之前所有的修改结果。处理同步的关键就是要正确的识别临界条件（cri
java-给定字符串，删除开始和结尾处的空格，并将中间的多个连续的空格合并成一个。 bylijinnan java
public class DeleteExtraSpace { /** * 题目：给定字符串，删除开始和结尾处的空格，并将中间的多个连续的空格合并成一个。 * 方法1.用已有的String类的trim和replaceAll方法 * 方法2.全部用正则表达式，这个我不熟 * 方法3.“重新发明轮子”，从头遍历一次 */ public static v
An error has occurred.See the log file错误解决！ Kai_Ge MyEclipse
今天早上打开MyEclipse时，自动关闭！弹出An error has occurred.See the log file错误提示！很郁闷昨天启动和关闭还好着！！！打开几次依然报此错误，确定不是眼花了！打开日志文件！找到当日错误文件内容： --------------------------------------------------------------------------
[矿业与工业]修建一个空间矿床开采站要多少钱? comsci
地球上的钛金属矿藏已经接近枯竭........... 我们在冥王星的一颗卫星上面发现一些具有开采价值的矿床..... 那么,现在要编制一个预算,提交给财政部门..
解析Google Map Routes dai_lm google api
为了获得从A点到B点的路劲，经常会使用Google提供的API，例如 [url] http://maps.googleapis.com/maps/api/directions/json?origin=40.7144,-74.0060&destination=47.6063,-122.3204&sensor=false [/url] 从返回的结果上，大致可以了解应该怎么走，但
SQL还有多少“理所应当”？ datamachine sql
转贴存档，原帖地址：http://blog.chinaunix.net/uid-29242841-id-3968998.html、http://blog.chinaunix.net/uid-29242841-id-3971046.html！ ------------------------------------华丽的分割线--------------------------------
Yii使用Ajax验证时，如何设置某些字段不需要验证 dcj3sjt126com Ajax yii
经常像你注册页面,你可能非常希望只需要Ajax去验证用户名和Email,而不需要使用Ajax再去验证密码,默认如果你使用Yii 内置的ajax验证Form,例如: $form=$this->beginWidget('CActiveForm', array( 'id'=>'usuario-form',&
使用git同步网站代码 dcj3sjt126com crontab git
转自:http://ued.ctrip.com/blog/?p=3646?tn=gongxinjun.com 管理一网站，最开始使用的虚拟空间，采用提供商支持的ftp上传网站文件，后换用vps，vps可以自己搭建ftp的，但是懒得搞，直接使用scp传输文件到服务器，现在需要更新文件到服务器，使用scp真的很烦。发现本人就职的公司，采用的git+rsync的方式来管理、同步代码，遂
sql基本操作蕃薯耀 sql sql基本操作 sql常用操作
sql基本操作 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月1日 17:30:33 星期一 &
Spring4+Hibernate4+Atomikos3.3多数据源事务管理 hanqunfeng Hibernate4
Spring3+后不再对JTOM提供支持，所以可以改用Atomikos管理多数据源事务。Spring2.5+Hibernate3+JTOM参考：http://hanqunfeng.iteye.com/blog/1554251Atomikos官网网站：http://www.atomikos.com/ 一.pom.xml <dependency> <
jquery中两个值得注意的方法one()和trigger()方法 jackyrong trigger
在jquery中，有两个值得注意但容易忽视的方法，分别是one()方法和trigger()方法,这是从国内作者<<jquery权威指南》一书中看到不错的介绍 1） one方法 one方法的功能是让所选定的元素绑定一个仅触发一次的处理函数，格式为 one(type,${data},fn) &nb
拿工资不仅仅是让你写代码的 lampcy 工作面试咨询
这是我对团队每个新进员工说的第一件事情。这句话的意思是，我并不关心你是如何快速完成任务的，哪怕代码很差，只要它像救生艇通气门一样管用就行。这句话也是我最喜欢的座右铭之一。这个说法其实很合理：我们的工作是思考客户提出的问题，然后制定解决方案。思考第一，代码第二，公司请我们的最终目的不是写代码，而是想出解决方案。话粗理不粗。付你薪水不是让你来思考的，也不是让你来写代码的，你的目的是交付产品
架构师之对象操作----------对象的效率复制和判断是否全为空 nannan408 架构师
1.前言。如题。 2.代码。 (1)对象的复制，比spring的beanCopier在大并发下效率要高，利用net.sf.cglib.beans.BeanCopier Src src=new Src(); BeanCopier beanCopier = BeanCopier.create(Src.class, Des.class, false);
ajax 被缓存的解决方案 Rainbow702 JavaScript jquery Ajax cache 缓存
使用jquery的ajax来发送请求进行局部刷新画面，各位可能都做过。今天碰到一个奇怪的现象，就是，同一个ajax请求，在chrome中，不论发送多少次，都可以发送至服务器端，而不会被缓存。但是，换成在IE下的时候，发现，同一个ajax请求，会发生被缓存的情况，只有第一次才会被发送至服务器端，之后的不会再被发送。郁闷。解决方法如下： ① 直接使用 JQuery提供的 “cache”参数，
修改date.toLocaleString()的警告 tntxia String
我们在写程序的时候，经常要查看时间，所以我们经常会用到date.toLocaleString()，但是date.toLocaleString()是一个过时的API，代替的方法如下： package com.tntxia.htmlmaker.util; import java.text.SimpleDateFormat; import java.util.
项目完成后的小总结 xiaomiya js 总结项目
项目完成了，突然想做个总结但是有点无从下手了。做之前对于客户端给的接口很模式。然而定义好了格式要求就如此的愉快了。先说说项目主要实现的功能吧 1，按键精灵 2，获取行情数据 3，各种input输入条件判断 4，发送数据（有json格式和string格式） 5，获取预警条件列表和预警结果列表， 6，排序， 7，预警结果分页获取 8，导出文件（excel，text等） 9，修

非归一化统计模型的噪声对比估计（NCE，Noise-Contrastive Estimation）（一）

1、介绍

2、噪声对比估计（NCE，Noise-Contrastive Estimation）

你可能感兴趣的:(Statistics)