Y_

Mysql备份多个数据库代码实例

/bin/bash#date是linux的一个命令date[参数][+格式]time=`date+%Y_%m_%d_%H_%M_%S`#备份输出路径backupdir=/home/backup/#备份文件路径
luozx207·2019-12-17 10:42

Jenkins+Shell+gym+蒲公英实现自动化集成

/bin/bash计时SECONDS=0假设脚本放置在与项目相同的路径下project_path=$(pwd)取当前时间字符串添加到文件结尾now=$(date+"%Y_%m_
叫我干苦力的码农·2019-12-15 10:20

数学基础系列(一)----函数、极限、连续性、导数

函数在x0处取得的函数值$y_{0}=y\mid_{x=x_{0}}=f(x_{0})$。值得一提的是，符号只是一种表示，也可以用其他符号来表示，比如：$y=g
|旧市拾荒|·2019-12-10 22:00

目标检测 1 ： 目标检测中的Anchor详解

使用绝对坐标的\((x_{min},y_{min},x
Brook_icv·2019-12-09 17:00

拉格朗日插值学习笔记

裸插值不知道怎么证：正在问老师，等回复最新回复：该是啥值就是啥值吧\[f(k)=\sum_{i=0}^{n}y_{i}\prod_{i\neqj}\frac{k-x[j]}{x[i]-x[j]}\]#include
lcyfrog·2019-12-02 20:00

个性化排序算法实践(三)——deepFM算法

模型可以表示为：\[\hat{y}=sigmoid(y_{FM}+y_{DNN}
Jamest·2019-11-03 12:00

Mysql多数据库备份

/bin/bash#date是linux的一个命令date[参数][+格式]time=`date+%Y_%m_%d_%H_%M_%S`#备份输出路径backupdir=/home/backup/#备份文件路径
luozx207·2019-10-22 17:00

【程序案例】一个基于Python的定时截取屏幕，并存放到指定路径的程序

这个程序比较简单，记录如下：importtimefromPILimportImageGrab#截屏defScreenshot():nowtime=time.strftime('%Y_%m_%d_%H_%
皮乾东·2019-10-22 00:34

xgboost 学习总结

1.XGBoost的数学推导：1.1目标与惩罚函数设$\lbrace(x_{i},y_{i})\midx_{i}\in\mathbb{R}^{P},y_{i}\in\mathbb{R},i=1,...,
Freiburger·2019-10-09 23:00

【GZOI 2019】特技飞行

在最初的计划中，这\(n\)架飞机首先会飞行到起点\(x=x_{st}\)处，其中第\(i\)架飞机在起点处的高度为\(y_{i,0}\)。
洛水·锦依卫·2019-09-26 21:00

机器学习常用loss：L1 loss、L2 loss、smothL1 loss、huber loss

常用loss：L1：公式：L1=∑i=1n∣yi−f(xi)∣L1=\sum_{i=1}^{n}\left|y_{i}-f\left(x_{i}\right)\right|L1=i=1∑n∣yi−f(xi
星落秋风五丈原·2019-09-11 23:26

[JZOJ1901] 【2010集训队出题】光棱坦克

满足ypi−1>ypiy_{p_{i-1}}>y_{p_i}ypi−1​​>ypi​​并且xpix_{p_i}xpi​​在xpi−1x_{p_i-1}xpi​−1​和xpi−2x_{p_i-
A1847225889·2019-08-28 11:06

python实现截取屏幕保存文件,删除N天前截图的例子

fromPILimportImageGrabimporttimeimportscheduleimportosimportshutilimportdatetimedays=-3#截屏defsavepic():im=ImageGrab.grab()now=time.strftime("%Y_
woobol·2019-08-27 16:04

pytorch 交叉熵损失函数解析

1，二分类交叉熵损失，BCELoss1.1数学理论BCELoss=−[Yn∗logXn+(1−Yn)∗log(1−Xn)]BCELoss=-[Y_{n}*logX_{n}+(1-Y_{n})*log(1
风泽茹岚·2019-08-19 17:43

[Foundation of Machine Learning][Week 2][Guarantee of PLA] the Correctness Verification of PLA

Conditions:ForthedatasetD,thereexistsa$\displaystyleW_{f}$whichsatisfiesthatforeveryn,$y_{n}W_{f}^{T}
RaymondJiang·2019-08-08 22:00

【题解】二进制

设$A_{(2)}$、$B_{(2)}$、$C_{(2)}$的最大长度为$L$（$L\leqslant30$），你需要构造三个正整数$X$、$Y$、$Z$，满足以下条件：（1）$X_{(2)}$、$Y_
kcn999·2019-07-30 20:00

标准库的使用

标准库的使用1.不需要程序员去import-----直接使用的变量和函数-----print/open/len2.importtimeprint(time.strftime("%Y_%m_%d%h:%m
一手代码，一手诗·2019-07-27 17:38

5.决策树特征重要性判别算法python实现

李航机器学习讲解/FeatureImportance.ipynb信息增益法公式熵的定义：属性yyy的熵，表示特征的不确定性：P(Y=yj)=pj,i=1,2,⋯ ,nP\left(Y=y_
Mr_W1997·2019-07-07 11:18

支持向量机 (二)： 软间隔 svm 与 核函数

支持向量机(二)：软间隔svm与核函数软间隔最大化（线性不可分类svm）上一篇求解出来的间隔被称为“硬间隔(hardmargin）“，其可以将所有样本点划分正确且都在间隔边界之外，即所有样本点都满足\(y_
massquantity·2019-07-01 20:00

评估指标——均方误差（MSE）、平均绝对误差（MAE）

1.MSE(MeanSquaredError)均方误差MSE=1n∑i=1n(yi−yi′)2MSE=\frac{1}{n}\sum_{i=1}^{n}\left(y_{i}-y_{i}^{\prime
HachiLin·2019-06-27 16:43

周志华《机器学习》(西瓜书) —— 学习笔记：第6章 支持向量机

核方法6.0学习导图6.1基本流程  给定训练样本集D={(x1,y1),(x2,y2),…,(xm,ym)}，yi∈{−1,+1}D=\left\{\left(\boldsymbol{x}_{1},y_
月边云·2019-05-30 01:35

【北京大学】人工智能实践：Tensorflow笔记 4-5

importnumpyasnpimportmatplotlib.pyplotaspltseed=2defgenerateds():rdm=np.random.RandomState(seed)X=rdm.randn(300,2)Y_
Yang8465·2019-05-19 15:22

TensorFlow遇到的问题汇总（持续更新中......）

#原来是这样的：tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y,y_))#修改成这样的：tf.reduce_sum(tf.nn.softmax_cross_entrop
ITYTI·2019-05-16 17:23

PyTorch 学习笔记（三）：线性回归、logistic回归

一.线性回归1.一维线性回归给定数据集D={(x1,y1),(x2,y2),(x3,y3),...,(xm,ym)}D=\left\{(x_{1},y_{1}),(x_{2},y_{2}),(x_{3}
月臻·2019-04-21 21:31

Double Deep Q-Learning Netwok的理解与实现

下面给出最核心的强化学习公式：YtDoubleQ=Rt+1+γQ^(St+1,argmaxaQ(St+1,a))Y_{t}^{DoubleQ}=R_{t+1}+\gamma\hat{Q}\left(S_
Erick_Lv·2019-04-11 23:02

pytorch以及numpy 实现线性模型(code)

6.93],[4.168],[9.779],[6.182],[7.59],[2.167],[7.042],[10.791],[5.313],[7.997],[3.1]],dtype=np.float32)y_
热爱nlp的crawler·2019-04-08 21:38

常用损失函数及Tensorflow代码实现

损失函数（loss）：用来表示预测值（y）与已知答案（y_）的差距。在训练神经网络时，通过不断改变神经网络中所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。
HPU_FRDHR·2019-04-03 10:20

MXNet 中的 hybird_forward 的一个使用技巧

__init__(**kwargs)self.xs=self.params.get_constant('x_',xs)self.ys=self.params.get('y_',sha
xinet·2019-03-27 22:00

pytorch 常用的 loss function

1nn.L1Lossloss(Xi,yi)=∣Xi−yi∣loss(X_{i},y_{i})=|X_{i}-y_{i}|loss(Xi,yi)=∣Xi−yi∣这里我们亲自做一下实验看看具体效果#torch.nn.L1Lossimporttorchl1
chen_you_Nick·2019-03-19 11:51

Teacher Forcing策略在RNN的应用

RNN模型表示公式P(y1,y2,...,yT)=P(y1)∏t=2TP(yt∣y1,y2,...,yt−1)P(y_{1},y_{2},...,y_{T}
忘泪·2019-03-18 13:37

深度学习基础 - 直线

深度学习基础-直线邵盛松高中教科书《数学2必修》中的《直线的方程》74页点斜式方程k=y2−y1x2−x1k=\frac{y_{2}-y_{1}}{x_{2}-x_{1}}k=x2−x1y2−y1y2−
flyfish1986·2019-03-14 21:56

深度学习基础 - 导数

深度学习基础-导数邵盛松斜率（图片来自wiki）k=tan⁡θ=y2−y1x2−x1=ΔyΔxk=\tan\theta=\frac{y_{2}-y_{1}}{x_{2}-x_{1}}=\frac{\Deltay
flyfish1986·2019-03-14 21:10

model.evaluate 和 model.predict 的区别

ntestloss',loss)print('accuracy',accuracy)model.predict输入测试数据,输出预测结果(通常用在需要得到预测结果的时候)#模型预测,输入测试集,输出预测结果y_
云端浅蓝·2019-03-14 14:38

model.evaluate 和 model.predict 的区别

ntestloss',loss)print('accuracy',accuracy)model.predict输入测试数据,输出预测结果(通常用在需要得到预测结果的时候)#模型预测,输入测试集,输出预测结果y_
云端浅蓝·2019-03-14 14:38

搭建神经网络的基本步骤

1搭建神经网络的步骤搭建神经网络，可分为四步完成：准备工作、前向传播、反向传播、循环迭代1-0准备工作导入模块，生成数据集import常量定义生成数据集1-1前向传播定义输入、输出和参数x=,y_=w1
倔强的大萝卜·2019-03-08 22:14

tensorflow——常用损失函数

给定两个概率分布p和q,通过q来表示p的交叉熵为：在tensorflow中交叉熵，实现代码1：cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value
cherry1307·2019-03-07 11:37

机器学习面试必知：XGBoost简介

而XGBoost在决策树构建阶段就加入了正则项即Lt=∑il(yi,Ft−1(xi)+ft(xi))+Ω(ft)L_{t}=\sum_{i}l(y_{i},F_{t-1}(x_{i})+f_{t}(x_
Neekity·2019-03-06 14:04

文件定时备份并上传

/bin/shdateTime=`date+%Y_%m_%d`#当前系统时间days=7#删除7天前的备份数据sorowner=bakuser#备份到此用户下bakdescdir=/DATA/bakmdata
FunySunny·2019-03-04 21:58

目标函数反向求道注意事项

我们会选择一个batch的数据，用其均值求梯度，进行优化#求batch内的均值cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices
gukedream·2019-03-01 10:11

机器学习面试必知：SVM回归的泛化

在简单的线性回归模型中，我们最小化一个正则化的误差函数12∑n=1N(yn−tn)2+λ2∣∣w∣∣2\frac{1}{2}\sum_{n=1}^{N}(y_{n}-t_{n})^{2}+\frac{\
Neekity·2019-02-28 21:14

李航.统计学习方法笔记+Python实现(2)第二章 感知机(perceptron)

函数：f(x)=sign(w∗x+b)f(x)=sign(w*x+b)f(x)=sign(w∗x+b)损失函数：L(w,b)=−Σyi(w∗xi+b)L(w,b)=-\Sigma{y_{i}
geekxiaoz·2019-02-25 20:27

机器学习面试必知：Adaboost算法的精确形式

初始化数据加权系数wn=1/Nw_{n}=1/Nwn=1/N对于m=1,...,Mm=1,...,Mm=1,...,M使用训练数据调节一个分类器ym(x)y_{m}(x)ym(x),调节的目标是最小化加权的误差函数
Neekity·2019-02-23 15:51

感知机算法

第2章感知机二分类模型f(x)=sign(w∗x+b)f(x)=sign(w*x+b)f(x)=sign(w∗x+b)损失函数L(w,b)=−Σyi(w∗xi+b)L(w,b)=-\Sigma{y_{i
Einstellung·2019-02-10 10:34

感知机算法

第2章感知机二分类模型f(x)=sign(w∗x+b)f(x)=sign(w*x+b)f(x)=sign(w∗x+b)损失函数L(w,b)=−Σyi(w∗xi+b)L(w,b)=-\Sigma{y_{i
Einstellung·2019-02-10 10:34

交叉熵 和 softmax 公式及 python 实现

(np.nan_to_num(-y*np.log(a)-(1-y)*np.log(1-a)))#tensorflowversionloss=tf.reduce_mean(-tf.reduce_sum(y_
Xu Liu·2019-02-07 12:58

SecureCRT配置屏幕内容输出到log文件

SecureCRT看不到前几分钟操作的内容，或者想把通过vi命令查看的日志输出到log文件（在懒得下载日志文件的情况下），所以接下来就这样操作：文件保存路径C:\secureCRT\logs\session_%Y_
haijiege·2019-01-17 18:37

考研数学之高等数学知识点整理——12.空间解析几何与向量代数

1向量运算及其性质1.1向量的运算设a={x1,y1,z1},b={x2,y2,z2},c={x3,y3,z3}a=\{x_1,y_1,z_1\},b=\{x_2,y_2,z_2\},c=\{x_3,y_
邻居家的二狗子·2019-01-15 22:30

sklearn.metrics.r2_score

总体平方和（TotalSumofSquares）：TSS=∑i=1n(yi−yiˉ)2TSS=\sum_{i=1}^{n}\left(y_{i}-\bar{y_{
Dear_D·2019-01-09 13:02

sklearn.metrics.r2_score

总体平方和（TotalSumofSquares）：TSS=∑i=1n(yi−yiˉ)2TSS=\sum_{i=1}^{n}\left(y_{i}-\bar{y_{
Dear_D·2019-01-09 13:02

date命令&错误

=date+%Y+%m+%d[root@oldboy56-201~]#date+%F#这里是有空格的2018-12-28date+%Y+%m+%d[root@oldboy56-201~]#date+%Y_
blackBrock·2018-12-28 21:19
上一页 5 6 7 8 9 10 11 12 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他