1.CSS权重 是指样式的优先级，有两条或多条样式作用于一个元素，权重高的那条样式对元素起作用，权重相同的，后写的样式会覆盖前面写的样式。 2.权重的等级 （1）!important,加在样式属性值后，权重值为10000 （2）内联样式，如：style=""，权重值为1000 （3）ID选择器，如： ...
分类：
Web程序 时间：
2020-07-03 17:11:30
阅读次数：
79
选择器的权重 伪类 :hover 当鼠标悬浮在元素上方时，向元素添加样式 :active 向被激活的元素添加样式 :first-child 向元素的第一个子元素添加样式 :focus 向拥有键盘输入焦点的元素添加样式 :link 向未被访问的链接添加样式 :visited 向已被访问的链接添加样式 ...
分类：
Web程序 时间：
2020-07-03 15:14:41
阅读次数：
55
矩阵分解 Matrix Factorization 矩阵因子分解[Koren等人，2009]是推荐系统文献中一个成熟的算法。矩阵分解模型的第一个版本是由simonfunk在一篇著名的博客文章中提出的，在文章中描述了将交互矩阵分解的思想。后来由于2006年举行的Netflix竞赛而广为人知。当时，流媒 ...
分类：
其他好文 时间：
2020-07-01 20:05:29
阅读次数：
70
TF-IDF的定义及计算 最近在做一些NLP的研究，由于也是第一次做这个东西，其实还是发现很多有意思的东西。 相信很多做过NLP的人都应该接触过提取关键词的这个功能。现在有很多可以使用的第三方工具包可以很容易的来实现这个功能，比如snowNLP，jieba等，但是我们还是要做到知其然，知其所以然，所 ...
分类：
其他好文 时间：
2020-06-28 09:13:35
阅读次数：
129
感知机需要人工设定权重，而神经网络可以自动地从数据中学习到合适的权重参数。 激活函数（activation function）——将输入信号的总和转换为输出信号。激活函数的作用在于决定如何激活输入信号的总和。 阶跃函数——一旦输入超过阈值，就切换输出。一般而言，“朴素感知机”是指单层网络，指的是激活 ...
分类：
其他好文 时间：
2020-06-27 23:58:18
阅读次数：
134
DeepWalk 与词嵌入类似，图嵌入基本理念是基于相邻顶点的关系，将目的顶点映射为稠密向量，以数值化的方式表达图中的信息，以便在下游任务中运用。 Word2Vec根据词与词的共现关系学习向量的表示，DeepWalk受其启发。它通过随机游走的方式提取顶点序列，再用Word2Vec模型根据顶点和顶点的 ...
分类：
其他好文 时间：
2020-06-27 16:16:29
阅读次数：
194
目标 带权重的有向图上单源最短路径问题。且权重都为非负值。如果采用的实现方法合适，Dijkstra运行时间要低于Bellman-Ford算法。 思路 选择一个节点开始蔓延 计算自身到连接它的一级节点之间的距离， 全部作为候选集 在候选集中，找到距离最短的，对应的那个节点 删除这个节点在候选集中的信息 ...
分类：
编程语言 时间：
2020-06-26 10:40:55
阅读次数：
63
最近在研究深度学习的论文，但是由于基础薄弱，所以下网上看了好多关于感知器的文章，总结如下： 我们先从最简单的单层感知机学起，单层感知机是一个多输入单输出的模型。 输入：x1, x2 权重：w1, w2 偏置：b 输出：y 为什么要f映射呢？ 我们知道f是激活函数，是非线性函数。 如果我们没有激活函数 ...
分类：
其他好文 时间：
2020-06-25 17:33:16
阅读次数：
52
梯度消失的原因： 在多层网络中，影响梯度大小的因素主要有两个：权重和激活函数的偏导。深层的梯度是多个激活函数偏导乘积的形式来计算，如果这些激活函数的偏导比较小（小于1）或者为0，那么梯度随时间很容易vanishing；相反，如果这些激活函数的偏导比较大（大于1），那么梯度很有可能就会explodin ...
分类：
其他好文 时间：
2020-06-25 17:19:23
阅读次数：
50
背景 了解深度学习中的梯度爆炸与消失的原因，及如何处理梯度爆炸与消失。 梯度消失 梯度消失是激活函数和权重矩阵初始化值，这两个因素决定的。 sigmoid函数，求导的最大值为0.25 根据链式求导法则：导数小于0.25，如果初始化的W值，再小于1，这样逐个相乘后，会导致偏差为0，最终导致网路中的参数 ...
分类：
其他好文 时间：
2020-06-24 17:49:19
阅读次数：
48
