公式   求导    可知其最大导数在0点，当趋于0时，导数为1/2-1/4=0.25

padding的作用 filter在按照步长移动时候，可能会不够，因此需要填充，例如输入数据是(1,5,5,1), filters是(1,2,2,1)，strides是(1,2,2,1), 那么5%2不等于0，因此多出来一列和一行，这时候就需要填充了；在Tensorflow中是向右填充用最右边一列，向下填充用最下边一行。例如下面的例子中对a进行了填充，得到的结果为(1,6,6,1) a = [[0.0,0,0,0,1], [0,1,-1,0,1], [0,-1,2,1,1], [0,0,2,-1,1], [0,0,2,-1,1]] [[0.0,0,0,0,1,1], [0,1,-1,0,1,1...

softmax公式   其中 为第i个节点的输出值，C为输出节点的个数，即分类的类别个数。通过Softmax函数就可以将多分类的输出值转换为范围在[0, 1]和为1的概率分布。 实际使用的问题以及方案 引入指数函数对于Softmax函数是把双刃剑，即得到了优点也暴露出了缺点：  1.优点 指数函数曲线呈现递增趋势，最重要的是斜率逐渐增大，也就是说在x轴上一个很小的变化，可以导致y轴上很大的变化。这种函数曲线能够将输出的数值拉开距离。假设拥有三个输出节点的输出值为[2, 3, 5]。首先尝试不使用指数函数，接下来使用指数函数的Softmax函数计算。两种计算方式的输出结果分别是： tf.Tens...

1.数据增强 假设我们训练神经网络来完成图片分类任务，希望通过扩增训练数据来解决过拟合的问题，但是扩增数据代价很高，有时候无法扩增数据。那么我们可以通过添加这类图片来增加训练集[1]，例如  水平翻转图片 裁剪图片 旋转、扭曲图片数字等   在计算机图像处理领域，由于图像输入维数非常高，导致很难找到对应那么多的图像，因此data augmentation在CV领域应用极为广泛。  2. early stopping early stopping的思路是，在训练过程中，我们通过观察dev set的误差来判断训练过程是否逐渐过拟合。dev set error通常会先呈下降趋势，然后再某个节点处开始...

线性动态规划中单串 dp[i] 的问题，状态的推导方向以及推导公式如下   分为两类：  依赖比 i 小的 O(1) 个子问题：dp[i] = f(dp[i-1]) 依赖比 i 小的 O(n) 个子问题dp[i] = f(dp[i-1],...dp[0])

工作原理 假如针对上图1的神经网络存在过拟合，dropout通过在训练的过程中随机丢掉部分神经元来减小神经网络的规模从而防止过拟合。 在训练过程中每个iteration，我们随机丢掉部分神经元，针对网络的每一层设置消除神经网络中节点的概率，例如我们设置均为0.5，如下图2所示，并且标记有红色X的的神经元被丢弃，然后删除掉从该节点进出的连线，最后得到一个节点更少，规模更小的网络，那么这次训练过程中的网络结构会简化为图3所示的样子。   在实施dropout时，我们最常用的方法是inverted dropout(反向dropout)，假设采用一个三层网络结构来进行举例说明，对第三层的神经元如何进行...

Given a rows x cols binary matrix filled with 0's and 1's, find the largest rectangle containing only 1's and return its area.    Input: matrix = [["1","0","1","0","0"],["1","0","1","1","1"],["1&...

这一章我们将会介绍分治和贪心算法的核心思想，并与动态规划算法进行比较。 分治 解决分治问题的时候，思路就是想办法把问题的规模减小，有时候减小一个，有时候减小一半，然后将每个小问题的解以及当前的情况组合起来得出最终的结果。例如归并排序和快速排序，归并排序将要排序的数组平均地分成两半，快速排序将数组随机地分成两半。然后不断地对它们递归地进行处理。这里存在有最优的子结构，即原数组的排序结果是在子数组排序的结果上组合出来的，但是不存在重复子问题，因为不断地对待排序的数组进行对半分的时候，两半边的数据并不重叠，分别解决左半边和右半边的两个子问题的时候，  没有子问题重复出现，这是动态规划和分治的区别。 ...

描述： 给定一个无序的整数数组，找到其中最长上升子序列的长度。 示例：  输入: [10,9,2,5,3,7,101,18]输出: 4解释: 最长的上升子序列是 [2,3,7,101]，它的长度是4。请在这里输入引用内容  考虑能否将问题规模减小 将问题规模减小的方式有很多种，一些典型的减小方式是动态规划分类的依据，例如线性，区间，树形等。这里考虑数组上常用的两种思路： 每次减少一半：如果每次将问题规模减少一半，原问题有[10,9,2,5]，和[3,7,101,18]，两个子问题的最优解分别为 [2,5] 和 [3,7,101]，但是找不到好的组合方式将两个子问题最优解组合为原问题最优解 [2...

1. 什么是动态规划 动态规划（英语：Dynamic programming，简称 DP）动态规划不是某一种具体的算法，而是一种算法思想：若要解一个给定问题，我们需要解其不同部分（即子问题），再根据子问题的解以得出原问题的解。 1.1最优子结构   动态规划要解决的都是一些问题的最优解，即从很多解决问题的方案中找到最优的一个。当我们在求一个问题最优解的时候，如果可以把这个问题分解成多个子问题，然后递归地找到每个子问题的最优解，最后通过一定的数学方法对各个子问题的最优解进行组合得出最终的结果。  总结来说就是一个问题的最优解是由它的各个子问题的最优解决定的。  将子问题的解进行组合可以得到原问题...

贵州茅台：股票简称 600519：股票代码 778.00：股票现价 金额（额）：一日交易下来的总金额 量比：是衡量相对成交量的指标，它是开市后每分钟平均成交量与过去5个交易日每分钟平均交易量的比值 高：即开盘到现在买卖双方成交的最高价格 低：开盘到现在买卖双方成交的最低价格 开：即当日的开盘价，开盘价是每个交易日的第一笔成交价 换：换手率，某一段时期内的成交量/发行总股数×100%，是反映市场交投活跃程度最重要的技术指标之一 涨停：股票今日涨停的话，可以达到的价格 跌停：股票今日跌停的话，可以达到的价格 总手：即当日开始成交一直到现在为止总成交手数，一手等于100股。 委比：委比是委买手数、委...

1、交易时间周一至周五 (法定休假日除外)上午9：30 --11：30下午1：00 -- 3：00 2、交易单位股票的交易单位为“股”，100股＝1手，委托买入数量必须为100股或其整数倍 3、涨跌幅限制在一个交易日内，除首日上市证券外，每只证券的交易价格相对上一个交易日收市价的涨跌幅度不得超过10%，超过涨跌限价的委托为无效委托。 4、委托撤单在委托未成交之前，投资者可以撤销委托。 5、"T+1"交收“T”表示交易当天，“T+1”表示交易日当天的第二天。“T+1”交易制度指投资者当天买入的证券不能在当天卖出，需待第二天进行自动交割过户后方可卖出。

参考网站 This page documents the time-complexity (aka "Big O" or "Big Oh") of various operations in current CPython. Other Python implementations (or older or still-under development versions of CPython) may have slightly different performance characteristics. However, it is generall...

Assume you are an awesome parent and want to give your children some cookies. But, you should give each child at most one cookie. Each child i has a greed factor g[i], which is the minimum size of a cookie that the child will be content with; and each cookie j has a size s[j]. If s[j] >= g[i], we...