沒課的一天，結合著師兄給的書，寫一寫日常學習的反思。
西瓜書到手了，還不知道怎麼學，好的公式233，沒有python相關**
隱馬爾科夫模型是關於時序的概率模型，可用於標註問題的統計學問題模型，描述由乙個隱藏的馬爾科夫鏈生成不可觀測的狀態序列，再有各個狀態生成乙個觀測而產生觀測隨機序列的過程。
hmm由初始概率分布π、狀態轉移概率分布a以及觀測概率b確定。
偏差是指我們忽略了多少資料，而方差是指我們的模型對資料的依賴程度。
說你想學英語。你沒有先前的語言知識，但你聽說最偉大的英國作家是莎士比亞。乙個自然的行動方式當然必須是將自己鎖定在圖書館並記住他的作品。經過一年的學習，你從學業中走出來，前往紐約市，並向你看到的第乙個人打招呼，「good dawning to thee, friend!」（這種用法貌似只在莎士比亞作品出現過）作為回應，你看到一臉鄙視和嘀咕』瘋狂』。不受干擾，你再試一次：「dear gentlewoman, how fares our gracious lady?」另一次失敗，匆匆撤退。在第三次嘗試失敗後，你心煩意亂：「悲傷！多麼可悲！」。實際上很遺憾：你剛剛犯了建模中最基本的錯誤之一，過度擬合了訓練資料。
過擬合模型表現為在訓練集上具有高方差和低偏差。
這會導致對新測試資料**時與訓練資料的不一致。讓我們從學習英語的嘗試中打破這個令人困惑的定義。我們想要構建的模型是如何使用英語進行交流的表示。我們的訓練資料是莎士比亞的全部作品，我們的測試集是紐約。如果我們根據社會接受度來衡量績效，那麼我們的模型就無法應用於測試資料。到目前為止，這似乎很簡單，但差異和偏見呢？
如下圖
這裡可以幫助大家完成對卷積池化的理解
上圖是ppt中的講解，下面我再結合例項說明一下。
以手寫識別為例，網路輸入是乙個32x32的手寫數字影象，輸出是其識別結果，cnn復合多個「卷積層」和「取樣層」對輸入訊號進行加工，然後在連線層實現與輸出目標之間的對映.例如每個卷積層都包含多個特徵對映，每個特徵對映是乙個28x28的神經元陣列，其中每個神經元負責從5x5的區域通過卷積濾波器提取區域性特徵。取樣層亦稱為「匯合」（pooling）層，其作用是基於區域性相關性原理進行亞取樣，從而在減少資料量的同時保留有用資訊。例第乙個神經元有6個14x14的特徵對映，其中每個神經元與上一層中對應特徵對映的2x2領域相連，並據此計算輸出。通過復合卷積層和取樣層，cnn將原始影象對映成120維特徵向量，最後通過乙個由84個神經元構成的連線層和輸出層連線完成任務。
日常演算法題分享
牛牛發現西洋棋的棋盤圖案特別好看，是黑白相間的。眾所周知，西洋棋的棋盤是88大小的，不過他現在想讓你列印出乙個nn n為偶數 的西洋棋棋盤。我們用字元 1 表示黑格，0 表示白格。棋盤左上角的格仔為白格，規定與白格相鄰的格仔全部為黑格，與黑格相鄰的格仔全部為白格。輸入描述 僅一行乙個正整數n 2 l...
LNMP經驗分享
王帥 目前的saas平台架構根據產品和量級的需求經歷過多次演變，最終演化成了現在的結構。由最初的快慢分離和簡單容災，增強容災和提供灰度發布能力，逐漸抽取統一資料層 減少無用請求，強化多set模型和立體監控，到最後統一資料儲存。最終演變為 dns gslb lvs tgw 業務邏輯機 nginx ph...
測試經驗分享
測試經驗分享 做測試快兩年半的時間了，在測試過程中接觸到了不少的事情，總結下自己測試工作中的一些經驗吧 1 充分理解需求，找出需求缺陷。測試人員拿到需求 設計文件後，應積極地與需求 設計人員進行溝通確認，並及時地提出自己對相關文件的疑問，這樣做的好處一方面在於幫助測試人員充分理解需求，以保證設計全面...