书栈网 · BookStack 本次搜索耗时 0.021 秒,为您找到 3382 个相关结果.
  • 七、变种

    七、变种 7.1 Item2Vec 7.2 sentence2vec 7.2.1 Skip-Thought 7.2.2 Quick Thought 7.2.3 InferSent 7.2.4 多任务联合 sentence-vec 7.2.5 Universal Sentence Encoder 7.3 doc2vec 七、变种 7...
  • 七、Column

    七、Column 7.1 方法 七、Column Column 代表了DataFrame 的一列 有两种创建Column 的方式: 通过DataFrame 的列名来创建: df . colName df [ 'colName' ] 通过Column 表达式来创建: df . colName + 1 1...
  • 七、Kafka

    1312 2019-12-08 《大数据入门指南》
    Kafka 简介 基于 Zookeeper 搭建 Kafka 高可用集群 Kafka 生产者详解 Kafka 消费者详解 深入理解 Kafka 副本机制
  • 七、其他

    七、其他 7.1 项目贡献 7.2 用户接入登记 7.3 开源协议和版权 捐赠 七、其他 7.1 项目贡献 欢迎参与项目贡献!比如提交PR修复一个bug,或者新建 Issue 讨论新特性或者变更。 7.2 用户接入登记 更多接入的公司,欢迎在 登记地址 登记,登记仅仅为了产品推广。 7.3 开源协议和版权 产品开源免费,并...
  • 七、DeepFM

    七、DeepFM 7.1 模型 7.2 实验 七、DeepFM 理解用户点击行为背后隐藏的交叉特征对于 CTR 预估非常重要。例如,对 app store 的研究表明:人们经常在用餐时间下载送餐 app 。这说明:app 类别和时间戳构成的交叉特征可以作为 CTR 预估的信号。 通常用户点击行为背后的特征之间的各种交互非常复杂,其中的...
  • 七、SENet

    七、SENet 7.1 SE 块 7.1.1 squeeze 操作 7.1.2 excitation 操作 7.1.3 SE 块使用 7.2 网络性能 七、SENet SENet 提出了一种新的架构单元来解决通道之间相互依赖的问题。它通过显式地对通道之间的相互依赖关系建模,自适应的重新校准通道维的特征响应,从而提高了网络的表达能力。 S...
  • 七、dropout

    七、dropout 7.1 dropout 与 bagging 7.2 模型推断 7.3 示例 7.4 性质 7.5 dropout 与正则化 七、dropout dropout :在前向传播过程中,对网络中的每个隐层,每个隐单元都以一定的概率 被删除,最后得到一个规模更小的网络。在反向传播过程中,仅仅针对该小网络进行权重更新。 所...
  • 七、性能

    性能 性能 在普通机器上,对于 1 万条记录 NeDB 吞吐量 (带索引): Insert: 5950 ops Find: 25440 ops Update: 4490 ops Remove: 6620 ops
  • 七、WALKLETS

    七、WALKLETS 7.1 模型 7.2 实验 7.2.1 可视化 7.2.2 多标签分类 七、WALKLETS 社交网络本质都是分层的,每个人(顶点)都属于多个社区,这些社区范围从小型社区(如家庭、朋友)、中型社区(如学校、企业)到大型社区(如民族、国家),代表了不同尺度 scale 的关系。 随着关系尺度的变化,网络的拓扑结构也发...
  • 七、栗子

    七、栗子 7. 使用举例 七、栗子 7. 使用举例 构造对象 //构造对象 JdbcOperate jOperate = new JdbcOperate ( dataSource ); String sql = "" ; 查询测试 //查询测试 ...