BatchSize的数值并不是设置的越大越好通常我们可能会认为设置较大的batchsize时，模型的训练效果会比较好。原因有以下几点：1、模型由于每次得到较多的训练数据，模型的下降方向会更加准确，模型训练曲线会更加平滑。2、减少了训练时间。同样的epoch时，batchsize需要的batch数目减少了，所以处理速度变快了。但是啊但是，较大的batchsize有以下几点问题需要注意：1、内存问题。较大的batch可能会造成内存/显存溢出2、泛化能力下降。这一点是我之前没有考虑到的一点。使用太大的批处理大小可能会在训练期间对网络的准确性产生负面影响，因为它减少了梯度下降的随机性。使用较小的批处
《Python机器学习手册——从数据预处理到深度学习》这本书类似于工具书或者字典，对于python具体代码的调用和使用场景写的很清楚，感觉虽然是工具书，但是对照着做一遍应该可以对机器学习中python常用的这些库有更深入的理解，在应用中也能更为熟练。以下是根据书上的代码进行实操，注释基本写明了每句代码的作用(写在本句代码之前)和print的输出结果（写在print之后）。不一定严格按照书上内容进行，根据代码运行时具体情况稍作顺序调整，也加入了一些自己的理解。如果复制到自己的环境下跑一遍输出，相信理解会更深刻更清楚。博客中每个代码块代表一次完整的运行结果，可以直接以此为单位复制并运行。04-处理
《Python机器学习手册——从数据预处理到深度学习》这本书类似于工具书或者字典，对于python具体代码的调用和使用场景写的很清楚，感觉虽然是工具书，但是对照着做一遍应该可以对机器学习中python常用的这些库有更深入的理解，在应用中也能更为熟练。以下是根据书上的代码进行实操，注释基本写明了每句代码的作用(写在本句代码之前)和print的输出结果（写在print之后）。不一定严格按照书上内容进行，根据代码运行时具体情况稍作顺序调整，也加入了一些自己的理解。如果复制到自己的环境下跑一遍输出，相信理解会更深刻更清楚。博客中每个代码块代表一次完整的运行结果，可以直接以此为单位复制并运行。04-处理
1自动微分我们在《数值分析》课程中已经学过许多经典的数值微分方法。许多经典的数值微分算法非常快，因为它们只需要计算差商。然而，他们的主要缺点在于他们是数值的，这意味着有限的算术精度和不精确的函数求值，而这些都从根本上限制了求解结果的质量。因此。充满噪声的、复杂多变的函数很难得到精准的数值微分。自动微分技术（称为“automaticdifferentiation,autodiff”）是介于符号微分和数值微分的一种技术，它是在计算效率和计算精度之间的一种折衷。自动微分不受任何离散化算法误差的约束，它充分利用了微分的链式法则和其他关于导数的性质来准确地计算它们。2前向自动微分我们先来计算简单的前向自
1自动微分我们在《数值分析》课程中已经学过许多经典的数值微分方法。许多经典的数值微分算法非常快，因为它们只需要计算差商。然而，他们的主要缺点在于他们是数值的，这意味着有限的算术精度和不精确的函数求值，而这些都从根本上限制了求解结果的质量。因此。充满噪声的、复杂多变的函数很难得到精准的数值微分。自动微分技术（称为“automaticdifferentiation,autodiff”）是介于符号微分和数值微分的一种技术，它是在计算效率和计算精度之间的一种折衷。自动微分不受任何离散化算法误差的约束，它充分利用了微分的链式法则和其他关于导数的性质来准确地计算它们。2前向自动微分我们先来计算简单的前向自
项目开发中前后端数据交互常会使用id作为主键索引，通常id数值都不大，使用number类型就可以表示处理，但对于一些分布式id或其他情况，id数值太大且超过了JS的最大处理数(Math.pow(2, 53)= 9007199254740992)时就会存在精度问题：Math.pow(2,53)+1= 9007199254740992;实际例子：当后端返回了这样一个id数值的数据，可以看到此数值已经超过了JS的最大处理数，丢失了精度，前端此时拿到的id值是错误的，此时涉及id的前后端数据交互，前端传输的参数id为1528669910682108000，后端无法根据此id找到对应的数据或者找出了其他
项目开发中前后端数据交互常会使用id作为主键索引，通常id数值都不大，使用number类型就可以表示处理，但对于一些分布式id或其他情况，id数值太大且超过了JS的最大处理数(Math.pow(2, 53)= 9007199254740992)时就会存在精度问题：Math.pow(2,53)+1= 9007199254740992;实际例子：当后端返回了这样一个id数值的数据，可以看到此数值已经超过了JS的最大处理数，丢失了精度，前端此时拿到的id值是错误的，此时涉及id的前后端数据交互，前端传输的参数id为1528669910682108000，后端无法根据此id找到对应的数据或者找出了其他
1随机优化算法概述随着大数据的出现，确定性优化算法的效率逐渐称为瓶颈。为了说明这一点，我们来看一个用梯度下降法求解线性回归的例子。给定训练样本\(D=\{(x_i,y_i)\}_{i=1}^n\)，线性回归的目标函数如下：\[f(w)=\frac{1}{n}\sum_{i=1}^nf_i(w)=\frac{1}{n}\sum_{i=1}^n(w^Tx_i-y_i)^2\]这里\(w\in\mathbb{R}^d\)为模型参数。梯度下降法的更新规则为：\[w^{t+1}=w^t-\eta\nablaf(w^t)=w^t-\frac{2\eta}{n}\sum_{i=1}^nx_i\left((w
1随机优化算法概述随着大数据的出现，确定性优化算法的效率逐渐称为瓶颈。为了说明这一点，我们来看一个用梯度下降法求解线性回归的例子。给定训练样本\(D=\{(x_i,y_i)\}_{i=1}^n\)，线性回归的目标函数如下：\[f(w)=\frac{1}{n}\sum_{i=1}^nf_i(w)=\frac{1}{n}\sum_{i=1}^n(w^Tx_i-y_i)^2\]这里\(w\in\mathbb{R}^d\)为模型参数。梯度下降法的更新规则为：\[w^{t+1}=w^t-\eta\nablaf(w^t)=w^t-\frac{2\eta}{n}\sum_{i=1}^nx_i\left((w
最近在使用Nordic的最新蓝牙芯片nRF52832开发过程中，因为做一些测试涉及到对内存地址的操作，有(*(volatileunsignedint*)0xE000EDFC)的用法然后进行宏定义，本文将解析一下这种用法。代码解析先来看下面一段代码：#defineARM_CM_DEMCR(*(volatileunsignedint*)0xE000EDFC)#defineARM_CM_DWT_CTRL(*(volatileunsignedint*)0xE0001000)#defineARM_CM_DWT_CYCCNT(*(volatileunsignedint*)0xE0001004)这段代码的结
