深度学习基础之-2.3简单的神经网络(单个输入/多个输入)做线性回归+特征值归一化
单个输入Demo
输入层
它在输入层只接受一个输入,经过参数w,b的计算后,直接输出结果。这样一个简单的“网络”,只能解决简单的一元线性回归问题,而且由于是线性的,我们不需要定义激活函数,这就大大简化了程序,而且便于大家循序渐进地理解各种知识点。下面,我们在这个最简的线性回归的例子中,来说明神经网络中最重要的反向传播和梯度下降的概念和过程以及编码实现。
其中,x就是上图中红色点的横坐标值(服务器数),y是纵坐标值(空调功率)。
权重W/B
因为是一元线性问题,所以W/B都是一个标量,记为w和b,我们认为这组数据有这个关系:
输出层
输出层1个神经元,是上述预测公式的直接输出,但定义上有所变化,应该是,z是我们的预测输出,y是实际的样本标签值。
读取文件数据
注意:从本章开始,所有的样本数据的格式都是:每一列是一个样本的所有特征,每一行是某个特征的所有样本。
比如,如果有一个4个样本的数据集,每个样本有两个特征,其数据结构是这样的: 最终,样本数据的样子是:
样本Id | 1 | 2 | 3 | 4 | (更多样本向右扩展) |
---|---|---|---|---|---|
特征1 | … | ||||
特征2 | … | ||||
(更多特征向下扩展) | … | … | … | … | … |
对于标签数据Y,一般只有一个标签值,所以是个(1,m)的二维矩阵,与X对应的。
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Pathx_data_name = "X04.dat"
y_data_name = "Y04.dat"def ReadData():Xfile = Path(x_data_name)Yfile = Path(y_data_name)if Xfile.exists() & Yfile.exists():X = np.load(Xfile)Y = np.load(Yfile)# 注意这里和前面的例子不同return X.reshape(1,-1),Y.reshape(1,-1)else:return None,None
在上面的code里的reshape,实际上是把一个一维数组(m,)变成1行m列的二维数组(1,m)。这个例子中,X只有一个特征,所以只有一行。
前向计算
def ForwardCalculation(w,b,x):z = np.dot(w, x) + breturn z
关于Python的函数命名规范,一般是用aa_bb这种形式,而不是AaBb的形式,这是个人习惯而已,大家自己随意。而关于变量命名规范,我个人习惯用大写X表示一个矩阵,用小写x表示一个变量或一个样本。
损失函数
我们用传统的均方差函数,其中,z是每一次迭代的预测输出,y是样本标签数据。我们使用所有样本参与计算,因此损失函数实际为:
其中的分母中有个2,实际上是想在求导数时把这个2约掉,没有什么原则上的区别。
为什么使用所有样本参与计算呢?因为单个样本或少量样本的损失并不能代表广大人民群众的利益。一条直线可能正好穿过一个点,那么对于这个点来说,它的误差为0,但对于其它样本来说,误差就可能很大。
我们暂时不需要实现这个损失函数,只是用来定义梯度下降时的求导过程。
反向传播
下面的代码是通过梯度下降法中的公式推导而得的。
def BackPropagation(x,y,z):dZ = z - ydB = dZdW = np.dot(dZ, x)return dW, dB
dZ是中间变量,避免重复计算。dZ又可以写成delta_Z,是某一层神经网络的反向误差输入。
梯度更新
def UpdateWeights(w, b, dW, dB, eta):w = w - eta*dWb = b - eta*dBreturn w,b
推理
def Inference(w,b,x):z = ForwardCalculation(w,b,x)return z
推理过程,实际上就是一个前向计算过程,我们把它单独拿出来,方便对外接口的设计。
获得指定的一个训练样本
def GetSample(X,Y,i):x = X[0,i]y = Y[0,i]return x,y
结果显示函数
def ShowResult(X, Y, w, b, iteration):# draw sample dataplt.plot(X, Y, "b.")# draw predication dataPX = np.linspace(0,1,10)PZ = w*PX + bplt.plot(PX, PZ, "r")plt.title("Air Conditioner Power")plt.xlabel("Number of Servers(K)")plt.ylabel("Power of Air Conditioner(KW)")plt.show()print(iteration)print(w,b)
对于初学神经网络的人来说,可视化的训练过程及结果,可以极大地帮助理解神经网络的原理。
主程序
if __name__ == '__main__':# learning rateeta = 0.1# set w,b=0, you can set to others values to have a try#w, b = np.random.random(),np.random.random()w, b = 0, 0# create mock up dataX, Y = ReadData()# count of samplesnum_example = X.shape[1]for i in range(num_example):# get x and y value for one samplex,y = GetSample(X,Y,i)# get z from x,yz = ForwardCalculation(w, b, x)# calculate gradient of w and bdW, dB = BackPropagation(x, y, z)# update w,bw, b = UpdateWeights(w, b, dW, dB, eta)ShowResult(X, Y, w, b, 1)result = Inference(w,b,0.346)print("result=", result)
运行结果
epoch=1,iteration=200,w=1.918221,b=3.077801
result= 3.741505043252122
最终我们得到了W=1.918,B=3.077,然后根据这两个值画出了上图中的红线:
预测时,已知有346台服务器,先要除以1000,因为横坐标是以K(千台)服务器为单位的,代入前向计算函数,得到的结果是3.74千瓦。
多个输入Demo
我们定义一个一层的神经网络,输入层为3或者更多,反正大于2了就没区别。这个一层的神经网络没有中间层,只有输入项和输出层(输入项不算做一层),而且只有一个神经元,并且神经元有一个线性输出,不经过激活函数处理。亦即在下图中,经过求和得到Z值之后,直接把Z值输出。
矩阵运算过程:
上述公式中括号中的数字表示该矩阵的 (行,列) 数,如W(1,3)表示W是一个1行3列的矩阵。
输入层
我们先看一下样本数据的样子:
样本序号 | 1 | 2 | 3 | … | 1000 |
---|---|---|---|---|---|
朝向(东南西北) | 2 | 2 | 3 | … | 3 |
地理位置(几环) | 4 | 6 | 3 | … | 3 |
居住面积(平米) | 79 | 116 | 109 | … | 98 |
整套价格(万元) | 469 | 631 | 323 | … | 576 |
单独看一个样本是这样的:
一共有1000个样本,每个样本3个特征值,X就是一个的矩阵,模样是酱紫的:
表示第一个样本,表示第一个样本的一个特征值,是第一个样本的标签值。
权重W和B
木头:老师,为何不把这个表格转一下,变成横向是样本特征值,纵向是样本数量?那样好像更符合思维习惯?
铁柱:确实是!但是在实际的矩阵运算时,由于是,W在前面,X在后面,所以必须是这个样子的:
假设每个样本x有n个特征向量,上式中的W就是一个的向量,让每个w都对应一个x:
B是个单值,因为只有一个神经元,所以只有一个bias,每个神经元对应一个bias,如果有多个神经元,它们都会有各自的b值。
输出层
由于我们只想完成一个回归(拟合)任务,所以输出层只有一个神经元。由于是线性的,所以没有用激活函数。
对于拟合,可以想象成用一支笔在一堆点中画一条直线或者曲线,而那一个神经元就是这支笔。如果有多个神经元,可以画出多条线来,就不是拟合了,而是分类。
运行
怀着期待的心情用颤抖的右手按下了运行键…but…what happened?
epoch=0
0 0 55883834476.133575 [[ 101.0507623 201.66401831 3960.19459875]] [[50.13519931]]
0 1 2.075927906874647e+16 [[ -61796.96353768 -123594.36458166 -2410062.36310063]] [[-30898.87195068]]
0 2 3.7752686053459638e+22 [[5.60309885e+07 1.68154762e+08 3.25097149e+09]] [[28015493.83866825]]
0 3 5.332628913256499e+28 [[-1.06460908e+11 -1.06348785e+11 -3.86686449e+12]] [[-3.5477631e+10]]
......
0 110 inf [[5.83856788e+303 1.17197663e+304 3.22400448e+305]] [[5.86699589e+303]]
0 111 inf [[-1.00706180e+307 -1.00647368e+307 -inf]] [[-3.35295186e+306]]
0 112 nan [[inf inf nan]] [[inf]]
0 113 nan [[nan nan nan]] [[nan]]
0 114 nan [[nan nan nan]] [[nan]]
......
怎么会overflow呢?于是右手的颤抖没有停止,左手也开始颤抖了。
数值太大,导致计算溢出了。第一次遇到这个情况,但相信不会是最后一次,因为这种情况在神经网络中太常见了。我们再看看损失函数历史记录:
损失函数值随着迭代次数快速上升,说明训练没有收敛,而是发散了。
解决训练不收敛问题
仔细分析一下屏幕打印信息:
0 0 48904435754.68428 [[ 93.8 187.6 3705.1]] [[46.9]]
0 1 1.8166533368107932e+16 [[ -57809.94 -115619.88 -2254540.76]] [[-28904.97]]
前两次迭代的损失值已经是天文数字了,后面的W和B的值也在不断变大,说明网络发散了。
难度我们遇到了传说中的梯度爆炸!数值太大,导致计算溢出了。第一次遇到这个情况,但相信不会是最后一次,因为这种情况在神经网络中太常见了。别慌,擦干净头上的冷汗,踩着自己的尸体继续前行!
回想一个问题:为什么在前几章中,我们没有遇到这种情况?把样本拿来看一看:
样本序号 | 1 | 2 | 3 | … | 200 |
---|---|---|---|---|---|
服务器数量(千) | 0.928 | 0.0469 | 0.855 | … | 0.373 |
空调功率(千瓦) | 4.824 | 2.950 | 4.643 | … | 3.594 |
因为所有的X值(服务器数量)都是在[0,1]之间的,而本次的数据有三个特征值,全都是不是在[0,1]之间的,并且取值范围还不相同。我们不妨把本次样本数据也做一下这样的处理,亦即“归一化”。
其实,数据归一化是深度学习的必要步骤之一,已经是魔法师们家喻户晓的技能,也因此它很少被各种博客/文章所提及,以至于麻瓜们经常被坑。
为什么要做归一化
理论层面上,神经网络是以样本在事件中的统计分布概率为基础进行训练和预测的,也就是说:
- 样本的各个特征的取值要符合概率分布,即[0,1]
- 样本的度量单位要相同。我们并没有办法去比较1米和1公斤的区别,但是,如果我们知道了1米在整个样本中的大小比例,以及1公斤在整个样本中的大小比例,比如一个处于0.2的比例位置,另一个处于0.3的比例位置,就可以说这个样本的1米比1公斤要小!
- 神经网络假设所有的输入输出数据都是标准差为1,均值为0,包括权重值的初始化,激活函数的选择,以及优化算法的的设计。
- 数值问题:归一化/标准化可以避免一些不必要的数值问题。因为sigmoid/tanh的非线性区间大约在**[-1.7,1.7]**。意味着要使神经元有效,tanh( w1x1 + w2x2 +b) 里的 w1x1 +w2x2 +b 数量级应该在 1 (1.7所在的数量级)左右。这时输入较大,就意味着权值必须较小,一个较大,一个较小,两者相乘,就引起数值问题了。
- 初始化:在初始化时我们希望每个神经元初始化成有效的状态,tansig函数在[-1.7, 1.7]范围内有较好的非线性,所以我们希望函数的输入和神经元的初始化都能在合理的范围内使得每个神经元在初始时是有效的。(如果权值初始化在[-1,1]且输入没有归一化且过大,会使得神经元饱和)
- 梯度:以输入-隐层-输出这样的三层BP为例,我们知道对于输入-隐层权值的梯度有2ew(1-a^2)*x的形式(e是误差,w是隐层到输出层的权重,a是隐层神经元的值,x是输入),若果输出层的数量级很大,会引起e的数量级很大,同理,w为了将隐层(数量级为1)映身到输出层,w也会很大,再加上x也很大的话,从梯度公式可以看出,三者相乘,梯度就非常大了。这时会给梯度的更新带来数值问题。
- 学习率:知道梯度非常大,学习率就必须非常小,因此,学习率(学习率初始值)的选择需要参考输入的范围,不如直接将数据归一化,这样学习率就不必再根据数据范围作调整。 对w1适合的学习率,可能相对于w2来说会太小,若果使用适合w1的学习率,会导致在w2方向上步进非常慢,会消耗非常多的时间,而使用适合w2的学习率,对w1来说又太大,搜索不到适合w1的解。如果使用固定学习率,而数据没归一化,则后果可想而知。
回到房价数据问题
房价数据中,地理位置的取值范围是[2,6],而房屋面积的取值范围为[40,120],二者相差太远,就不可以放在一起计算了。
在这个式子中,如果X1的取值是[2,6],X2的取值是[40,120],相差太远,而且都不在[0,1]之间,所以对于神经网络来说很难理解。下图展示了归一化前后的情况Loss值的等高图,意思是地理位置和房屋面积取不同的值时,作为组合来计算损失函数值时,形成的类似地图的等高图。左侧为归一化前,右侧为归一化后
房屋面积的取值范围是[40,120],而地理位置的取值范围是[2,6],二者会形成一个很扁的椭圆,如左侧。这样在寻找最优解的时候,过程会非常曲折。运气不好的话,如同我们上面的代码,根本就没法训练。
几个基本数学概念
- 均值mean:
- 标准差stdandard deviation:
- 方差variance
- 协方差covariance
结果为正,表示X,Y是正相关。
归一化
把数据线性地变成[0,1]或[-1,1]之间的小数,把带单位的数据(比如米,公斤)变成无量纲的数据,区间缩放。
归一化有三种方法:
- Min-Max归一化:
- 平均值归一化:
- 非线性归一化:
标准化
把每个特征值中的所有数据,变成平均值为0,标准差为1的数据,最后为正态分布。
Z-score规范化(标准差标准化 / 零均值标准化,其中std是标准差):
中心化
平均值为0,无标准差要求:
再次返回房价问题,归一化后的损失
损失虽然收敛,但是和预期相差甚远
正规方程的解是:w1=2.000000,w2=-10.000000,w3=5.000000,b=110.000000
神经网络的解是:
w= [[ 5.99981695 -40.00019134 394.99950271]] b= [[292.00048552]]
差距有点大,如下表:
方法 | W1 | W2 | W3 | B | 预测结果 |
---|---|---|---|---|---|
正规方程 | 2 | -10 | 5 | 110 | 529万元 |
神经网络 | 5.99 | -40.00 | 394.99 | 292.00 | 36838万元 |
样本数据:
特征 | 朝向 | 位置 | 面积 |
---|---|---|---|
最小值 | 1 | 2 | 40 |
最大值 | 4 | 6 | 119 |
待预测房子参数 | 2 | 5 | 93 |
计算一下W的变化率,再和特征缩放值去比较
结果 | W1 | W2 | W3 | B |
---|---|---|---|---|
正规方程 | 2 | -10 | 5 | 110 |
神经网络 | 5.99 | -40.00 | 394.99 | 292.00 |
倍差 | 5.99/2=3 | -40/-10=4 | 394.99/5=79 | 292/110=2.65 |
归一化前后的数据
特征 | 朝向 | 位置 | 面积 |
---|---|---|---|
最小值 | 1 | 2 | 40 |
最大值 | 4 | 6 | 119 |
范围 | 4-1=3 | 6-2=4 | 119-40=79 |
发现:通过对比发现,第一张表最后一行的数据,和第二张表最后一行的数据,有惊人的相似之处
还原真实的W,B值
唯一修改的地方,就是样本数据特征值的归一化,我们并没有修改标签值!,所以必须将权重和偏置还原到未归一化之前。
假设在归一化之前,真实的样本值是,真实的权重值是;在归一化之后,样本值变成了,训练出来的权重值是:
由于训练时标签值(房价)并没有做归一化,意味着我们是用真实的房价做的训练,所以预测值和标签值应该相等,所以:
归一化的公式是:
把公式2代入公式1:
第二项是个常数,即: 如果想让公式3等式成立,则变量项和常数项分别相等,即: 从公式4,两边除以X,可以得到:
正确预测方法(不需要还原到正规方程需要的权重和偏置)
在线性问题中,还能够还原W和B的值,
在非线性问题中或者深层网络,可能根本做不到这一点。
所以,可以把需要预测的数据,也先做归一化,然后用训练出来的W/B的值来计算,得到预测结果。
https://github.com/microsoft/ai-edu/blob/master/B-教学案例与实践/B6-神经网络基本原理简明教程/04.3-神经网络法.md
https://github.com/microsoft/ai-edu/blob/master/B-教学案例与实践/B6-神经网络基本原理简明教程/05.5-正确的推理方法.md
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- 通过IDOC实现EDI与SAP集成(三) - 发送IDOC到SAP系统
目录通过IDOC实现EDI与SAP集成(一) - 连接SAP系统通过IDOC实现EDI与SAP集成(二) - 登录SAP系统通过IDOC实现EDI与SAP集成(三) - 发送IDOC到SAP系统通过IDOC实现EDI与SAP集成(四) - 接收来自SAP系统的IDOC查看完整分享,可前往 SAP(IDoc) PORT。同时可免费下载产品进行实际操作。…...
2024/4/15 16:25:36 - T-SQL象数组一样处理字符串 Tsql大秘密
T-SQL对字符串的处理能力比较弱,比如要循环遍历象1,2,3,4,5这样的字符串,如果用数组的话,遍历很简单,但是T-SQL不支持数组,所以处 理下来比较麻烦。下边的函数,实现了象数组一样去处理字符串。 一、按指定符号分割字符串,返回分割后的元素个数,方法 很简单,就是看字符…...
2024/4/13 5:15:05 - 关于SAP ides 4.7.1的下载和成功安装
DES4.7.1的光盘和资料下载地址为http://board.verycd.com/t375356.html,如果当时无法下载,可以在不同的时段多尝试几次,应该是可以下载的,电驴和迅雷都可以。 关于安装前的准备,硬件设备是必须的。 其次关于安装的过程,基本可以参照随光盘一起下载的sap.471.ides[杨生].f…...
2024/4/13 5:14:55 - TSQL创建数据库的格式和注意事项
一、建数据库 1.省事的写法(对数据库无要求时) USE master //转到master数据库,如果本来就在master下那就不用写 IF EXISTS(SELECT * FROM sysdatabases WHERE name="数据库名") //判断一下数据库是否已经存在 DROP DATABASE 数据库名 //在上面条件成立的时候执…...
2024/4/13 5:15:10 - SAP 最佳业务实践 ( Best Practices )
下载和查看 SAP 最佳业务实践 首先,从 SAP Service Marketplace 下载 SAP 最佳业务实践 文档和所需附件。 更多信息,请参阅如何获取 SAP 最佳业务实践。 转到业务信息章节并查看该处的文档。此章节展示了大致框架并且含有业务情景和处理流程的概览。同时也显示详细、逐项流程…...
2024/4/5 18:30:56 - 神经网络模型的各种优化算法
1.批量梯度下降算法(Batch Gradient Descent)思想:基于整个训练集的损失迭代更新梯度。优点:1. 由于梯度更新考虑的是全局的损失,所以不会陷入局部最优;缺点:1. 由于计算的是整个训练集的损失,所以每次迭代的计算量较大,占用内存大;公式理解:更新参数向使得损失减小的…...
2024/4/17 22:44:00 - 程序中下载采购申请的附件
一、可以对采购申请挂载附件,通过两种方式: 1、使用GOS,直接挂附件,GOS这个名词比较唬人,其实就是在PR界面上使用 创建附件,注释等.这样挂载的附件只能挂到某个PR上,不能对行项目挂附件。 2、使用DMS,可以细到对行项目挂附件。(没用过,目前没空研究) 二、使用第一个…...
2024/4/13 5:15:10 - 跨数据库访问,Tsql语句
select * from OPENDATASOURCE( SQLOLEDB, Data Source=远程ip;User ID=sa;Password=密码 ).库名.dbo.表名 insert 本地库名..表名 select * from OPENDATASOURCE( SQLOLEDB, Data Source=远程ip;User ID=sa;Password=密码 ).库名.dbo.表名 或使用联结服务器: --创建linkServer…...
2024/4/13 5:15:05 - SAP Cloud Platform 实现 SAP Web IDE 单点登录(ADFS)
前言在SAP Cloud使用企业内的AD作为用户验证的问题是,在SAP中,我们使用S账号进行登录,而这个S账号在企业的AD中并不存在,同样的,企业中的账号在SAP也不存在.于是需要让SAP相信企业的验证,并使用企业的用户账号作为Cloud平台操作的账号. 在 SAP Cloud Platform中,需要为企业的…...
2024/4/13 5:14:55 - Tsql 获取服务器信息
Tsql 获取服务器属性,如服务器版本。服务器名 ref:http://technet.microsoft.com/zh-cn/library/ms174396.aspxselect serverproperty (servername) select serverproperty (BuildClrVersion); select serverproperty (Collation); select serverproperty (CollationID); sel…...
2024/4/13 5:15:51 - rsync服务实现推送,拉取
原文链接:https://yq.aliyun.com/articles/548889/(这里也是转载,但是这里给的原文链接没有访问到,就先用这个了)1.简介rsync是一款远程数据同步工具,一个Rsync server能够同时备份多个客户端数据,需要scp,ssh,daemon的支持,默认端口为873。rsync + crond 可以实现数…...
2024/4/18 9:06:46 - SAP GUI 750 windows 免费下载
百度网盘自行获取 数据永久有效 链接:https://pan.baidu.com/s/1lwL4GlIk1nWNPI8qNeByEQ 提取码:d672...
2024/4/5 11:01:41 - 正则表达式之一:TSQL注释的查找
最近自己做了个小项目,涉及到了大量的正则表达式匹配和处理,在这里也和大家分享一下。 我相信接触过SQL Server数据库的很多朋友都知道,它是以"--"开头来进行注释的,但你觉得匹配它真的很容易吗? 让我们来看一些例子:--获取表的count信息 select count(*) from …...
2024/4/13 5:16:01 - 如何让SAP的ONLINE HELP(SAP Library)有效
新安装好的SAP系统,联机帮助是不能用的(与F1帮助不同的是,F1帮助是用于显示某个字段的含义,而SAP Library应用程序帮助可以显示当前页面的操作内容,比如MM01创建物料主数据的方法及步骤),通过菜单中的“帮助-应用程序帮助”和“帮助-SAP库”都打不开任何帮助页面。这并…...
2024/4/16 12:21:28 - SAPUI5入门到精通1---sapui5介绍
个人觉的SAPUI5前景还是不错的!!-----只写精华,不要震精,尽可能记住每一句话!打算用14遍将核心内容写完一句话概括SAPUI5----HTML5的工具包! SAPUI5是啥,你怎么得到他!! SAPUI5是一个工具包,可以轻松构建SAP和非SAP相关的Web应用程序。作为客户端工具,SAPUI5由CSS,HTM…...
2024/4/14 15:54:20 - TSQL实例(一)
T-SQL语句分类: 数据定义语句(例:create table table_name /drop table table_name)数据控制语句(例:grant revoke)数据操作语句(例:select update delete) 流程控制语句(例: if else )变量申明语句(例:declare @a int);1、变量与常量:常量:数字常量:整…...
2024/4/14 5:20:48 - 测量TSQL语句的性能
你怎样确定你的应用程序执行的怎么样?你可以使用什么工具?每一个开发人员需要确定每一条应用程序TSQL语句是最优的。本篇文章将讲述关于怎样确定运行较慢的查询的一些不同方法,并提供给你一些小技巧用于在你反复修改每一个查询来试图改进性能的时候监控你的查询性能。[@more…...
2024/4/13 5:16:11 - SAP增强包(EHP)和支持包(SP)的区别
对于SAP的系统版本,有两个基础的概念容易混淆,即“增强包”和“支持包”。那么,到底什么是“增强包”?什么又是“支持包”呢? 1. “增强包”的由来 2004年,SAP发布了由SAP R/3进化来的产品,即基于SAP NetWeaver的SAP ERP(也称SAP ECC 5.0)。2006年,基于新一代平台SAP…...
2024/4/11 6:14:26 - .net如何与SAP进行接口-SAP .NET Connector简介
如何让.net与SAP进行接口,这是个非常有意义的工作,SAP功能虽强,但一般的用户对它的界面还是很不习惯,尤其是有太多参数要填写,容易使人迷惑。而用.net编程,可以做出更友好的界面,屏蔽不需要输入的参数,并为用户完成部分默认参数的设置,这就简化了对SAP的直接操作。这里…...
2024/4/13 5:15:51 - CSV文件上传下载分隔符问题以及ABAP正则式
前些天在群里讨论CSV文件上传时分隔符的问题, 当时写个两个事例程序, 可能以后有用, 还是在这里备注下吧. 1. 当上传的CSV文件是用逗号分隔时FM, TEXT_CONVERT_CSV_TO_SAP中指定分隔符不起作用, 下面的代码通过一个convert subroutine 将itab中的分隔符手工处理下, 再给这个FM用…...
2024/4/13 5:16:16
最新文章
- 二分法问题
日升时奋斗,日落时自省 目录 1、二分法 2、二分法问题 2.1 、在排序数组中查找元素的第一个和最后一个位置 2.2、搜索插入位置 2.3、山脉数组的峰顶索引 2.4、0-n-1中缺失的数字 1、二分法 二分法是比较简单的一种查找算法,但是效率很高࿰…...
2024/4/19 6:06:33 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 【THM】Protocols and Servers(协议和服务器)-初级渗透测试
介绍 这个房间向用户介绍了一些常用的协议,例如: HTTP协议文件传输协议POP3邮件传输协议IMAP每个协议的每个任务都旨在帮助我们了解底层发生的情况,并且通常被优雅的GUI(图形用户界面)隐藏。我们将使用简单的 Telnet 客户端来使用上述协议进行“对话”,以充分了解GUI客户…...
2024/4/17 3:45:23 - 【图论】知识点集合
边的类型 neighbors(邻居):两个顶点有一条共同边 loop:链接自身 link:两个顶点有一条边 parallel edges:两个顶点有两条及以上条边 无向图 必要条件:删掉顶点数一定大于等于剩下的顶点数 设无向图G<V,E>是…...
2024/4/18 20:00:28 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/4/18 0:33:31 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/4/18 22:36:36 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/18 9:45:31 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/4/17 2:33:17 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/17 7:50:46 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/18 3:56:01 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/18 3:56:04 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/18 3:55:30 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/18 3:55:54 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/4/18 3:55:45 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/17 21:50:30 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/15 13:53:08 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/15 9:16:52 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/18 9:24:29 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/4/18 3:56:18 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/4/18 3:55:57 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/18 3:55:50 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/15 23:28:22 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/4/18 3:56:20 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/18 3:56:11 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57