目录

  • 1. 分层聚类是什么
  • 2. 分层聚类代码实现
  • 3. 随机游走
    • 3.1 随机游走是什么
  • 4. 《On clustering using random walks》阅读笔记
    • 3.1 NS: Separation by neighborhood similarity.
    • 3.2 CE: Separation by circular escape.

1. 分层聚类是什么

层次聚类(hierarchical clustering)试图在不同层次对数据集进行划分,从而形成树状的聚类结构。数据集的划分可以采用“自底向上”的聚合策略,也可采用“自顶向下”的分拆策略。由于“自底向上”的策略更加通用,在这里只讨论它。

AGNES(AGglomerative NESting)算法是“自底向上”的策略的层次聚类方法,它先将数据集中每个样本作为初始聚类簇,算法在每次迭代过程中找出距离最近(相似性最高)的两个簇进行合并,不断迭代,直到达到预设的聚类簇个数。
在这里插入图片描述

这里的距离区别于点对点之间的距离,簇Ci,CjC_i,C_jCi,Cj之间的距离可以被定义为:
最小距离:dmin(Ci,Cj)=min⁡x∈Ci,z∈Cjdist(x,z)(1)最小距离:d_{min}(C_i,C_j) = \min_{x \in C_i,z \in C_j}dist(x,z) \tag{1}dmin(Ci,Cj)=xCi,zCjmindist(x,z)(1)
最大距离:dmax(Ci,Cj)=max⁡x∈Ci,z∈Cjdist(x,z)(2)最大距离:d_{max}(C_i,C_j) = \max_{x \in C_i,z \in C_j}dist(x,z) \tag{2}dmax(Ci,Cj)=xCi,zCjmaxdist(x,z)(2)
平均距离:davg(Ci,Cj)=1∣Ci∣∣Cj∣∑x∈Ci∑z∈Cjdist(x,z)(3)平均距离:d_{avg}(C_i,C_j) = \frac{1}{|C_i||C_j|}\sum_{x \in C_i}\sum_{z \in C_j}dist(x,z)\tag{3}davg(Ci,Cj)=CiCj1xCizCjdist(x,z)(3)

集合之间的距离计算通常采用豪斯多夫距离(Hausdorff distance):

豪斯多夫距离:h(Ci,Cj)=max⁡x∈Ci{min⁡z∈Cj{dist(x,z)}}豪斯多夫距离:h(C_i,C_j) = \max_{x \in C_i}\{\min_{z \in C_j}\{dist(x,z)\}\}h(Ci,Cj)=xCimax{zCjmin{dist(x,z)}}

A more general definition of Hausdorff distance would be :
H(Ci,Cj)=max⁡{h(Ci,Cj),h(Cj,Ci)}H(C_i,C_j) = \max\{h(C_i,C_j),h(C_j,C_i)\}H(Ci,Cj)=max{h(Ci,Cj),h(Cj,Ci)}

伪代码:

1.  h = 0
2.  for every point ai of A,2.1  shortest = Inf ;2.2  for every point bj of Bdij = d (ai , bj )if dij < shortest thenshortest = dij2.3  if shortest > h thenh = shortest

当簇之间的距离采用dmin,dmax,davgd_{min}, d_{max}, d_{avg}dmin,dmax,davg的时候,AGNES算法相应的被称为单链接(single-linkage),全链接(complete-linkage)或均链接(average-linkage)算法。

In Single-Link clustering similarity between clusters is measured as the similarity between the most similar pair of elements, one from each of the clusters, while in Complete-Link clustering the similarity is measured using the least similar pair of elements.

similarity between clusters is measured as the similarity between the most similar pair of elements, one from each of the clusters, while in Complete-Link clustering the similarity is measured using the least similar pair of elements.

2. 分层聚类代码实现

伪代码:
在这里插入图片描述

# 自底向上层次聚类算法
import tsplib95
import numpy as np
import sys# 预设聚类簇数
k = 6# 距离计算函数 0: max, 1: min; 2: average; 3: hausdorff
dist_func = 3# 聚类簇距离度量函数
def get_cluster_distance(cluster1, cluster2, problem):dist = 0if dist_func == 0:dist = get_distance_max(cluster1, cluster2, problem)elif dist_func == 1:dist = get_distance_min(cluster1, cluster2, problem)elif dist_func == 2:dist = get_distance_average(cluster1, cluster2, problem)elif dist_func == 3:dist = get_distance_hausdorff(cluster1, cluster2, problem)else:print("dist_func is not follow standard!")return distdef get_node_distance(node1, node2, problem):return problem.get_weight(node1, node2)# 计算簇之间距离: 最大距离
def get_distance_max(cluster1, cluster2, problem):dist_max = 0for i in np.arange(0, len(cluster1)):for j in np.arange(0, len(cluster2)):temp_dist = get_node_distance(i+1, j+1, problem)if temp_dist > dist_max:dist_max = temp_distreturn dist_max# 计算簇之间距离: 最小距离
def get_distance_min(cluster1, cluster2, problem):dist_min = sys.maxsizefor i in np.arange(0, len(cluster1)):for j in np.arange(0, len(cluster2)):temp_dist = get_node_distance(i+1, j+1, problem)if temp_dist < dist_min:dist_min = temp_distreturn dist_min# 计算簇之间距离: 平均距离
def get_distance_average(cluster1, cluster2, problem):dist_sum = 0for i in np.arange(0, len(cluster1)):for j in np.arange(0, len(cluster2)):temp_dist = get_node_distance(i+1, j+1, problem)dist_sum += temp_distreturn dist_sum/(len(cluster1)*len(cluster2))# 计算簇之间距离: 豪斯多夫距离
def get_distance_hausdorff (cluster1, cluster2, problem):dist_max = 0for i in np.arange(0, len(cluster1)):dist_min = sys.maxsizefor j in np.arange(0, len(cluster2)):temp_dist = get_node_distance(i+1, j+1, problem)if temp_dist < dist_min:dist_min = temp_distif dist_min > dist_max:dist_max = dist_minreturn dist_max# 从tsp问题中读取数据,初始化样本集合sample_set
def initial_sample_set(file_path):problem = tsplib95.load(file_path)sample_set = []for i in np.arange(0, problem.dimension):temp_list = [i + 1]sample_set.append(temp_list)return problem, sample_set# 寻找最近的两个簇
def find_nearest_cluster(sample_set, problem):# O(n^2)clusterIndex1 = -1clusterIndex2 = -1min_dist = sys.maxsizefor i in np.arange(0, len(sample_set)-1):for j in np.arange(i+1, len(sample_set)):temp_dist = get_cluster_distance(sample_set[i], sample_set[j], problem)if temp_dist < min_dist:min_dist = temp_distclusterIndex1 = iclusterIndex2 = jreturn clusterIndex1, clusterIndex2# 打印输出层次聚类结果
def print_cluster_result(sample_set):print(str(sample_set))if __name__ == '__main__':file_path = "D:\\dataset\\tsp\\dantzig42.tsp\\dantzig42.tsp"problem, sample_set = initial_sample_set(file_path)while len(sample_set) > k:clusterIndex1, clusterIndex2 = find_nearest_cluster(sample_set, problem)# 样本集合中删除对应元素# sample_set.remove(clusterIndex1)# sample_set.remove(clusterIndex2)cluster1 = sample_set[clusterIndex1].copy()cluster2 = sample_set[clusterIndex2].copy()del sample_set[clusterIndex2]del sample_set[clusterIndex1]# 将合并好的簇添加到样本集合中cluster1.extend(cluster2)sample_set.append(cluster1)print_cluster_result(sample_set)# 为每个聚类簇穷举遍历

3. 随机游走

random walk(英文版)
random walk(翻译)
随机游走量子化

3.1 随机游走是什么

To define this walk formally, take independent random variables Z1,Z2,…{\displaystyle Z_{1},Z_{2},\dots}Z1,Z2, , where each variable is either 1 or −1, with a 50% probability for either value, and set S0=0⁣andSn=∑j=1nZj{\displaystyle S_{0}=0\,\!} \, and \, {\displaystyle S_{n}=\sum _{j=1}^{n}Z_{j}}S0=0andSn=j=1nZj. The series {Sn}⁣{\displaystyle \{S_{n}\}\,\!}{Sn} is called the simple random walk on Z{\displaystyle \mathbb {Z} }Z . This series (the sum of the sequence of −1s and 1s) gives the net distance walked, if each part of the walk is of length one. The expectation E(Sn)⁣ofSn⁣{\displaystyle E(S_{n})\,\!} of {\displaystyle S_{n}\,\!}E(Sn)ofSn is zero. That is, the mean of all coin flips approaches zero as the number of flips increases. This follows by the finite additivity property of expectation:

E(Sn)=∑j=1nE(Zj)=0.{\displaystyle E(S_{n})=\sum _{j=1}^{n}E(Z_{j})=0.}E(Sn)=j=1nE(Zj)=0.
A similar calculation, using the independence of the random variables and the fact that E(Zn2)=1{\displaystyle E(Z_{n}^{2})=1}E(Zn2)=1, shows that:

E(Sn2)=∑i=1nE(Zi2)+2∑1≤i<j≤nE(ZiZj)=n.{\displaystyle E(S_{n}^{2})=\sum _{i=1}^{n}E(Z_{i}^{2})+2\sum _{1\leq i<j\leq n}E(Z_{i}Z_{j})=n.}E(Sn2)=i=1nE(Zi2)+21i<jnE(ZiZj)=n.
This hints that E(∣Sn∣)⁣{\displaystyle E(|S_{n}|)\,\!}E(Sn) the expected translation distance after n steps, should be of the order of n{\displaystyle {\sqrt {n}}}n. In fact,[6]

lim⁡n→∞E(∣Sn∣)n=2π.{\displaystyle \lim _{n\to \infty }{\frac {E(|S_{n}|)}{\sqrt {n}}}={\sqrt {\frac {2}{\pi }}}.}nlimnE(Sn)=π2.

体会: 随机游走就如他的名字(random walk)一样,下一步的状态只与当前状态和状态转移概率矩阵有关,和上一步的决策无关(有点像动态规划的思想)。上面的定义是在一维线性空间的,同样对于不同维度空间,也是一样的。

对于一个无向带权图来说:
无向带权图
邻接矩阵:
0101101101001100\begin{array}{cccc} 0 & 1 & 0 & 1 \\ 1 & 0 & 1 & 1 \\ 0 & 1 & 0 & 0 \\ 1& 1 & 0 & 0 \\ \end{array} 0101101101001100

添加自环,对角线设为1
1101111101101101\begin{array}{cccc} 1 & 1 & 0 & 1 \\ 1 & 1 & 1 & 1 \\ 0 & 1 & 1 & 0 \\ 1& 1 & 0 & 1 \\ \end{array} 1101111101101101
计算每个节点的度
d=(3,4,2,3)\mathrm{d}=(3, 4,2,3)d=(3,4,2,3)

随机游走概率矩阵:
1314013131412130141201314013\begin{matrix} \frac{1}{3} & \frac{1}{4} & 0 & \frac{1}{3}\\ \frac{1}{3} & \frac{1}{4} & \frac{1}{2} & \frac{1}{3}\\ 0 & \frac{1}{4} & \frac{1}{2}& 0 \\ \frac{1}{3} & \frac{1}{4} & 0 & \frac{1}{3}\\ \end{matrix} 3131031414141410212103131031

4. 《On clustering using random walks》阅读笔记

论文:On clustering using random walks 2001
阅读笔记:

We now offer two methods for performing the edge separation, both based on deterministic analysis of random walks.

边缘分离,锐化

NS: Separation by neighborhood similarity.

CE: Separation by circular escape.

the weighted neighborhood : 加权领域
bipartite subgraph

算法理解:
let G(V,E,ω)G(V,E,\omega)G(V,E,ω) be a weighted graph, VVV is the set of nodes, EEE is the edge between nodes in VVV, ω\omegaω is the function ω:E→Rn\omega:E \to \mathbb{R}^nωERn, that measures the simularity between pairs of items.

pij=ω(i,j)dip_{ij} = \frac{\omega(i,j)}{d_i}pij=diω(i,j)
di=∑k=1nω(i,k)d_i = \sum_{k=1}^n\omega(i,k)di=k=1nω(i,k)

MG∈Rn×nM^G \in \mathbb{R}^{n \times n}MGRn×n is the associated transition matrix,
MijG={pij,⟨i,j⟩∈E0,otherwiseM^G_{ij} = \begin{cases} p_{ij},\langle i,j \rangle \in E \\ 0,\textrm{otherwise} \end{cases}MijG={pij,i,jE0,otherwise

这里的内容比较坑,我在论文中一直找不到关于Pvisitk(i)P^{k}_{\textrm{visit}}(i)Pvisitk(i)是怎么计算的,在这里卡了好久好久。

在原文中的描述是这样的:

Now, denote by Pvisitk(i)∈RnP^k_{visit}(i) \in \mathbb{R}^nPvisitk(i)Rn the vector whose j-th component is the probability that a random walk originating at i will visit node j in its k-th step. Thus,Pvisitk(i)P^k_{visit}(i)Pvisitk(i) is the i-th row in the matrix (MG)k(M^G)^k(MG)k, the k’th power of MGM^GMG.

现在我们知道MGM^GMG是怎样计算的,但是(MG)k(M^G)^k(MG)k呢,在原文中的描述是’'the k’th power of MGM^GMG", 我理解的应该是原有矩阵MGM^GMG的k次方(矩阵的乘法)。

Pvisitk(i)P^k_{visit}(i)Pvisitk(i) is the i-th row in the matrix (MG)k(M^G)^k(MG)k,

Pvisitk(i)=(MG)ikP^k_{visit}(i) = (M^G)^k_iPvisitk(i)=(MG)ik
(MG)k={Pvisitk(1)T,Pvisitk(2)T,…,Pvisitk(n)T}(M^G)^k=\{P^k_{visit}(1)^{\mathbf{T}}, P^k_{visit}(2)^{\mathbf{T}}, \dots, P^k_{visit}(n)^{\mathbf{T}}\}(MG)k={Pvisitk(1)T,Pvisitk(2)T,,Pvisitk(n)T}

Notice: 其实到这里,和马尔可夫聚类算法(MCL)是一样的。MCL是不断迭代,知道矩阵不再改变,这里作者考虑到计算复杂,采用前k次计算结果的和来作为替代。

Pvisit≤k(v)=∑i=1kPvisiti(v)P^{\leq k}_{\textrm{visit}}(v) = \sum_{i=1}^kP^{i}_{\textrm{visit}}(v) Pvisitk(v)=i=1kPvisiti(v)

3.1 NS: Separation by neighborhood similarity.

NS(G)=dfnGs(V,E,ωs)NS(G) \xlongequal{dfn} G_s(V, E, \omega_s)NS(G)dfnGs(V,E,ωs),
where ∀⟨v,u⟩∈E,ωs(u,v)=simk(Pvisit≤k(v),Pvisit≤k(u))\forall \langle v, u \rangle \in E, \omega_s(u, v) = sim^k(P^{\leq k}_{visit}(v),P^{\leq k}_{visit}(u))v,uE,ωs(u,v)=simk(Pvisitk(v),Pvisitk(u))

simk(x,y)sim^k(x,y)simk(x,y) is some similarity measure of the vectors x\mathrm{x}x and y\mathrm{y}y, whose value increases as x\mathrm{x}x and y\mathrm{y}y are more similar.

simk(x,y)sim^k(x,y)simk(x,y) the suitable choose:
fk(x,y)=dfnexp⁡(2k−∥x−y∥L1)−1(1)f^k(x,y) \xlongequal{dfn} \exp(2k − \|x − y\|_{L_1}) − 1 \tag{1}fk(x,y)dfnexp(2kxyL1)1(1)
∥x−y∥L1=∑i=1n∣xi−yi∣\|x − y\|_{L_1} = \sum_{i=1}^n|x_i-y_i|xyL1=i=1nxiyi

another choose is:
cos⁡(x,y)=(x,y)(x,x).(y,y)(2)\cos(x,y)= \frac{(x,y)}{\sqrt{(x,x)}.\sqrt{(y,y)}} \tag{2}cos(x,y)=(x,x).(y,y)(x,y)(2)
where (·,·) denotes inner-product.(内积)

3.2 CE: Separation by circular escape.

谱聚类
MCL
MCL GitHub

查看全文
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

  1. 生成四位数随机数

    public static void main(String[] args) {try{/* getByCaseSnParamMap(); */}catch(Exception e){e.printStackTrace();}int x;//定义两变量Random nenew Random();//实例化一个random的对象nexne.nextInt(9999-10001)1000;//为变量赋随机值1000-9999System.out.println("…...

    2024/3/6 5:22:27
  2. office2021抢先安装附图文教程

    链接:https://pan.baidu.com/s/1B4WzdtN5ZBQTeHHn2ZXGCQ?pwdw106 提取码:w106...

    2024/3/4 15:52:07
  3. 【jzoj 6276】树(线段树)(扫描线)

    树 题目链接&#xff1a;jzoj 6276 题目大意 给你一棵树&#xff0c;然后给你一些点对&#xff0c;问你有多少条路径满足路径上不存在任何一组给出的点对。 一个点不算路径。 思路 不难看出我们可以把它弄成一两组限制条件&#xff0c;就是一个 dfs 序上的区间上的点都不能…...

    2024/3/26 6:33:30
  4. list 集合的基础

    在List<>,集合类方法中&#xff0c; 集合&#xff08;Collection&#xff09;类是专门用于数据存储和检索的类。这些类提供了对栈&#xff08;stack&#xff09;、队列&#xff08;queue&#xff09;、列表&#xff08;list&#xff09;和哈希表&#xff08;hash table…...

    2024/3/4 15:52:04
  5. mosquitto库的使用记录

    本文记录了使用mosquitto库实现MQTT协议通信的发布端及常见错误的解决方法 订阅端的测试工具为MQTT.fx 下载链接链接&#xff1a;https://pan.baidu.com/s/1ztWGXbrLAqCoMoJKpwO7yg 提取码&#xff1a;mu8v MQTT 是一种基于发布/订阅&#xff08;publish/subscribe&#xff0…...

    2024/3/23 7:09:24
  6. 03.图标字体(iconfont库)

    iconfont库是国内的图标字体库&#xff0c;在测试使用时可以随便使用&#xff0c;但在为公司商用时&#xff0c;要先联系作者版权问题&#xff0c;他没有相应的文档&#xff0c;使用时需要哪个就得把哪个下载到本地&#xff0c;具体使用步骤如下&#xff1a; 1.将需要的图标字…...

    2024/3/22 8:26:39
  7. 关于os.listdir得到的文件乱序的问题

    其实我觉得一般情况下都是有序的 但是偶尔无序就带来的危害超级大 这时就需要对得到的列表排序 按名字排序也可以 : filelist.sort(key lambda x:int(x)) 但注意X要是可以排序的 比如可以取他们名字的一部分 X[2:5]这样子按时间排序有时也很必要&#xff1a; filelist sort…...

    2024/3/6 5:22:31
  8. Sqoop抽取hive字段错位的解决办法

    1.观察是不是设置了分隔符 2.select的时候把每一个字段都写出来 3.检测原表的字段顺序和目标表的字段顺序是否一致...

    2024/3/23 8:46:18
  9. 文件或文件夹正在使用无法删除

    有的时候&#xff0c;文件关闭后&#xff0c;后台还在引用&#xff0c;导致文件无法删除&#xff0c;无法重命名。这个时候需要找到哪个后台程序在引用文件&#xff0c;将其关闭。 方法/步骤 1 我们点击电脑桌面开始菜单&#xff0c;在运行栏内输入“资源监视器”&#xff0c;然…...

    2024/3/22 5:22:16
  10. linux基本操作

    文件操作 pwd:输出当前工作目录 ls&#xff1a;列出当前目录下的文件 -l 显示详细信息 mkdir&#xff1a;创建文件夹 touch:创建文件 cp: a b copy a to b rm&#xff1a;删除文件 -r 删除包含文件的目录 cd&#xff1a;切换工作目录 ..返回上一级 ./用绝对路径 /相…...

    2024/3/6 5:22:21
  11. uni-app微信公众号(5)——新增、修改地址

    承接上面一篇文章&#xff0c;没有看到上篇文章的童鞋请点这里uni-app微信公众号&#xff08;4&#xff09;——地址管理页面_徐小硕—心之所向&#xff0c;素履以往-CSDN博客当然在一个类似商城的公众号中&#xff0c;自然也少不了用户地址的添加&#xff0c;下面我们就写一个…...

    2024/3/7 7:47:05
  12. 四十、centos安装sqoop(使用Sqoop完成MySQL和HDFS之间的数据互导)

    环境准备&#xff1a; centos 7 centos 可以上网 hadoop&#xff0c;Hbase&#xff0c;Hive&#xff0c;Zookeeper正常运行 环境搭建&#xff1a; 版本&#xff1a; sqoop1.4.7-hadoop2.6.0一、Sqoop安装 1、直接在虚拟机浏览器下载sqoop1.4.7 https://archive.apache.org…...

    2024/3/19 2:43:05
  13. let obj = Object.create(null) 与 let obj = {} 有什么区别?

    Object.create(null)创建的对象是非常纯净的&#xff0c;没有任何其它元素 而另一个let创建的对象是带有_proto_的&#xff0c;下面有一些方法与属性&#xff0c;这便是js的原型链继承&#xff0c;它继承了Object的方法和属性 比如说&#xff0c;我只需要用对象来保存一些数据…...

    2024/3/14 12:47:16
  14. 二叉树的静态实现

    不使用指针来完成二叉树的所有操作&#xff5e; 使用静态二叉链表来避免指针的使用 静态二叉链表&#xff1a;左右指针域使用int型来进行替代&#xff0c;用来表示左右子树的根结点在数组中的下标。为此建立一个大小为结点上限的node型数组&#xff0c;所有动态生成的结点都直…...

    2024/3/6 5:22:15
  15. 在PyTorch中使用自己的数据集

    太累了 看了一上午CSDN还是没搞明白 看的下面的up主的讲解 做一下笔记 免得忘记 在pytorch中自定义dataset读取数据_哔哩哔哩_bilibili 主要内容&#xff1a;如何划分训练集 验证集 数据读取 预处理 代码在github上 pytorch_classification文件夹下custom_dataset文件夹…...

    2024/3/6 5:22:14
  16. 行内元素浮动,以及块元素浮动

    行内元素横向排列 不可以设置宽高 内外边距,大小是内容大小 当其浮动后就变的像行内块元素,就可以设置宽高! 内外边距 块元素 Block块级元素的宽是独占一行&#xff0c;如果不设置&#xff0c;宽度继承100%占满文档 inline-block元素却是仅以自身内容为宽度。 元素浮动后…...

    2024/3/6 5:22:14
  17. mac appium环境搭建

    appium环境的搭建其实也不复杂&#xff0c;主要是配置的比较多&#xff0c;只是在配置的过程中&#xff0c;根据当时的机器配置会遇到一些具体问题&#xff0c;一个个解决就可以了。 安装下面这篇文章搭建就可以了 超详细的Mac下appium环境搭建 配置java环境有问题&#xff0c;…...

    2024/3/6 5:22:12
  18. vue 项目表格(el-table)列表添加序号

    vue 项目表格列表添加序号 第一种 <template slot-scope"scope">{{ scope.$index 1}} </template>此方法在切换页码时&#xff0c;还是1,2&#xff0c;…10 第二种&#xff1a;结合页码条数 <template slot-scope"scope">{{ (page …...

    2024/3/14 20:48:12
  19. [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources

    问题描述&#xff1a; [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources) on project springcloud0101-eureka-server: Input length 1 -> [Help 1] 问题分析&#xff1a; 1、plugins标签里面缺少mav…...

    2024/3/6 5:22:10
  20. 【工具类】commons-lang3包下StringUtils.isNotBlank()和StringUtils.isNotBlank()的区别

    依赖&#xff1a;<dependency><groupId>org.apache.commons</groupId><artifactId>commons-lang3</artifactId><version>3.8.1</version></dependency>//StringUtils.isEmpty()//判断参数是否为空。(为空的标准是strnull,str.…...

    2024/3/6 5:22:10

最新文章

  1. 机器学习算法的另一个分支-贝叶斯算法原理(贝叶斯要解决什么问题)

    目录 一、贝叶斯简介 二、贝叶斯要解决的问题 三、例子&#xff08;公式推导&#xff09; 四、实例 1. 拼写纠正实例 2. 垃圾邮件过滤实例 一、贝叶斯简介 1. 贝叶斯&#xff1a;英国数学家。1702年出生于伦敦&#xff0c;做过神甫。贝叶斯在数学方面主要研究概率论.对于…...

    2024/3/29 16:21:38
  2. 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&#xff0c;在此感激不尽。 权重和梯度的更新公式如下&#xff1a; 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
  3. 2024年腾讯云最新优惠活动整理汇总

    随着云计算技术的不断发展&#xff0c;越来越多的企业和个人开始选择将业务迁移到云端。腾讯云作为国内领先的云计算服务提供商&#xff0c;不仅提供了稳定、安全的云服务&#xff0c;还通过一系列的优惠活动&#xff0c;为用户带来了实实在在的福利。2024年&#xff0c;腾讯云…...

    2024/3/29 12:30:48
  4. 【ZooKeeper】1、基本介绍

    本文基于 Apache ZooKeeper Release 3.7.0 版本书写 作于 2022年3月6日 14:22:11 转载请声明 1、Zookeeper是什么&#xff1f; 由ZooKeeper的官网介绍可知&#xff1a; ZooKeeper 是Apache原子基金会下一个开源的、用于提供可靠的分布式协同的服务器。 ZooKeeper 可以用来 配置…...

    2024/3/28 15:00:50
  5. 【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…...

    2024/3/27 10:21:24
  6. 【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…...

    2024/3/24 20:11:25
  7. 【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…...

    2024/3/29 2:45:46
  8. 【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…...

    2024/3/24 20:11:23
  9. 【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…...

    2024/3/29 5:19:52
  10. 【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…...

    2024/3/28 17:01:12
  11. 【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…...

    2024/3/29 11:11:56
  12. 【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…...

    2024/3/29 1:13:26
  13. 【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…...

    2024/3/29 8:28:16
  14. 【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…...

    2024/3/29 7:41:19
  15. 【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、…...

    2024/3/24 20:11:18
  16. 【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…...

    2024/3/29 9:57:23
  17. 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…...

    2024/3/29 0:49:46
  18. 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…...

    2024/3/24 20:11:15
  19. 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…...

    2024/3/27 7:12:50
  20. 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…...

    2024/3/24 20:11:13
  21. 「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…...

    2024/3/26 11:21:23
  22. 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…...

    2024/3/28 18:26:34
  23. 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」。 …...

    2024/3/28 12:42:28
  24. 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…...

    2024/3/28 20:09:10
  25. 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&#xff1a;1、长按电脑电源键直至关机&#xff0c;然后再按一次电源健重启电脑&#xff0c;按F8健进入安全模式2、安全模式下进入Windows系统桌面后&#xff0c;按住“winR”打开运行窗口&#xff0c;输入“services.msc”打开服务设置3、在服务界面&#xff0c;选中…...

    2022/11/19 21:17:18
  26. 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。

    %读入6幅图像&#xff08;每一幅图像的大小是564*564&#xff09; 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
  27. 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&#xff0c;在等待界面中我们需要等待操作结束才能关机&#xff0c;虽然这比较麻烦&#xff0c;但是对系统进行配置和升级…...

    2022/11/19 21:17:15
  28. 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&#xff0c;请勿关闭计算机”的提示&#xff0c;要过很久才能进入系统&#xff0c;有的用户甚至几个小时也无法进入&#xff0c;下面就教大家这个问题的解决方法。第一种方法&#xff1a;我们首先在左下角的“开始…...

    2022/11/19 21:17:14
  29. 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&#xff0c;电脑时发现开机屏幕显现“正在配置Windows Update&#xff0c;请勿关机”(如下图所示)&#xff0c;而且还需求等大约5分钟才干进入系统。这是怎样回事呢&#xff1f;一切都是正常操作的&#xff0c;为什么开时机呈现“正…...

    2022/11/19 21:17:13
  30. 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&#xff0c;没过几秒后电脑自动重启&#xff0c;每次开机都这样无法进入系统&#xff0c;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&#xff1a;开机按下F8&#xff0c;在出现的Windows高级启动选…...

    2022/11/19 21:17:12
  31. 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&#xff0c;就是电脑提示正在准备windows请勿关闭计算机&#xff0c;碰到这样的问题该怎么解决呢&#xff0c;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&#xff1a;1、2、依次…...

    2022/11/19 21:17:11
  32. 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&#xff0c;每次关机的时候桌面上都会显示一个“配置Windows Update的界面&#xff0c;提示请勿关闭计算机”&#xff0c;每次停留好几分钟才能正常关机&#xff0c;导致什么情况引起的呢&#xff1f;出现配置Windows Update…...

    2022/11/19 21:17:10
  33. 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&#xff0c;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&#xff0c;只能是考虑备份数据后重装系统了。解决来方案一&#xff1a;管理员运行cmd&#xff1a;net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...

    2022/11/19 21:17:09
  34. 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&#xff1a;电脑提示“配置Windows Update请勿关闭计算机”怎么办&#xff1f;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&#xff1f;一般的方…...

    2022/11/19 21:17:08
  35. 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 &#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;关机提示 windows7 正在配…...

    2022/11/19 21:17:05
  36. 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
  37. 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&#xff0c;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&#xff0c;长时间没反应&#xff0c;无法进入系统。这个问题原来帮其他同学也解决过&#xff0c;网上搜了不少资料&#x…...

    2022/11/19 21:17:04
  38. 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&#xff0c;并在最后教给你1种保护系统安全的好方法&#xff0c;一起来看看&#xff01;电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中&#xff0c;添加了1个新功能在“磁…...

    2022/11/19 21:17:03
  39. 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&#xff0c;开启电脑发现电脑显示&#xff1a;配置windows更新失败&#xff0c;正在还原更改&#xff0c;请勿关闭计算机。。.这要怎么办呢&#xff1f;下面小编就带着大家一起看看吧&#xff01;如果能够正常进入系统&#xff0c;建议您暂时移…...

    2022/11/19 21:17:02
  40. 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&#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;配置windows update失败 还原更改 请勿关闭计算机&#x…...

    2022/11/19 21:17:01
  41. 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&#xff0c;就是我们的win7系统在关机的时候&#xff0c;总是喜欢显示“准备配置windows&#xff0c;请勿关机”这样的一个页面&#xff0c;没有什么大碍&#xff0c;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&#xff0c;非常…...

    2022/11/19 21:17:00
  42. 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&#xff0c;一般是您正对windows进行升级&#xff0c;但是这个要是长时间没有反应&#xff0c;我们不能再傻等下去了。可能是电脑出了别的问题了&#xff0c;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
  43. 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&#xff0c;当我们打开电脑之后&#xff0c;发现一直停留在一个界面&#xff1a;“配置Windows Update失败&#xff0c;还原更改请勿关闭计算机”&#xff0c;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&#xff0…...

    2022/11/19 21:16:58
  44. 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