u3coding – No practice, no gain in one's wit

Android架构–测试选择

Posted on 2018年4月27日 by u3coding / 0 Comment

需要用到的测试工具库

1.espresso google官方提供的一个ui测试库
2.mockito 一个可以模拟各种类并进行注入/返回的库
3.junit 测试常用库

View的测试

使用espresso测试，espresso是一个谷歌官方推出的测试库，可以模拟进行各种ui操作，并判断组件状态。
例子

@RunWith(AndroidJUnit4.class)
public class MainActivityTest {
    @Rule
    public ActivityTestRule<MainActivity> mActivityRule = new ActivityTestRule(MainActivity.class);//初始化
    @Test
    public void checkButtonIsShow(){
        onView(withId(R.id.fab)).check(matches(isDisplayed()));//检测是否可见
    }

}

@RunWith(AndroidJUnit4.class)

public class MainActivityTest {

@Rule

public ActivityTestRule<MainActivity> mActivityRule = new ActivityTestRule(MainActivity.class);//初始化

@Test

public void checkButtonIsShow(){

onView(withId(R.id.fab)).check(matches(isDisplayed()));//检测是否可见

}

关于espresso的使用详见官方手册，这里只做引出,如果要做进一步测试，可以用mock来模拟一个ViewModel并inject来进行测试。

ViewModel

ViewModel部分与repositor[……]

Android技术/中文文章

Android架构体系–样例解析

Posted on 2018年4月25日 by u3coding / 1 Comment

接上一篇文章的概念分析的内容，这篇文章主要给出一个实际的mvvm例子来分析。

上一篇文章在这里Android架构体系–结构和组件选择

样例目的

通过mvvm模式和room（google提供的持久化库）来进行user类的显示/添加功能

结构

view:MainActivity(显示user)，AddNewUserActivity(添加user)
viewmodel:UserViewModel(负责与model层通信，持有repository实例，并提供获取/插入user的操作）
model:user(实例类),userdao,appdatabase（初始化数据库实例类）,userrep[……]

Android技术/中文文章

Android架构体系–结构和组件选择

Posted on 2018年4月17日 by u3coding / 1 Comment

Android架构的必要性

随着业务的发展，Android以前那种瀑布流式的开发模式的弊端越来越明显，例如
1.无法拆分逻辑和页面
都写在Activity中，无法拆分，非常混乱
2.无法测试等
由于界面和逻辑连在一起，无法写出良好的单元测试
3.过长的Activity代码
由于各种逻辑都在一起，经常会有三四百行的超长文件

Android官方解决方法　

这时候我们就需要对项目进行良好的架构来解决这些问题，Android官方提出MVVM架构模式并推出了诸多工具来实现，与最初不同的是，android官方推出了多个新的工具库来解决实现过程中的问题。

什么是MVVM

将整个项目分为三个层次
V[……]

中文文章/机器学习课程随笔

几种神经网络的定义/结构/用途

Posted on 2018年2月3日 by u3coding / 0 Comment

人工神界网络

定义

分为多层的机器学习算法，将上一层的输出作为下一层的输入，直到最后一层输出

结构

用途

用于基本的分类或者预测学习，是一种基础的神经网络机器学习算法

卷积神经网络（CNN)

定义

同样为多层的神经网络，每次使用relu激励函数加上卷积层和池化层进行处理，最后通过全连接层输出

结构

作用

主要用在图像识别，每次卷积/池化都能过滤信息，最终得到判断结果

循环神经网络（RNN)

定义

把神经网络上次的输出作为输入之一再次进行运算的神经网络结构

结构

用途

主要用于有顺序的场景，比如语义和语法等具有连续性的场景学习，但是每次只接收上一次的[……]

中文文章/机器学习课程随笔

协同过滤推荐算法相关步骤和细节

Posted on 2017年12月26日 by u3coding / 0 Comment

基于内容推荐

1.需要知道每个项目的特征，以及详细的特征值，比如一个电影的爱情元素占比，动作成分占比等
2.需要用户事先评价几部电影，得到用户的评分特征向量，比如，对动作电影的偏好程度等
3.把特征和用户偏好相乘，得到预估得分，得到推荐结果集

基于内容算法弊端

需要详细知道每个元素的具体特征和值，这是基本不可能实现的

协同过滤推荐算法

1.随机初始化用户偏好θ和项目特征x
2.直接使用代价函数同时求上述两个随机变量的最优解，梯度下降或者高级算法均可
3.预测过程与内容推荐相同

协同过滤的优点

1.不需要知道x的具体内[……]

中文文章/机器学习课程随笔

机器学习算法性能的检测和调优方法【方法+代码】

Posted on 2017年11月28日 by u3coding / 0 Comment

常见的几种方法

1.收集更多样本
2.使用更小规模的方法
3.增加方法的规模
4.使用多项式
5.增加正则化参数λ

如何判断下一步该采用什么方法

引入概念，误差（error），可用下面公式求得

对于线性回归：

对于分类算法：

如何划分我们的样本

按照比例6：2：2划分为三个样本，训练集，验证集，测试集
训练集：找到方法参数theta
验证集：确定方法多项式的度数d
测试集：确定正则化参数λ

通过学习曲线来确定高方差/高偏差

见[W6]机器学习应用建议

根据学习曲线来选择要使用哪种优化方法

同上

代码部分

1.error的计算代码

[crayon-5b0b7606[……]

中文文章/机器学习课程随笔

神经网络算法的代码分析【对应步骤分析文章】

Posted on 2017年11月21日 by u3coding / 0 Comment

使用Octave软件进行编辑

1.代价函数以及其正则化

function [J grad] = nnCostFunction(nn_params, ...
                                   input_layer_size, ...
                                   hidden_layer_size, ...
                                   num_labels, ...
                                   X, y, lambda)
Theta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), ...
                 hidden_layer_size, (input_layer_size + 1));

Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), ...
                 num_labels, (hidden_layer_size + 1));%从参数中分离出每一层的参数
m = size(X, 1);
J = 0;
Theta1_grad = zeros(size(Theta1));
Theta2_grad = zeros(size(Theta2));%初始化为0矩阵
h1 = sigmoid([ones(m,1) X]*Theta1');
h2 = sigmoid([ones(m,1) h1]*Theta2');%向前传播
for i = 1:size(y)
tempy = 0;
for k = 1:num_labels
if(k == y(i))
  tempy = 1;
else
  tempy = 0;
endif%转化y为向量
J += -tempy*log(h2(i,k)) - (1-tempy)*log(1-h2(i,k));
end
end
J /= rows(y);%代价函数计算

%正则化代价函数
re = 0;
for j =1:rows(Theta1)
for k =2:columns(Theta1)
re += Theta1(j,k)^2;
end
end
for j =1:rows(Theta2)
for k =2:columns(Theta2)
re += Theta2(j,k)^2;
end
end
re *= lambda/(2*rows(y));
J += re;%正则化代价函数

function [J grad] = nnCostFunction(nn_params, ...

input_layer_size, ...

hidden_layer_size, ...

num_labels, ...

X, y, lambda)

Theta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), ...

hidden_layer_size, (input_layer_size + 1));

Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), ...

num_labels, (hidden_layer_size + 1));%从参数中分离出每一层的参数

m = size(X, 1);

J = 0;

Theta1_grad = zeros(size(Theta1));

Theta2_grad = zeros(size(Theta2));%初始化为0矩阵

h1 = sigmoid([ones(m,1) X]*Theta1');

h2 = sigmoid([ones(m,1) h1]*Theta2');%向前传播

for i = 1:size(y)

tempy = 0;

for k = 1:num_labels

if(k == y(i))

tempy = 1;

else

tempy = 0;

endif%转化y为向量

J += -tempy*log(h2(i,k)) - (1-tempy)*log(1-h2(i,k));

end

J /= rows(y);%代价函数计算

%正则化代价函数

re = 0;

for j =1:rows(Theta1)

for k =2:columns(Theta1)

re += Theta1(j,k)^2;

end

for j =1:rows(Theta2)

for k =2:columns(Theta2)

re += Theta2(j,k)^2;

end

re *= lambda/(2*rows(y));

J += re;%正则化代价函数

2.激励函数的导数

function g = sigmoidGradient(z)
g = zeros(size(z));
g = sigmoid(z).*(1-sigmoid(z));
end

function g = sigmoidGradient(z)

g = zeros(size(z));

g = sigmoid(z).*(1-sigmoid(z));

end

3.随机初始化参数

function W = randInitializeWeights(L_in, L_out)
W = zeros(L_out, 1 + L_in);
end
%调用上面的函数初始化
initial_Theta1 = randInitializeWeights(input_layer_size, hidden_layer_size);
initial_Theta2 = randInitializeWeights(hidden_layer_size, num_labels);

function W = randInitializeWeights(L_in, L_out)

W = zeros(L_out, 1 + L_in);

end

%调用上面的函数初始化

initial_Theta1 = randInitializeWeights(input_layer_size, hidden_layer_size);

initial_Theta2 = randInitializeWeights(hidden_layer_size, num_labels);

4.向后递推求梯度grad并对其正则化

vy = zeros(rows(y),num_labels);
for i = 1:size(y)
vy(i,y(i,:)) = 1;
end%向量化y

X = [ones(m, 1) X];%添加列，1

z2 = X * Theta1';
d3 = h2 - vy;
d2 = d3*Theta2(:,2:end).*sigmoidGradient(z2);
delta1 = d2'*X;
delta2 = d3'* [ones(m,1) sigmoid(z2)];%求d3,d2,del1,del2

Theta1_grad = delta1/m;
Theta2_grad = delta2/m;%求grad1,grad2

Theta1(:,1) = 0;
Theta2(:,1) = 0;
Theta1 = (lambda/m)*Theta1;
Theta2 = (lambda/m)*Theta2;
Theta1_grad = Theta1_grad +Theta1;
Theta2_grad = Theta2_grad+Theta2;%正则化grad
grad = [Theta1_grad(:) ; Theta2_grad(:)];

vy = zeros(rows(y),num_labels);

for i = 1:size(y)

vy(i,y(i,:)) = 1;

end%向量化y

X = [ones(m, 1) X];%添加列，1

z2 = X * Theta1';

d3 = h2 - vy;

d2 = d3*Theta2(:,2:end).*sigmoidGradient(z2);

delta1 = d2'*X;

delta2 = d3'* [ones(m,1) sigmoid(z2)];%求d3,d2,del1,del2

Theta1_grad = delta1/m;

Theta2_grad = delta2/m;%求grad1,grad2

Theta1(:,1) = 0;

Theta2(:,1) = 0;

Theta1 = (lambda/m)*Theta1;

Theta2 = (lambda/m)*Theta2;

Theta1_grad = Theta1_grad +Theta1;

Theta2_grad = Theta2_grad+Theta2;%正则化grad

grad = [Theta1_grad(:) ; Theta2_grad(:)];

5.进行梯度检查，检查得到的grad是否正确

lambda = 3;
checkNNGradients(lambda);%期望值
debug_J  = nnCostFunction(nn_params, input_layer_size, ...
                          hidden_layer_size, num_labels, X, y, lambda);%实际值

lambda = 3;

checkNNGradients(lambda);%期望值

debug_J = nnCostFunction(nn_params, input_layer_size, ...

hidden_layer_size, num_labels, X, y, lambda);%实际值

6.获取优化参数

[crayon-5b0b7606ae53333[……]

中文文章/机器学习课程随笔

神经网络算法的实现步骤和细节处理【公式部分】

Posted on 2017年11月21日 by u3coding / 0 Comment

算法步骤

1.确定算法层次模型，有几层，几个隐藏层，每层有多少节点

2.使用feedforward算法计算出，a2,a3,z2,z3

3.写出代价函数J,并对其进行正则化

4.写出激励函数sigmoid的导数表达式

5.随机初始化参数Theta

6.使用向后递推法获取每层的grad，具体步骤如下

6.1获取输出层的误差

6.2获取其他层的误差

6.3获取每层的delta

7.进行梯度检查，检查向后递推所得的值的正确性

8.使用fmincg等高级优化方法传入我们所得的代价函数J和grad，获得最优化参数Theta

9.使用向前推导法[……]

javaee/中文文章

springboot配置mybatis结合xml配置mapper的过程

Posted on 2017年10月11日 by u3coding / 0 Comment

文章目的

最近接触到springboot，用来初始化项目非常方便，于是拿来初始化了一下mybatis，结果发现，网上大部分的文章都是用注解方法进行mapper配置。
大家都知道，mybatis的一个特点就是所有的sql都在xml里，方便管理，还可以使用动态sql。
于是我开始尝试使用xml配置mapper，过程中遇到了一点点问题，现记录。

使用工具 idea-IU-172.4343.14

第一步，新建项目,步骤如下

1.选择spring init

2.输入信息，第二个是项目名

3.搜索添加要用的依赖，这里注意右边，我选择了三个，web,mybatis,postgresql（也可以选[……]

中文文章/算法题目解题报告

计算一组字符串的全排列[java]

Posted on 2017年10月7日 by u3coding / 0 Comment

问题

给出字符串”abc”计算其全排列
如abc,acb,bac,bca,cab,cba

思路

使用递归方法，每次确定一个未使用的字符，再递归寻找下一个未使用的字符，直到生成字符串长度与原来的长度相同，就返回，每次返回之后，要把这次的字符取消标记

伪代码

def find(int len,int position,string s):
    if(s.len == len)
      result.add(s);//添加到结果集
      return;//返回
    for（int j = position;j < len;j++):
      if(use[j] == 0)://是否已经使用
        use[j] = 1;//标记
        s += origin[j];//给生成串加字符
        find(len,j+1,s);//进一步递归
        use[j] = 0;//取消标记

def find(int len,int position,string s):

if(s.len == len)

result.add(s);//添加到结果集

return;//返回

for（int j = position;j < len;j++):

if(use[j] == 0)://是否已经使用

use[j] = 1;//标记

s += origin[j];//给生成串加字符

find(len,j+1,s);//进一步递归

use[j] = 0;//取消标记

java完整代码

    public  void result(int k, int i, String s){
        if (s.length() == k) {
            reset[num++] = s;
            return;
        }
        for (int j = i;j < all.size();j++){
            if (use[j] != 0)continue;
            if (use[j] == 0){
                use[j] = 1;
                s += all.get(j);
                result(k,j+1,s);
                s = s.substring(0,s.length()-1);
                use[j] = 0;
            }
        }
    }

public void result(int k, int i, String s){

if (s.length() == k) {

reset[num++] = s;

return;

}

for (int j = i;j < all.size();j++){

if (use[j] != 0)continue;

if (use[j] == 0){

use[j] = 1;

s += all.get(j);

result(k,j+1,s);

s = s.substring(0,s.length()-1);

use[j] = 0;

}

需要用到的测试工具库

View的测试

ViewModel

接上一篇文章的概念分析的内容，这篇文章主要给出一个实际的mvvm例子来分析。

样例目的

结构

Android架构的必要性

Android官方解决方法

什么是MVVM

人工神界网络

定义

结构

用途

卷积神经网络（CNN)

定义

结构

作用

循环神经网络（RNN)

定义

结构

用途

推荐算法分类

基于内容推荐

基于内容算法弊端

协同过滤推荐算法

协同过滤的优点

常见的几种方法

如何判断下一步该采用什么方法

引入概念，误差（error），可用下面公式求得

如何划分我们的样本

通过学习曲线来确定高方差/高偏差

根据学习曲线来选择要使用哪种优化方法

代码部分

使用Octave软件进行编辑

1.代价函数以及其正则化

2.激励函数的导数

3.随机初始化参数

4.向后递推求梯度grad并对其正则化

5.进行梯度检查，检查得到的grad是否正确

6.获取优化参数

算法步骤

1.确定算法层次模型，有几层，几个隐藏层，每层有多少节点

2.使用feedforward算法计算出，a2,a3,z2,z3

3.写出代价函数J,并对其进行正则化

4.写出激励函数sigmoid的导数表达式

5.随机初始化参数Theta

6.使用向后递推法获取每层的grad，具体步骤如下

6.1获取输出层的误差

6.2获取其他层的误差

6.3获取每层的delta

7.进行梯度检查，检查向后递推所得的值的正确性

8.使用fmincg等高级优化方法传入我们所得的代价函数J和grad，获得最优化参数Theta

9.使用向前推导法[……]

文章目的

使用工具 idea-IU-172.4343.14

第一步，新建项目,步骤如下

问题

思路

伪代码

java完整代码

Android官方解决方法　