这个问题分两种情况：
1.网络问题
这是由于访问网络不通畅引起的，需要设置代理解决，这也是最常见的一种，无需赘述
2.gradle中文路径问题
这种情况虽然也报错访问失败，但其实不是网络问题，打开setting，找到gradle选项卡，查看里面的路径是否包含中文，全部改成英文，即可解决，如下图。
Android架构–测试选择
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
|
1 2 3 4 5 6 7 8 9 10 |
@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repository相关，我们可[……]
Android架构体系–样例解析
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）,userreposito[……]
Android架构体系–结构和组件选择
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
View：界[……]
几种神经网络的定义/结构/用途
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输出，会出现对太久以前的结果不敏感的问题[……]
协同过滤推荐算法相关步骤和细节
推荐算法分类
1.基于内容的推荐算法
2.协同过滤推荐算法
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的具体内容和值，会自动通过[……]
机器学习算法性能的检测和调优方法【方法+代码】
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
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-5b73f572909eb12908229[……]
神经网络算法的代码分析【对应步骤分析文章】
使用Octave软件进行编辑
1.代价函数以及其正则化
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 |
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 |
2.激励函数的导数
|
1 2 3 4 |
function g = sigmoidGradient(z) g = zeros(size(z)); g = sigmoid(z).*(1-sigmoid(z)); end |
3.随机初始化参数
|
1 2 3 4 5 6 |
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
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
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
|
1 2 3 4 |
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
|
1 2 3 4 5 6 7 |
initial_theta = zeros(n + 1, 1); options = optimset('GradObj', 'on', 'MaxIter', 50); for i=1:num_labels all_theta(i,:) = ... fmincg (@(t)(lrCostFunction(t, X, (y == i), lambda)), ... initial_theta, options); end |
7.[……]
神经网络算法的实现步骤和细节处理【公式部分】
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.使用向前推导法结合8所得参数，即可得到预测结果。
springboot配置mybatis结合xml配置mapper的过程
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（也可以选择其他数[……]