數(shù)學(xué)里面有所謂公理之說，就是無須證明的定理，在公理之外，其他的所有定理都可以通過這些公理推導(dǎo)出來?；蛘哒f，所有定理的證明，最終都會歸結(jié)到這些公理上來。最近我發(fā)現(xiàn)，人生中，也有...
發(fā)簡信
IP屬地：廣東
-
Responsability和Response
想起來《高效能人士的七個(gè)習(xí)慣》中的一句話，它說，責(zé)任感的單詞為什么是responsablility，因?yàn)樗淼氖悄隳芊駌esponse的能力。從中文上看，責(zé)任這個(gè)詞比較難懂...
-
一件關(guān)于責(zé)任感的小事
最近工作中遇到一件挺失望的事，我們項(xiàng)目的開發(fā)工作主要是由成都的開發(fā)團(tuán)隊(duì)負(fù)責(zé)的，最近開發(fā)團(tuán)隊(duì)有一名成員離職了，之前他一直是負(fù)責(zé)為每個(gè)版本代碼生成新的svn鏈接，以及一部分系統(tǒng)邏...
-
管理領(lǐng)導(dǎo)的預(yù)期
每個(gè)人在工作中都難免會有領(lǐng)導(dǎo)，在大公司中，領(lǐng)導(dǎo)對你的評價(jià)往往還是決定你績效的關(guān)鍵因素。如果我們拋開上下級關(guān)系，僅僅從人的理性的角度來看，別人對你的評價(jià)會取決于什么？顯然首先他...
-
論技術(shù)人員的時(shí)間管理
這段時(shí)間在閱讀史蒂芬·柯維的《高效能人士的七個(gè)習(xí)慣》，讀到了其中“要事第一”這個(gè)習(xí)慣，覺得是到目前這本書里最具實(shí)操性的一個(gè)原則。“要是第一”的意思是，在我們的眾多的工作中，...
-
如何理解執(zhí)行力？
我所在的公司是一家很看重執(zhí)行力的企業(yè)，無論是大小領(lǐng)導(dǎo)，都常常在工作郵件和對外演說中強(qiáng)調(diào)“執(zhí)行力”是公司的一大特點(diǎn)。而我的父親常常說我的行動力很強(qiáng)，所以每當(dāng)我聽到領(lǐng)導(dǎo)說要重視執(zhí)...
-
關(guān)于新老模型替換的思考（二）
上文談到在做一個(gè)項(xiàng)目的過程中面臨是將新老模型融合優(yōu)化還是各自平行優(yōu)化的問題。其實(shí)當(dāng)時(shí)在面臨這個(gè)選擇的時(shí)候，我們離達(dá)到業(yè)務(wù)指標(biāo)的截止日期還有一定的時(shí)間，這也是我當(dāng)時(shí)支持分開開發(fā)...
-
關(guān)于新老模型替換的思考？這是技術(shù)思考的第一篇文章，來談?wù)剬ιa(chǎn)上的舊模型優(yōu)化時(shí)的技術(shù)路線選擇問題。 前段時(shí)間在工作中遇到了這樣一個(gè)問題，某項(xiàng)目現(xiàn)在線上有一個(gè)老模型，為了提升準(zhǔn)確率，我們要開發(fā)一個(gè)新模...
-
Neural Network and Deep Learning讀書筆記-Chap6
這一章主要是講深度學(xué)習(xí)，首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的概念。在之前的章節(jié)中我們的神經(jīng)網(wǎng)絡(luò)每一層的每一個(gè)神經(jīng)元都是和前面一層的所有神經(jīng)元相連，這樣的結(jié)構(gòu)叫全連接層，這樣也使得我們的網(wǎng)...
-
Neural Network and Deep Learning讀書筆記-Chap5
Chapter 4看了一下感覺可能幫助理解的作用比較大，不涉及太多重要概念，因此就先略過了，先記Chapter 5 這一章其實(shí)也比較簡單，主要就是講為什么深度網(wǎng)絡(luò)比較難訓(xùn)練。...
-
-
Neural Network and Deep Learning讀書筆記-Chap3
提升學(xué)習(xí)速率 交叉熵?fù)p失函數(shù)的好處：損失函數(shù)對權(quán)重的偏導(dǎo)中不包含sigma的導(dǎo)數(shù)項(xiàng)（可抵消），所以不會引起學(xué)習(xí)速度過慢的問題 神經(jīng)元的飽和問題：當(dāng)z（也就是神經(jīng)元的加權(quán)輸入和...
-
Neural Network and Deep Learning讀書筆記-Chap2
Chap2 反向轉(zhuǎn)播算法的目的是計(jì)算成本函數(shù)對于權(quán)重和偏置的偏導(dǎo)數(shù)。 反向傳播的兩個(gè)前提假設(shè)： 1. 成本函數(shù)可以寫成每個(gè)樣本成本的平均形式，因?yàn)榉聪騻鞑?shí)際上是先計(jì)算針對每...
-
Neural Network and Deep Learning讀書筆記-Chap1
最近開始看Michael Nilson的Neural Network and Deep Learning，這位老兄最初是做量子物理研究的，后來轉(zhuǎn)向了科普工作，寫了很多科學(xué)普及...
-
排序算法總結(jié)
最近在復(fù)習(xí)排序算法的知識，寫下來加強(qiáng)記憶。 1. 冒泡排序 這好像是被認(rèn)為最基本最簡單的排序方法。為什么叫冒泡呢？因?yàn)榘凑者@種排序方法，最小值會像一個(gè)氣泡一樣一點(diǎn)點(diǎn)的浮上來。...
