JavaScript 编程精解 3rd 勘误

原文链接:https://github.com/wizardforcel/eloquent-js-3e-zh

第五章 高阶函数

原文:As an example, let’s write code that finds the average year of origin for living and dead scripts in the data set.

译文:举个例子,我们编写一段代码,找出数据集中男人和女人的平均年龄。

勘误:举个例子,我们编写一段代码,找出数据集中还存活或已经不再使用的脚本平均存活年限。

 

 

记Struts中的奇葩报错

1.自己的图书馆系统中,明明定义的默认进入名字叫login会跳转到login.jsp的action,结果进入的时候报错,说是index.jsp页面有空指针。

一直以为自己struts.xml配置错了,错误设置默认action为名叫index的action,再三确认是login还是报错。暴力从struts.xml删除部分action看看到底调用了哪个action,结果发现既没有调用login也没有调用index,这才恍然大悟。

继续阅读

Trend prediction in temporal bipartite networks: the case of Movielens, Netflix, and Digg笔记

文章在进行流行性预测的方法主要是通过时序商品-用户二部图和社交网络,对每个item预测流行性分数,最后根据商品流行性分数进行排序。数据集:Netflix、Movielens和Digg(前两个随机选取rating超过20的user,保留其所有ratings。3分以上定为喜欢)。评价指标:Top 100商品的准确率(Pn)和Top 100商品的新颖商品预测准确率(Qn)。

继续阅读

写在博客建站三个月

关于站点

说来也巧,从建立GaGeet到现在,已经整整三个月,我学习卷积神经网络也恰好三个月。也正是因为在刚开始学习CNN的时候觉得这方面资料太少,才有建立自己独立博客的想法。想过把新浪博客搬过来,后来发现其实那边根本没几篇自己写的博文,大部分都是摘抄、转载,故作罢。

还记得7月24号域名刚购买成功时的欣喜,接下来用wp搭博客,改页面,装插件,直到八月才传自己的第一篇周报,也就是从那之后养成了把论文笔记上传上来的习惯。这段时间周报大多都是讲论文,所以也就相当于把周报传了上来,希望能给后来看这篇文章人的一点帮助。 继续阅读

Visualizing and Understanding Convolutional Networks笔记

本文为20141024周报。

在所有深度网络中,卷积神经网和图像处理最为密切相关,卷积网络在很多图片分类竞赛中都取得了很好的效果,但卷积网调参过程很不直观,很多时候都是碰运气。为此,卷积网络发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文,阐述了如何用反卷积网络可视化整个卷积网络,并进行分析和调优。

在所有深度网络中,卷积神经网和图像处理最为密切相关,卷积网络在很多图片分类竞赛中都取得了很好的效果,但卷积网调参过程很不直观,很多时候都是碰运气。为此,卷积网络发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文,阐述了如何用反卷积网络可视化整个卷积网络,并进行分析和调优。 继续阅读

WordPress网站如何屏蔽恶意攻击和恶意采集?

国庆节第二天一起床,发现博客就被刷了40多米,再一看CPU利用时间:22分钟。瞬间觉得不对劲,流量异常。

首先怀疑是蜘蛛最近来的勤的缘故,果断去看了下百度抓取频次,由于没有实时显示,只有最近一次9月30日一天抓了60次,觉得有点高。一查,果然百度的收录页面已经到7个了,脱离了只收录首页的尴尬。想限制抓取频次又怕耽误页面收录,最后觉得可能过两天就好了。想说,一个百度应该不会用掉那么多流量,于是又去看日志,这不看不知道,一看吓一跳。

整个九月我日志只有20K行,但是国庆节刚过去一天多,日志就有10K行。于是想说,人品大爆发?所有的搜索引擎蜘蛛都来了?但是看了日志,呵呵。恶意攻击。 继续阅读

Going deeper with convolutions笔记

本文是20140926的周报,没写完,后补全。

Abstract

本文提出了一种新的分类和检测的新网络。该网络最大的特点就是提升了计算资源的利用率。在网络需要的计算不变的前提下,通过工艺改进来提升网络的宽度和深度。最后基于Hebbian Principle和多尺寸处理的直觉来提高性能。在ILSVRC-2014中提交了这种网络,叫GoogLeNet有22层。

Introduction

GoogLeNet 只用了比[9]少12倍的参数,但正确率更高。本文最大的工作是通过CNN和普通的计算机视觉结合,类似于R-CNN[6]。因为算法的ongoing traction of mobile和嵌入式计算,算法的效率变得很重要。也导致了本文不会使用绝对的数量。本文将会关注CV的深度神经网络“Inception”。本文既将Inception提升到了一个新的高度,也加深了网络的深度。 继续阅读