一、神经网络的超参数：层数、每层神经元个数、激活函数、学习率（各种优化算法中包含的参数）、正则化参数、mini-batch大小。优化难点：超参数优化是组合优化问题评估一组超参数配置的时间代价非常高优化方法：网格搜索，随机搜索、贝叶斯优化、动态资源分配、神经网络搜索。g网格搜索grid search：尝试所有超参数组合寻址合适的超参数配置。随机搜索：超参数对模型性能影响程度不一样。采用网格搜索会在不
转载
2024-10-13 12:52:00
304阅读
原创文章第73篇，专注“个人成长与财富自由、世界运作的逻辑， AI量化投资”。今天继续讲backtrader的交易。bt在易用性上确实是下足了功夫，我们先来看一下“极简”的策略开发。01 “基于信号的策略”。它不需要写strategy。直接定义信号即可，信号同自定义指标一样，比如多头信号是 close>sma(30)，退出信号是sma5<sma30。我们只需要给大脑添加这两个信号： #
1.tomcat io 运行模式tomcat io 模式有三种，BIO、NIO、APRBIO：
一个线程处理一个请求。缺点：并发量高时，线程数较多，浪费资源。
Tomcat7或以下，在Linux系统中默认使用这种方式。
NIO：
利用Java的异步IO处理，可以通过少量的线程处理大量的请求。
Tomcat8在Linux系统中默认使用这种方式 APR：
即Apa
给定一个函数 \(f(x)=x^2+3x-10\)，完成以下题目：理解方程求根中的二分法（Bisection），并使用基本的 numpy 库而非 scipy 库，来实现算法。非线性方程求根注：该部分内容参考的是「中南大学数学科学与计算机技术学院」的课件，介绍了二分法的背景和原理，不感兴趣的可略过。在科学研究和工程设计中, 经常会遇到的一大类问题是非线性方程 f(x)=0 的求根问题，其中 f(x)
服务器过载的情况分为两种： 一种为瞬间过载，即服务器暂时的、短时间的超载，这种情况主要是由服务器负载的特点引起的。大量的研究表明，Web请求的网络通信量分布是自相似的，即Web请求的通信量可以在很大范围内有显著的变化。 一种是服务器长时间的超载，这种情况一般是由某一特殊事件引起的，例如服务器受到拒绝服务攻击或者发生了“活锁”现象。 第一种服务器超载情况是不可避免的 第二种情况则可以通过
转载
2024-10-29 11:06:54
45阅读
参数优化算法是机器学习和优化领域中的重要组成部分，用于寻找最优的参数配置以最大化或最小化某个指定的目标函数。以下是一些常见的参数优化算法，它们可以根据不同的原理和特点进行归类。传统优化算法Grid Search (网格搜索)基本原理： 在给定的参数范围内均匀划分出多个候选参数组合，对每个组合进行评估。优点： 简单易实现，适用于参数空间较小的情况。缺点： 计算开销大，不适用于参数空间较大的情况。适用
转载
2024-10-14 14:00:33
205阅读
摘要： Tomcat在使用的过程中会遇到很多报错，有些是程序的报错，但还有一部分是tomcat本身的报错，我们可以通过优化tomcat的初始配置来提高tomcat的性能。Tomcat的优化主要体现在两方面：内存、并发连接数。 1、内存优化： 优化内存，主要是在bin/catalina.bat/sh 配置文件中进行。linux上，在catalina.sh中添加： JAVA_OPTS
全文目录1 组合优化问题概述1.1 定义1.2 特点1.3 求解方法1.3.1 精确方法1.3.2 近似方法1.4 应用2 深度强化学习（DRL）解决组合优化问题的概述2.1 二者联系2.2 目前主要方法2.2.1 基于DRL的端到端方法2.2.2 基于DRL改进的传统方法2.2.3 基于DRL的局部搜索改进方法3 基于DRL的端到端方法3.1 基于Pointer netword的端到端方法3.
转载
2024-08-27 20:25:26
255阅读
结论速递强化学习是由两部分组成的：智能体和环境。在强化学习过程中，智能体与环境一直在交互。智能体在环境中获取某个状态后，它会利用该状态输出一个动作 （action），这个动作也称为决策（decision）。这个动作会在环境中被执行，环境会根据智能体采取的动作，输出下一个状态以及当前这个动作带来的奖励。智能体的目的就是尽可能多地从环境中获取奖励。智能体由策略，价值函数及模型构成，智能体的决策过程分为
我们的目的怎么做？我们希望找到最佳的超参数配置，帮助我们在验证/测试集的关键度量上得到最佳分数。为何？在计算力、金钱和时间资源有限的情况下，每个科学家和研究员都希望获得最佳模型。但是我们缺少有效的超参数搜索来实现这一目标。何时？研究员和深度学习爱好者在最后的开发阶段尝试其中一种搜索策略很常见。这有助于从经过几个小时的训练获得的最佳模型中获得可能的提升。超参数搜索作为半/全自动深度学习网络中的阶段或
目标识别 （1）并交集 （2）非极大值抑制 (Non-maximum suppression, NMS) 在目标检测过程中，对于一个物体，会预测出多个位置范围（boundingbox, bbox），NMS 就是要排除与真实情况重叠度低的位置范围，只保留重叠度最高的那个重叠度低位置范围的位置信息。 （ ...
转载
2021-10-27 09:11:00
352阅读
2评论
来源：深入浅出强化学习：原理入门
原创
2022-09-19 10:23:18
125阅读
文章目录前言零、组合优化问题基础1. 定义（1）定义（2）常见问题2. 方法（1）精确方法（2）近似方法（3）深度学习方法3. 文章架构一、概述1. 神经网络（1）Hopfield 网络（2）指针网络Ptr-Net（3）图神经网络3. 深度强化学习DRL（1）端到端方法（2）改进传统方法二、原理1. Pointer Network（1）求解TSP问题（2）Attention机制2. Pointe
?博主优势：???博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。???本文目录如下：???目录?1 概述?2 运行结果?3 参考文献?4 Matlab代码、数据、文章讲解?1 概述多 目标无功优化可在 目标 函数 中兼顾经济性和 电压稳定性，引起了研究人员的广泛关注。与单 目标无功优化 问题 的本质区别在于，多 目标无功优化的解不是唯一的，即不存在使经
四类小球，挑战不同决策路径Go-Bigger采用Free For All（FFA）模式来进行比赛。比赛开始时，每个玩家仅有一个初始球。通过移动该球，玩家可吃掉地图上的其他单位来获取更大的重量。每个队伍都需和其他所有队伍进行对抗，每局比赛持续十分钟。比赛结束后，以每个队伍最终获得的重量来进行排名。在一局比赛中共有分身球、孢子球、食物球、荆棘球四类球。分身球是玩家在游戏中控制移动或者技能释放的球，可以
一、引言多智能体系统一直在学术界或者工业届都是一个热点。其核心领域是关于如何将系统采用分布式的算法控制。在分布式算法中，没有一个中心节点进行总体控制，每个智能体通过与环境交互自己学习自己的最优策略，在不知道全局信息的情况下将策略收敛到纳什均衡点。通常意义下，智能体只知道自身获得的奖励值，不知道环境中的奖励函数，不知道其他智能体的策略，不知道其他智能体获得的奖励。分布式算法主要的核心难点是如何在只
这里我们用去做代替 0. 标准的梯度下降(GD) 就是每一次的权值更新都需要将全部的训练集输入到网络，然后求全部的误差，然后再取平均得到最终的loss（样本的总数是M）然后就执行BP了，收敛方向肯定标准啦，但是速度非常慢 &
转载
2024-04-26 22:03:12
226阅读
PID算法的理解与学习1、仅适用P的算法2、PI算法控制流程3、PD算法的控制流程4、PID参数的调整5、总结 我对PID算法可以简单的总结如下一句话：P管现在，I管曾经发生的一切累计至今的影响，D根据现在的情况预测未来，及时把控。但是具体三个参数如何起作用还需要进一步学习和研究，同时深刻的理解也能够帮助我们在后期的参数调试中做到心中有数，不至于糊里糊涂。 首先针对PID，不得不提的就是其公
搜索的优化方法 零、启发式测度函数是一种计算当前节点和目标距离的计算方法一、爬山法：基本属于深度优先遍历+启发式测度函数，在每个搜索节点处找到离终点最近的节点，这种方法不能保证找到最优解，因为找到一个解就停止了（除非完全遍历所有节点，但这样爬山法剪枝就没意义了）。二、Best-first：基本属于广度优先遍历+深度优先遍历+启发式测度函数，在全部节点中找到离终点最近的节点并发展该节点，将发展后的
dropoutdropout层是表示这一层多少个神经元失效，主要是防止神经元、参数过多产生的过拟合，让模型更具有持久性和泛化能力，一般设置的参数值为0.5learnrate 与batchlearnrate 学习速率，一般根据batch的大小设置，batch越大,学习速度应设置的越大，学习速度大容易在最优值附近震荡，学习速度小可能拟合 不了loss降不下去。通常的思路为起初学习速率大一点，到后面逐渐
