Python 程序的运行时间需要 0.1 秒，慢了 100 倍，但由于 网络更慢，需要等待 1 秒，你想，用户能感觉到 1.001 秒和 1.1 秒的区 别吗？这就好比 F1 赛车和普通的出租车在北京三环路上行驶的道理一 样，虽然 F1 赛车理论时速高达 400 公里，但由于三环路堵车的时速只 有 20 公里，因此，作为乘客，你感觉的时速永远是 20 公里。 Python3 基础教程【完整版】 种参数都可以组合使用，除了可变参数 无法和命名关键字参数混合。但是请注意，参数定义的顺序必须是：必 选参数、默认参数、可变参数/命名关键字参数和关键字参数。 比如定义一个函数，包含上述若干种参数： def f1(a, b, c=0, *args, **kw): print('a =', a, 'b =', b, 'c =', c, 'args =', args, 'kw =', kw) def 参数传进去。 >>> f1(1, 2) a = 1 b = 2 c = 0 args = () kw = {} >>> f1(1, 2, c=3) a = 1 b = 2 c = 3 args = () kw = {} >>> f1(1, 2, 3, 'a', 'b') a = 1 b = 2 c = 3 args = ('a', 'b') kw = {} >>> f1(1, 2, 3, 'a'

train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import r2_score 基本建模流程 9 2.Scikit-learn主要用法 ✓Scikit-learn支持以NumPy的arrays对象、Pandas对象、SciPy的稀 疏 矩阵及其他可转换为数值型arrays的数据结构作为其输入，前提是 StandardScaler 构建转换器实例 scaler = StandardScaler() 拟合及转换 scaler.fit_transform(X_train) 数据预处理 Z-Score标准化 ?∗ = ? − ? ? ?2 = 1 ? ෍ ?=1 ? (? ? −?)2 ? = 1 ? ෍ ?=1 ? ? ? 处理后的数据均值为0，方差为1 12 2 将数据映射到[0,1]区间 13 2.Scikit-learn主要用法 特征选择 from sklearn import feature_selection as fs fs.SelectKBest(score_func, k) 过滤式（Filter），保留得分排名前k的特征（top k方式） fs.RFECV(estimator, scoring=“r2”) 封装式（Wrap- per），结合交

4000 6000 8000 10000 12000 人工标注 系统标注 样本数目 0.84 0.93 0.75 0.8 0.85 0.9 0.95 人工标注 系统标注 效果：F1 未标注集合 ???????????? ???????????? 种子语料 机器学习模型 人工标注 15 华为云主动学习平台 16 华为云主动学习平台 17 1 2 4 3 分类 100.00% Accuracy Precision Recall F1 score 和友商效果对比-汽车领域 华为1 华为2 友商1 友商2 友商3 友商4 0.00% 20.00% 40.00% 60.00% 80.00% 100.00% Accuracy Precision Recall F1 score 和友商效果对比-电商领域 华为1 华为2 友商1 友商2 友商3 友商3 友商4 0.00% 20.00% 40.00% 60.00% 80.00% 100.00% Accuracy Precision Recall F1 score 和友商效果对比-社交领域 华为1 华为2 友商1 友商2 友商3 友商4  内容：  买没几天就降价一点都不开心，闪存跑分就五百多点点 ---  外观漂亮音质不错，现在电子产品基本上都是华为的了 --- 

continue; } let result = minimax(opposite, &board_next); let current_score = match result { Some(x) => x.side, _ => Players::Blank, }; best_move, SinglePlayAction { position: pos, side: current_score, }, ) } best_move } //Promote only better or collate equally scored game as_mut().unwrap(); //New game action is scored from the current side and the current saved best score against the new game action. match (current_side, play_actions.side, appendee.side) {

Accuracy = TP + TN TP + TN + FP + FN 精确率 Precision = TP TP + FP 召回率 Recall = TP TP + FN F1 score F1 = 2 × Precision × Recall Precision + Recall 11 评价指标 有100张照片，其中，猫的照片有60张，狗的照片是40张。 输入这100张 x2 Normalization 3.正则化、偏差和方差 17 归一化（最大 - 最小规范化） ?∗ = ? − ?min ?max − ?min 将数据映射到[0,1]区间 Z-Score标准化 ?∗ = ? − ? ? ?2 = 1 ? ෍ ?=1 ? (? ? −?)2 ? = 1 ? ෍ ?=1 ? ? ? 处理后的数据均值为0，方差为1 数据归一化的目的是使得各特征对

birth: 1990, 4. school: 'No.1 Middle School', 5. height: 1.70, 6. weight: 65, 7. score: null 8. }; JavaScript用一个 {…} 表示一个对象，键值对以 xxx: xxx 形式申明，用 , 隔开。注意，最 后一个键值对不需要在末尾加 , ，如果加了，有的浏览器（如低版本的IE）将报错。 birth: 1990, 4. school: 'No.1 Middle School', 5. height: 1.70, 6. weight: 65, 7. score: null 8. }; 2.5 对象 - 32 - 本文档使用 书栈(BookStack.CN) 构建 9. 'name' in xiaoming; // true 10. 'grade' lazy_sum() 时，每次调用都会返回一个新的函数，即使传入相同的参 数： 1. var f1 = lazy_sum([1, 2, 3, 4, 5]); 2. var f2 = lazy_sum([1, 2, 3, 4, 5]); 3. f1 === f2; // false f1() 和 f2() 的调用结果互不影响。 注意到返回的函数在其定义内部引用了局部变量 arr

上面代码中，变量 i 只用来控制循环，但是循环结束后，它并没有消失，泄露成 了全局变量。 ES6 的块级作用域 let 实际上为 JavaScript 新增了块级作用域。 function f1() { let n = 5; if (true) { let n = 10; } console.log(n); // 5 } 上面的函数有两个代码块，都声明了变量 循环不生效。 Proxy 300 let stu1 = {name: '张三', score: 59}; let stu2 = {name: '李四', score: 99}; let handler = { has(target, prop) { if (prop === 'score' && target[prop] < 60) { console.log(`${target oproxy1 = new Proxy(stu1, handler); let oproxy2 = new Proxy(stu2, handler); 'score' in oproxy1 // 张三 不及格 // false 'score' in oproxy2 // true for (let a in oproxy1) { console.log(oproxy1[a]); }

Query 做分组统计求平均，如下图 10 所示，纵轴代 表作为 Query 的入口、横轴代表作为 Key 的入口，图中每个点的值代表某一入口对 作为 Query-Key 情况下 Attention score 的平均值。例如，第二行代表着美食金刚 (D1) 作为 Query 时，对其它入口 Expert 的平均激活概率，发现模型可以学习到符 合认知的入口相似关系，例如，当下午茶样本 (D7) 作为 为精准反映模型迭代的离线效果，我们通过多轮人工标注方式构造了一批 Bench- mark，考虑到当前线上实际使用时主要目标为降低 BadCase 指标，即对不相关商户 的准确识别，我们采用负例的准确率、召回率、F1 值作为衡量指标。经过两阶段训 练、样本构造及模型迭代带来的收益如下表 1 所示： 表 1 点评搜索相关性模型迭代离线指标 初始方法（Base）采用 Query 拼接 POI 匹配字段摘要信息的 配字段摘要文本拼接方式。引入基于点击数据的两阶段训练后，负例 F1 指标相比 Base 方法提升 1.84%，通过引入对比样本、难例样本持续迭代训练样本并配合第二 阶段的模型输入构造，负例 F1 相比 Base 显著提升 10.35%，引入基于多相似矩阵 的深度交互方法后，负例 F1 相比 Base 提升 11.14%。模型在 Benchmark 上的整 体指标也达到了 AUC 为 0.96，F1 为 0.97 的高值。 4

层l由变换fl定义，该变换的参数为权重W(l)，其隐藏变 量是h(l)（令 h(0) = x）。我们的网络可以表示为： h(l) = fl(h(l−1)) 因此o = fL ◦ . . . ◦ f1(x). (4.8.1) 如果所有隐藏变量和输入都是向量，我们可以将o关于任何一组参数W(l)的梯度写为下式： ∂W(l)o = ∂h(L−1)h(L) � �� � M(L)def = · 1所示，对于非嵌套函数（non‐nested function）类，较复杂的函数类并不总是向“真”函数f ∗靠拢 （复杂度由F1向F6递增）。在 图7.6.1的左边，虽然F3比F1更接近f ∗，但F6却离的更远了。相反对于 图7.6.1右 侧的嵌套函数（nested function）类F1 ⊆ . . . ⊆ F6，我们可以避免上述问题。 图7.6.1: 对于非嵌套函数类，较复杂（由较大区域表示）的函数类不能保证更接近“真”函数（f 出是连接（用图中的[, ]表示）而不是 如ResNet的简单相加。因此，在应用越来越复杂的函数序列后，我们执行从x到其展开式的映射： x → [x, f1(x), f2([x, f1(x)]), f3([x, f1(x), f2([x, f1(x)])]), . . .] . (7.7.3) 96 https://discuss.d2l.ai/t/1877 7.7. 稠密连接网络（DenseNet）

-n +n 匹配修改文件权限的时间（-n 指 n 天以内，+n 指 n 天以前） -nouser 匹配无所有者的文件 -nogroup 匹配无所属组的文件 -newer f1 !f2 匹配比文件 f1 新但比 f2 旧的文件 --type b/d/c/p/l/f 匹配文件类型（后面的字母依次表示块设备、目录、字符设备、管道、链接 文件、文本文件） -size 匹配文件的大小（+50KB 字样；若两次都落空（即两次的匹配操作都失败 了），则输出 Fail 字样： [root@linuxprobe~]# vim chkscore.sh #!/bin/bash read -p "Enter your score（0-100）：" GRADE 147 if [ $GRADE -ge 85 ] && [ $GRADE -le 100 ] ; then echo "$GRADE Fail" fi [root@linuxprobe~]# bash chkscore.sh Enter your score（0-100）：88 88 is Excellent [root@linuxprobe~]# bash chkscore.sh Enter your score（0-100）：80 80 is Pass 下面执行该脚本。当用户输入的分数分别为 30 和 200 时，其结果如下：