1．3支持向量机国内外研究现状 SVM算法一经提出，就得到国内外学者的高度关注。学术界普遍认为它是继神经 网络之后一个新的研究方向。在短短的几年里，取得了一系列令人瞩目的研究成果。其 理论和应用在横向和纵向上都有发展。 理论上的发展主要如下： (1)核函数的构造，如核主成分分析n0’111等。基于各个不同的应用领域，可以构造不 同的核函数，能够或多或少的引入领域知识。现在核函数广泛应用的类型有：多项式逼 近m1、贝叶斯分类器m3、径向机函数‘“Ⅲ1、多层感知器‘蚓等。 (2)SVM从两类问题向多类问题的推广Ⅱ"。以W色Stonn81在1998年提出的多类算法 为代表，在经典SVM理论的基础上，直接在目标函数上进行改进，重新构造多值分类 模型，建立K分类SVM。这类算法选择的目标函数十分复杂，变量数目过多，计算复 杂度也非常高，实现困难，所以只在小型问题的求解中才能使用。 (3)与目前其他机器学习方法的融合。如：最小二乘支持向量机n蚴1，这种方法是 在1999年被提出的，经过这几年的发展，已经应用到很多相关的领域。研究的问题已 经推广到：对于大规模数据集的处理；处理数据的鲁棒性；参数调节和选择问题等。 (4)与数据预处理(样本的重要度，属性的重要度，特征选择等方面)方法的结合， 将数据中脱离领域知识的信息即数据本身的性质融入SVM的算法中从而产生新的算 法。如粗糙集与SVM的结合口朝，利用粗糙集理论对数据的属性进行约简能在某种程度 上减少SVM求解计算量；再如分级聚类的SⅥⅥ瞰1，基于分级聚类和决策树思想构建多 类SVM，使用分级聚类的方法可以先把刀一1个距离较近的类别结合起来，暂时看作一 类，把剩下的一类作为单独的一类，分类后的下一步不再考虑这单独的一类，而只研究 所合并的刀一1类，再依次下去。 (5)SVM训练算法的探索，以提高SVM的计算速度，以便于处理大规模问题。、却11ik 在1995年提出了一种称为“chuI】舾ng’’的块算法乜引，即如果删除矩中对应La莎蛆ge乘 数为0的行和列，将不会影响最终结果。Osulla提出了一种分解算法啪搿1，应用于人脸 识别领域。Joacllil：IlS在1998年将Osulla提出的分解策略推广到解决大型SVM学习的算 法‘鹦’别中；P1a位于1998年提出了序贯最小优化‘剐(Sequential Minimal 0Iptimization)算法， 每次的工作集中只有两个样本。 (6)SVM的参数选择问题。参数选择是机器学习算法中一个重要的问题，SVM的 性能依赖于其核参数及惩罚系数的选取。最常用的方法是经验凑试法和格点法(吼d Method)旧u，但这两种方法都是基于大量实验的，获得的参数通常也不是最优的；Chapelle 提出用梯度下降(Gradient Descer斌GD)法口列来完成SVM参数选择，Chen呦1和Zhengml 则采用不同的适应度函数，提出了两种基于遗传算法(Genetic舢gorithm，GA)的SVM参 数选择方法。 (7)SVM的模型选择标准。SVM的应用之所以不像神经网络那么广泛，除了其对大 样本问题求解速度慢以外，还有一个关键原因在于SVM的模型选择问题没有解决好。

《共享噪音》（Noise Maker）是我做的一个基于Tensorflow的自动生成儿歌的作品。

Eigen,这是一个C++端的矩阵运算库,这个库只要下载压缩包，解压到某个自己知道的路径下即可 下载之后解压,重新命名为eigen3，放到某个路径下，安装就好 mkdir build cd build cmake .. make sudo make install

tensorflow-2.2.0-cp36-cp36m-manylinux2010_x86_64.whl 安装过程（python 3.7的会提示找不到包，所以要创建一个python 3.5的环境，我的i3-7100在安装cp37时会提示不支持的平台，换cp36的可以正常安装）： conda create -n tensorflow python=3.5 conda activate tensorflow pip install tensorflow-2.2.0-cp36-cp36m-manylinux2010_x86_64.whl

试穿瓶 基于的多阶段虚拟试穿深度神经网络。 我们在上层提供了SIMPLE和EASY-to-handle API ，并结合了一些传统的图像处理方法。 特征： 快速Human_Image + Cloth_Image = Gen_Image ，为指定人员穿上指定的上衣。 Flask上的Web和后端响应服务 如何使用 运行完整的服务器代码 将3个下载到/checkpoints 。 安装 启动Flask服务python main.py 客户端使用base64编码图像，并以发送图像。 然后服务器将以相同规则返回结果。 仅运行网络代码 Model.py是唯一需要注意的文件。 安装依赖项并初始化m

tensorflow1.0的 cpu 版本，c++接口包含： dll ,lib ,include。window下的编译。

去噪声代码matlab DnCNN-张量流 基于tensorflow-1.8的实现 运行此代码 带有依赖项的Python3：scipy numpy tensorflow-gpu scikit-image枕头h5py 生成训练数据 'generate_data.py'。 您可能需要修改训练数据集的路径。 根据作者提供的信息，生成的训练数据集中有一些空白（零）数据。 训练 [火车]“ train_DnCNN.py” 测验 [测试]'Validate_DnCNN.py'您需要更改测试集的路径和文件类型。 虽然我通过matlab生成了测试集，以在与其他方法竞争时发挥作用。 结果 在我的工作中，只采用了降噪方法。 高斯去噪 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 无线网络 锁相环 MLP 脑脊液 TNRD 神经网络 神经网络 DnCNN-S-Re 15 31.07 31.37 31.21 -- 31.24 31.42 31.73 31.61 -- 25 28.57 28.83 28.68 28.96 28.74 28.92 29.23 29.16 -- 50

三、Java的23中设计模式 从这一块开始，我们详细介绍 Java中23种设计模式的概念，应用场景等情况，并结合他们 的特点及设计模式的原则进行分析。 1、工厂方法模式（Factory Method） 工厂方法模式分为三种： 11、普通工厂模式，就是建立一个工厂类，对实现了同一接口的一些类进行实例的创建。 首先看下关系图：

伯特分类服务 介绍 使用训练分类模型并通过部署模型。 然后，我们可以使用REST API进行在线预测。 开始使用 整个实验基于Chnsenticorp数据集，该数据集是正面和负面情绪的两类数据集。 0.准备训练前模型 下载中文bert模型chinese_L-12_H-768_A-12 ，然后解压缩并移至models目录。 1.训练模型 sh fine-tuning.sh 2.进行预测和导出模型 我们需要将检查点更改为张量流服务的格式。 sh export-model.sh 然后， export-model的结构将为： . └── 1569141360 ├── saved_model.pb └── variables ├── variables.data-00000-of-00001 └── variables.index 3.部署模型

由于cuda9.1资源太大，所以只好通过百度网盘分享，文档中是链接和密码，如果失效，请联系我，留下邮箱。文档中是CUDA9.1版本，官网下载不下来，在这里分享一下，有需要的朋友可以从这里下载。有需要cuda9.0以及cudnn7.1的朋友可以从我的其他博客中下载，windows中安装tensorflow-gpu的详细教程也在本人其他的博客中，过程很详细哈哈，上个资源我只想要2积分，很奇怪系统定了5积分。。。不过资源肯定好用，本人使用的。