2023年9月27日
golang Context应用举例
摘要： golang Context应用举例 Context本质 golang标准库里Context实际上是一个接口（即一种编程规范、 一种约定）。 type Context interface { Deadline() (deadline time.Time, ok bool) Done() <-chan struct{} Err() err 阅读全文
posted @ 2023-09-27 09:40 张朝阳 阅读(408) 评论(1) 推荐(1) 编辑
2021年10月23日
自行用go的反射实现json序列化和反序列化功能
摘要： 我在上一篇文章详细介绍了go反射的API用法，参见 一篇带你全面掌握go反射的用法 - 张朝阳 - 博客园 (cnblogs.com) go自带的json序列化就是通过反射来实现的，为了加深对反射API的掌握程度，我自动实现了类似json序列化和反序列化功能。 package main import 阅读全文
posted @ 2021-10-23 00:30 张朝阳 阅读(470) 评论(0) 推荐(1) 编辑
2021年9月17日
一篇带你全面掌握go反射的用法
摘要： 最重要的 你为什么要用反射？这个问题请读者自己回答。我强调一下反射的2个弊端： 代码不易阅读，不易维护，容易发生线上panic 性能很差，比正常代码慢一到两个数量级 go语言反射里最重要的两个概念是Type和Value，Type用于获取类型相关的信息（比如Slice的长度，struct的成员，函数的 阅读全文
posted @ 2021-09-17 15:13 张朝阳 阅读(262) 评论(0) 推荐(0) 编辑
2021年9月11日
go语言序列化json/gob/msgp/protobuf性能对比
摘要： 基础知识 json和gob是go语言自带的序列化方式，都在encoding包下面。 go自带的json使用反射机制，效率低。easyjson在解析json数据的时候，并不是使用反射机制，而只针对预先定义好的json结构体对输入的json字符串进行纯字符串的截取，并将对应的json字段赋值给结构体。e 阅读全文
posted @ 2021-09-11 22:29 张朝阳 阅读(4107) 评论(0) 推荐(0) 编辑
2021年8月31日
go语言ZeroMQ编程（带聊天室的实现）
摘要： 关于ZeroMQ（又称ØMQ）有很多传神的解说，我这里给各位看官上一段比较凡尔赛的描述。 Underneath the brown paper wrapping of ZeroMQ’s socket API lies the world of messaging patterns. "在ZeroMQ 阅读全文
posted @ 2021-08-31 12:11 张朝阳 阅读(1301) 评论(0) 推荐(0) 编辑
2021年8月21日
go超时控制有4种写法，你知道吗？
摘要： 当然，go语言的超时控制肯定不止4种方法，起这个标题是我的一种自嘲，让我想起了孔乙己说的茴香的茴有4种写法。 本文写的4种方程都借助于同一个套路： workDoneCh := make(chan struct{}, 1) go func() { LongTimeWork() //这是我们要控制超时的 阅读全文
posted @ 2021-08-21 23:01 张朝阳 阅读(903) 评论(0) 推荐(0) 编辑
2021年8月13日
如何让磁盘拥有内存一样的读写速度
摘要： 磁盘是块存储设备，读写连续的一整块磁盘数据其实还是很快的，平时我们感觉磁盘比内存慢是因为没有顺序地读磁盘，而是在随机读，大部分时间都浪费在寻道和旋转上面。 做个试验，对比一下顺序读磁盘和读写内存的速度，看看到底差多少。 试验方法：创建一个长度为10M的字节数组，执行3种操作--顺序地访问该数组里的元 阅读全文
posted @ 2021-08-13 22:07 张朝阳 阅读(408) 评论(0) 推荐(0) 编辑
2021年8月10日
天生骄傲的Go语言
摘要： Go语言以高并发闻名于世，牛皮不能光靠吹，今天我们就来做一个对比试验，体会一下Go在并发方面的巨大优势！靶子就瞄准Java，谁让它是后端开发语言的老大哥呢。 基本任务：初始化一个100*100的矩阵，矩阵每个元素是从[0,1)随机取的双精度浮点数，计算矩阵跟自身相乘，需要100万次乘法运算。 机器配 阅读全文
posted @ 2021-08-10 22:36 张朝阳 阅读(174) 评论(0) 推荐(0) 编辑
2021年8月7日
关于go channel阻塞的深入讨论
摘要： 按照通常的理解，Channel满了，就阻塞写；Channel空了，就阻塞读 go协程很聪明，阻塞之后它就主动交出cpu，相当于调用runtime.Gosched()，让其他协程去执行，希望其他协程能帮自己解除阻塞（当然是通过读写管道的方式） 如果阻塞发生在main协程里，并且没有其他子协程可以执行， 阅读全文
posted @ 2021-08-07 22:17 张朝阳 阅读(1507) 评论(0) 推荐(0) 编辑
2021年7月10日
用宝塔搭建自己的网站
摘要： 1.购买服务器 服务器就是电脑，理论上个人电脑也可以，但由于服务器上要部署网站，为了保证网站随时可以访问，就要求服务器不能关机。个人电脑由于没有专门的降温设备，长时间运行CPU扛不住，所以最好还是购买专门的服务器。对于个人以及很多小微企业，也不可能真的去向华为、浪潮等服务器提供商购买物理服务器，因 阅读全文
posted @ 2021-07-10 13:31 张朝阳 阅读(3896) 评论(0) 推荐(0) 编辑
2020年8月18日
用FFM做召回
摘要： 特征表示 Field feature feature取值 x 备注 user侧 Field1 性别 男 x1 每个取值对应一个x 女 x2 Field2 年龄 <18 x3 连续特征先离散化 19-24 x4 25-30 x5 31-35 x6 36-40 x7 >40 x8 Field3 省 山西 阅读全文
posted @ 2020-08-18 21:08 张朝阳 阅读(952) 评论(0) 推荐(0) 编辑
2020年5月16日
从公式的角度理解L2和L1正则
摘要： L2正则 $$C=C_0+\frac{\lambda}{n}\sum_{i=1}^n{w_i^2}$$ $$\frac{\partial C}{\partial w}=\frac{\partial C_0}{\partial w}+\frac{\lambda}{2n}w$$ \begin{equat 阅读全文
posted @ 2020-05-16 21:16 张朝阳 阅读(639) 评论(0) 推荐(0) 编辑
2020年2月15日
LR在CTR中的实践经验
摘要： 比如我们要开个网站卖书，使用LR模型预估一下用户点击某本书的概率。 1 为什么选用LR 离线训练和在线预测非常快 内存占用少 效果跟xgboost、深度模型差不多 模型简单，方便调参 模型易于解释，排查问题方便 第4点和第5点非常重要，工作实践中大多数时间都是在排查问题，根据badcase调参数。 阅读全文
posted @ 2020-02-15 20:46 张朝阳 阅读(1284) 评论(0) 推荐(1) 编辑
2020年2月1日
我的新书：《工业机器学习算法详解与实战》
摘要： 图书简介 实用性是本书的第一个基本出发点，书中介绍了近年来在工业界被广泛应 用的机器学习算法，这些算法经受了时间的考验，不但效果好而且使用方便。此 外作者也十分注意理论的深度和完整性，组织各章节的内容时力求由浅入深、推 理完整、先后连贯、自成体系，先讲统计学、矩阵、优化方法这些基础知识，再 由简到繁 阅读全文
posted @ 2020-02-01 11:36 张朝阳 阅读(2092) 评论(5) 推荐(1) 编辑
2019年8月18日
Python调用C加速计算
摘要： python遇到计算性能瓶颈尽量使用Numpy，因为Numpy会调用C的并行计算库，如果numpy不能实现你的需求，就只好自己写C代码了。 用C实现数组的按位相乘（当然这个功能用numpy就可以实现，这里只是个示例）： 值得一提的是，对于计算密集型任务，即使不用OpenMP，C语言的速度也比Pyth 阅读全文
posted @ 2019-08-18 15:11 张朝阳 阅读(1299) 评论(0) 推荐(0) 编辑
2019年8月16日
golang调用tensor flow模型
摘要： 1. 安装Go版TensorFlow TensorFlow 提供了一个 Go API，该 API 特别适合加载用 Python 创建的模型并在 Go 应用中运行这些模型。 安装TensorFlow C库 下载地址 TensorFlow C 库网址 Linux Linux CPU only https 阅读全文
posted @ 2019-08-16 14:31 张朝阳 阅读(5402) 评论(0) 推荐(2) 编辑
2018年8月5日
badger和rocksDB性能对比
摘要： 结论： 数据集不同、参数不同、测试方法不同都会导致结论不同，以下是我的测试代码。 storage.go package storage import ( "fmt" ) var storageOpenFunction = map[string]func(path string) (Storage, 阅读全文
posted @ 2018-08-05 22:52 张朝阳 阅读(4303) 评论(0) 推荐(1) 编辑
2018年6月28日
调参工程师的日常
摘要： 近期调参感受： 在实际项目中数据和特征对最终的效果贡献是最大的，所以要花时间打造你的数据流，花时间多想一些特征，特征要算准。 word2vec、FFM、XgBoost这些算法之所以能得到业界公认，是因为他们在各种数据集上都表现良好，而且对参数不太敏感。 试验总结： FFM优于FM，FM优于LR。 X 阅读全文
posted @ 2018-06-28 18:26 张朝阳 阅读(4644) 评论(1) 推荐(1) 编辑
2018年2月3日
FFM代码实现
摘要： 上一篇我们讲了《FFM原理及公式推导》，现在来编码实现一下。 把写代码所需要所有公式都列出来，各符号与原文《Field-aware Factorization Machines for CTR Prediction》中的保持一致。 符号约定： $n$:特征的维数 $m$:域的个数 $k$:隐向量的维 阅读全文
posted @ 2018-02-03 22:12 张朝阳 阅读(4465) 评论(0) 推荐(0) 编辑
2018年1月14日
用SSE做向量内积
摘要： SSE是Streaming SIMD Extensions的缩写，SIMD是Single Instruction Multiple Data的缩写，即对多条数据并行执行相同的操作，以提高CPU的性能。 从SSE4.1开始支持向量的内积：__m128 _mm_dp_ps( __m128 a,__m12 阅读全文
posted @ 2018-01-14 21:57 张朝阳 阅读(2335) 评论(1) 推荐(0) 编辑
2017年12月31日
FFM原理及公式推导
摘要： 上一篇讲了FM（Factorization Machines），今天说一说FFM（Field-aware Factorization Machines ）。 回顾一下FM： \begin{equation}\hat{y}=w_0+\sum_{i=1}^n{w_ix_i}+\sum_{i=1}^n{\ 阅读全文
posted @ 2017-12-31 17:08 张朝阳 阅读(13861) 评论(1) 推荐(1) 编辑
2017年12月3日
FM在特征组合中的应用
摘要： 特征组合 x1年龄 x2北京 x3上海 x4深圳 x5男 x6女 用户1 23 1 0 0 1 0 用户2 31 0 0 1 0 1 如上例特征X有6个维度，年龄是连续值，城市和性别用one-hot表示，假设我们用最简单的线性拟合来预测y值。 $$\hat{y}=w_0+\sum_{i=1}^n{w 阅读全文
posted @ 2017-12-03 15:55 张朝阳 阅读(8807) 评论(3) 推荐(1) 编辑
2017年11月4日
go语言基础
摘要： slice 输出： 4 3 [0 1 2][0 1][1 2 0]*****************4 3 [0 1 9][0 1 9][1 9 0]*****************8 5 [0 6 9 7 6][0 1 9][1 9 0]*****************16 10 [0 6 9 阅读全文
posted @ 2017-11-04 22:01 张朝阳 阅读(558) 评论(0) 推荐(0) 编辑
2017年7月6日
随机森林和GBDT
摘要： 本文由网上多篇博客拼凑而成。 决策树这种算法有着很多良好的特性，比如说训练时间复杂度较低，预测的过程比较快速，模型容易展示（容易将得到的决策树做成图片展示出来）等。但是同时，单决策树又有一些不好的地方，比如说容易over-fitting，虽然有一些方法，如剪枝可以减少这种情况，但是还是不够的。 模型 阅读全文
posted @ 2017-07-06 10:25 张朝阳 阅读(2177) 评论(2) 推荐(0) 编辑
2017年7月5日
广义线性模型（Generalized Linear Model）
摘要： 指数分布族 \begin{equation} p(y;\eta)=b(y)\cdot exp\{\eta^TT(y)-a(\eta)\} \label{exponential family} \end{equation} $b(y)$和$T(y)$是关于y的函数，$a(\eta)$是关于$\eta$ 阅读全文
posted @ 2017-07-05 20:20 张朝阳 阅读(2385) 评论(0) 推荐(0) 编辑
雅可比、高斯-赛德尔迭代求解线性方程组
摘要： n阶线性方程组 系统矩阵A非奇异，且aii≠0。则 于是雅可比迭代法就有了： 高斯-赛德尔迭代比雅可比迭代收敛性更好，应为它在计算xim+1时利用了已经计算出来的xi-1m+1 …… x1m+1。 阅读全文
posted @ 2017-07-05 13:48 张朝阳 阅读(3582) 评论(0) 推荐(1) 编辑
2017年7月4日
一种基于共现的推荐算法
摘要： 参考原文《亚马逊推荐系统20年》 现有所有用户的购物列表： 现在要计算商品X的相似商品。 思路：要计算X和Y的相似度直接计算p(Y|X)即可。根据极大似然估计 \begin{equation} p(Y|X)=\frac{count(X,Y)}{count(X)}=\frac{2}{3} \label 阅读全文
posted @ 2017-07-04 15:53 张朝阳 阅读(1532) 评论(0) 推荐(0) 编辑
2017年7月3日
git常用命令
摘要： #在github上通过GUI创建一个repositoryhttps://guides.github.com/activities/hello-world/ #新建一个文件echo "# my_fisrt_repository" >> README.md#在当前目录初始化一个git环境git init 阅读全文
posted @ 2017-07-03 14:45 张朝阳 阅读(433) 评论(0) 推荐(0) 编辑
2017年7月1日
概率分布之间的相似度
摘要： 我曾经讲过如何度量两个随机变量之间的独立性和相关性，今天来讲一下如何度量两个概率分布之间的相似度。 在概率论中，f散度用来度量两个概率分布$P$和$Q$之间的距离，距离函数具有如下形式： \begin{equation}D_f(P||Q) \equiv \int_{\Omega}f\left(\fr 阅读全文
posted @ 2017-07-01 23:55 张朝阳 阅读(6768) 评论(0) 推荐(0) 编辑
最大熵模型MaxEnt
摘要： 最大熵模型 最大熵模型的思想是在满足已知条件的情况下，不对未知情况做任何有偏的假设，这样得到的模型预测风险最小。 满足已知条件，且不对未知情况做任何有偏的假设，即认为未知情况各种事件发生的概率相等，这实际上就是说条件熵最大。 $$max \; H(Y|X)=-\sum_i{\sum_j{p(x_i, 阅读全文
posted @ 2017-07-01 15:43 张朝阳 阅读(2033) 评论(0) 推荐(0) 编辑
2017年6月30日
判别模型和生成模型
摘要： 所有机器学习算法的目标就是求得一个决策函数$y=f(x)$或者说是求得一个条件概率$p(y|x)$。 生成模型：直接求联合概率$p(x,y)$，得到$p(x,y)$后就可以去生成样本。HMM、高斯混合模型GMM、LDA、PLSA、Naive Bayes都属于生成模型。当我们得到HMM模型后，就可以根 阅读全文
posted @ 2017-06-30 18:03 张朝阳 阅读(1570) 评论(0) 推荐(0) 编辑
EM算法
摘要： 凸函数 如果一个函数处处二次可微，且对于任意的x都有$f^{''}(x) \ge 0$，则f(x)是凸函数。当x是向量时，$f^{''}(x)$就对应到Hessian矩阵，$f^{''}(x) \ge 0$就对应到Hessian矩阵H是半正定的，即$H \ge 0$。当$f^{''}(x) > 0$ 阅读全文
posted @ 2017-06-30 15:17 张朝阳 阅读(768) 评论(0) 推荐(0) 编辑
2017年6月25日
numpy数组运算
摘要： 加、减、乘、除、指数运算、求倒数、取相反数、位运算 等各种运算都是在各个元素上分别进行的 加法 >>> a=numpy.array([2,4,5])>>> b=numpy.array([1,1,1])>>> a+barray([3, 5, 6]) 乘法 >>> a*barray([2, 4, 5]) 阅读全文
posted @ 2017-06-25 16:24 张朝阳 阅读(14504) 评论(0) 推荐(0) 编辑
2017年5月14日
FTRL代码实现
摘要： FTRL（Follow The Regularized Leader）是一种优化方法，就如同SGD（Stochastic Gradient Descent）一样。这里直接给出用FTRL优化LR（Logistic Regression）的步骤： 其中$p_t=\sigma(X_t\cdot w)$是L 阅读全文
posted @ 2017-05-14 22:15 张朝阳 阅读(8699) 评论(0) 推荐(1) 编辑
2017年4月9日
RNN和LSTM
摘要： RNN 中文分词、词性标注、命名实体识别、机器翻译、语音识别都属于序列挖掘的范畴。序列挖掘的特点就是某一步的输出不仅依赖于这一步的输入，还依赖于其他步的输入或输出。在序列挖掘领域传统的机器学习方法有HMM（Hidden Markov Model，隐马尔可夫模型）和CRF（Conditional Ra 阅读全文
posted @ 2017-04-09 17:35 张朝阳 阅读(29096) 评论(4) 推荐(3) 编辑
2017年4月8日
word2vec
摘要： 统计语言模型 问题：如何计算一段文本序列出现的概率？ 建模：句子S由T个词组成，$S=w_1,w_2,\cdots,w_T$。则句子出现的概率 $$p(S)=\prod_{i=1}^T{p(w_i|context_{w_i})}$$ $context_{w_i}$表示词$w_i$的上下文环境，统计语 阅读全文
posted @ 2017-04-08 23:24 张朝阳 阅读(1524) 评论(0) 推荐(0) 编辑
2017年3月19日
神经网络调优
摘要： Michael Nielsen在他的在线教程《neural networks and deep learning》中讲得非常浅显和仔细，没有任何数据挖掘基础的人也能掌握神经网络。英文教程很长，我捡些要点翻译一下。 交叉熵损失函数 回顾一下上篇的公式(7)和(8)，基于最小平方误差（MSE）的缺失函数 阅读全文
posted @ 2017-03-19 18:55 张朝阳 阅读(10315) 评论(0) 推荐(2) 编辑
什么是神经网络
摘要： Michael Nielsen在他的在线教程《neural networks and deep learning》中讲得非常浅显和仔细，没有任何数据挖掘基础的人也能掌握神经网络。英文教程很长，我捡些要点翻译一下。 感知机 \begin{equation}output=\left\{\begin{ma 阅读全文
posted @ 2017-03-19 00:15 张朝阳 阅读(2849) 评论(0) 推荐(1) 编辑
2016年10月22日
java程序占用CPU过高问题排查
摘要： 查看进程占多少CPU#top -p 25484 查看进程里各个线程占多少CPU#top -p 25484 -H 查看线程的执行栈信息先把线程号转换为16进制。#printf '%0x\n' 286166fc8再通过jstack命令看看这个线程在干嘛$jstack 25484 | grep -A 10 阅读全文
posted @ 2016-10-22 17:50 张朝阳 阅读(836) 评论(0) 推荐(0) 编辑
2016年7月13日
PLSA
摘要： PLSA模型 PLSA和LDA很像，都属于主题模型，即它们都认为上帝在写文章时先以一定概率选择了一个主题，然后在这主题下以一定概率选择了一个词，重复这个过程就完成了一篇文章，即$p(d_i,w_j)=p(z_k|d_i)p(w_j|z_k)$，其中$d$表示文章，$w$表示词，$z$表示主题。 模型 阅读全文
posted @ 2016-07-13 19:43 张朝阳 阅读(6204) 评论(1) 推荐(1) 编辑
下一页