pooling，ioc和aop原理和机制？
ioc（Inversion of Control）
IOC:控制反转也叫依赖注入。利用了工厂模式将对象交给容器管理，你只需要在spring配置文件总配置相应的bean，以及设置相关的属性，让spring容器来生成类的实例对象以及管理对象。在spring容器启动的时候，spring会把你在配置文件中配置的bean都初始化好，然后在你需要调用的时候，就把它已经初始化好的那些bean分配给你需要调用这些bean的类（假设这个类名是A），分配的方法就是调用A的setter方法来注入，而不需要你在A里面new这些bean了。注意：面试的时候，如果有条件，画图，这样更加显得你懂了.
AOP:面向切面编程。（Aspect-Oriented Programming）AOP可以说是对OOP的补充和完善。OOP引入封装、继承和多态性等概念来建立一种对象层次结构，用以模拟公共行为的一个集合。当我们需要为分散的对象引入公共行为的时候，OOP则显得无能为力。也就是说，OOP允许你定义从上到下的关系，但并不适合定义从左到右的关系。例如日志功能。日志代码往往水平地散布在所有对象层次中，而与它所散布到的对象的核心功能毫无关系。在OOP设计中，它导致了大量代码的重复，而不利于各个模块的重用。将程序中的交叉业务逻辑（比如安全，日志，事务等），封装成一个切面，然后注入到目标对象（具体业务逻辑）中去。实现AOP的技术，主要分为两大类：一是采用动态代理技术，利用截取消息的方式，对该消息进行装饰，以取代原有对象行为的执行；二是采用静态织入的方式，引入特定的语法创建“方面”，从而使得编译器可以在编译期间织入有关“方面”的代码.简单点解释，比方说你想在你的biz层所有类中都加上一个打印‘你好’的功能,这时就可以用aop思想来做.你先写个类写个类方法，方法经实现打印‘你好’,然后Ioc这个类 ref＝“biz.*”让每个类都注入即可实现。python如何实现人脸识别？
翻出我曾经写的一篇文章来介绍这个问题。
为大家带来一篇 初步使用Keras深度学习破解验证码 的文章。 当然我们这里识别的是普通验证码，是Laravel常用的验证码库
Captcha for Laravel 5
如下图，又5个数字字母所组成的验证码。我用PHP一共生成了5万个验证码。后面也会提供给大家
导入所需的库
这里我们还是使用Keras，底层使用Tensorflow做为底层库。
本次使用的模型是简单的卷积神经网络模型，后面也会使用更加复杂的模型
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。
一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
配置参数
加载数据
训练模型的时候，我们可以选择两种方式来生成我们的训练数据，一种是直接全部载入内存，然后开始训练，一种是定义一个数据生成器，然后利用 fit_generator 分批加载数据来训练。
因为样本是5万张，但是只有200多M，可以一次性载入内存。
最后会生成pickle文件。python的pickle模块实现了基本的数据序列和反序列化。通过pickle模块的序列化操作我们能够将程序中运行的对象信息保存到文件中去，永久存储；通过pickle模块的反序列化操作，我们能够从文件中创建上一次程序保存的对象。
如果使用我保存好的pickle文件，可以不用执行下列步骤
加载数据，读取pickle文件
创建模型
开始训练模型
训练完成，进行验证
改进
对于这种按顺序的文字验证码，还有一种更好方法可以使用，那就是循环神经网络来识别序列。 我会在后面继续介绍如何用循环神经网络构建模型。
代码地址：https://github.com/szpnygo/keras-cnn-captcha
Pickle地址：https://pan.baidu.com/s/1i4JiZOT
iis75设置集成windows验证？
要在 IIS 7.5 中集成 Windows 验证，可以按照以下步骤进行操作：
1. 打开 IIS 7.5 管理器，选择你的 Web 服务器。
2. 在左侧的导航窗格中，选择“网站”选项卡。
3. 在网站选项卡中，选择你的 Web 应用程序。
4. 在右侧的窗格中，选择“属性”选项卡。
5. 在属性选项卡中，选择“Web 安全”选项卡。
6. 在 Web 安全选项卡中，选择“自定义身份验证”选项卡。
7. 在身份验证选项卡中，选择“Windows 验证”选项。
8. 在“Windows 验证”选项卡中，选择“允许”。
9. 选择你的 Windows 操作系统版本，并选择“确定”。
10. 确认你的设置后，关闭所有选项卡并单击“确定”。
以上步骤将你的 Web 应用程序集成了 Windows 验证，可以帮助你确保只有授权的用户才能访问你的 Web 应用程序。
北航2023年人工智能考研大纲？
1、842人工智能基础综合试题含信号与系统、算法设计与分析和机器学习三门课程的内容。所有课程均不指定参考书。
2、试题总分为150分，每门课试题满分50分，三门课程的试题均计入考试成绩。
《信号与系统》考试大纲（50分）
一、复习要点
（一）信号与系统绪论
(1)信号与系统的概念；
(2)信号的描述、分类及常用信号；
(3)信号的基本运算。
（二）正交函数集与正交分解
(1)信号分解的物理意义；
(2)正交函数集；
(3)信号在正交函数集上的分解。
（三）连续周期信号的傅里叶级数
(1)连续周期信号在三角函数集上展开；
(2)连续周期信号傅里叶级数；
(3)有限项傅里叶级数与均方误差。
（四）连续信号的傅里叶变换
(1)非周期连续信号的傅里叶变换；
(2)典型信号的傅里叶变换；
(3)傅里叶变换的基本性质；
(4)周期信号的傅里叶变换。
（五）拉氏变换
(1)拉氏变换的定义、物理意义；
(2)拉氏变换的基本性质；
(3)拉氏逆变换；
(4)双边拉氏变换。
（六）连续时间系统的时域分析
(1)系统的概念、表示与分类；
(2)LTI系统分析方法概述；
(3)连续系统的时域经典分析法；
(4)零输入响应与零状态响应；
(5)卷积的定义与性质；
(6)卷积法求解系统响应。
（七）连续时间系统的S域分析
(1)系统函数；
(2)由系统函数零、极点分布分析时域特性；
(3)线性系统的稳定性分析。
（八）离散时间系统的时域分析
(1)离散时间信号（序列）及其表示；
(2)典型离散时间信号；
(3)离散时间信号的基本运算；
(4)离散时间系统的基本概念描述与分类；
(5)系统冲激响应函数的求解。
（九）离散时间系统的Z域分析
(1)z变换及其收敛域；
(2)典型序列的z变换；
(3)逆z变换；
(4)z变换的基本性质；
(5)系统函数与z域分析。
（十）离散信号的傅里叶分析
(1)离散周期信号的傅里叶级数DFS；
(2)序列的傅里叶变换离散时间傅里叶变换DTFT；
(3)离散傅里叶变换DFT；
(4)快速傅里叶变换FFT。
（十一）傅里叶变换及其图像处理应用
(1)数字图像简介；
(2)二维离散傅里叶变换2D DFT及其性质；
(3)2D DFT在图像处理中的应用。
《算法设计与分析》考试大纲（50分）
一、整体要求
(一)掌握算法的定义、性质和表示方法，并能够使用伪代码对算法进行描述；
(二)能够熟练采用渐近上界、渐近下界与渐近紧确界分析算法的运行时间；
(三)掌握算法设计的常用方法，包括分而治之、动态规划、贪心、近似算法；掌握图的基本概念和重要的基础图算法；
(四)掌握计算复杂性的基本概念和证明P类、NP类问题的方法；
(五)具有对简单计算问题的建模、分析、算法设计、算法优化和编程求解能力。
二、复习要点
(一)渐近复杂性分析
（1）Ｏ、Ω、Θ符号定义；
（2）分析给定算法的渐近复杂性；
（3）比较具有不同渐近上界的算法的效率；
（4）递归函数的运行时间分析。
（二）常用算法设计方法的基本思想和特点，以及针对具体问题设计相应的算法并分析其效率
（1）分治算法
（2）动态规划算法
（3）贪心算法
（4）近似算法
（三）图算法
（1）图的基本概念和基本性质；
（2）图的表示方法；
（3）图的遍历与搜索方法；
（4）最小生成树和最短路径等图具体问题算法。
（四）计算复杂性
（1）计算复杂性的基本概念，如判定问题、优化问题等；
（2）P类和NP类问题的定义和证明。
《机器学习》考试大纲（50分）
一、复习要点
（一）机器学习基础算法：（1）Bayesian学习以及相关算法；（2）Q学习基本概念；（3）归纳学习-决策树构建算法。
掌握机器学习发展历史、AlphaGO技术的发展历史以及核心技术，掌握Q学习的基本方法；掌握VC维的定义，以及统计学习理论的基本结论，深入理解经验风险和真实风险概念区别与联系；理解Bayesian的基本原理，贝叶斯学习、朴素贝叶斯算法在相关实际问题中应用；掌握HMM算法的基本原理；掌握信息熵概念的内涵、ID3算法构建过程、根据具体的实例，构建决策树。掌握信息增益的概念，以及在构建决策树时的物理含义。
（二）神经网络与深度学习：（1）线性分类器-感知机等；（2）传统神经网络-BP算法等；（3）深度学习-卷积神经网络等。
掌握线性分类器的构建方法，包括线性分类器的基本形式、构建方法；掌握感知机的构建方法、Fisher准则、最小均方误差准则。掌握机器学习里优化概念如何应用于线性分类器的设计。理解神经网络的反传算法基本原理、能够根据具体简单的网络实例写出反传公式的基本形式。了解经典深度神经网络模型、以及前沿技术，主要掌握卷积神经网络；理解卷积神经网络的构建过程、包括卷积操作的定义、Pooling操作的定义等。
（三）统计学习分类器：（1）支持向量机；（2）Adaboost算法；（3）子空间学习与稀疏表示。
理解统计学习理论的基本原理、支持向量机的基本原理与线性分类器的联系。掌握支持向量机的优化目标构造方法、优化算法以及应用。掌握Adaboost的基本原理，弱分类器的基本概念以及分类器融合算法。掌握子空间学习与稀疏表示的基本概念与思想，掌握主成分分析方法的具体过程、优化目标以及应用。基本了解Fisher判别分析、核判别分析等等；了解稀疏表示方法与子空间学习的联系与区别。
如何理解hinton最新capsule论文中的routing算法？
Capsule Networks 是Hinton 在2017年发表的，我们称它为胶囊网络。
Capsule Networks中每一个子单元是一个Capsule，而之前的Neural Networks中每一个子单元是一个Neural，一个Capsule内部的计算机制要比一个Neural更复杂，简单来说每一个Capsule的输入是多个vectors，输出是一个vector。而每一个Neural输入是多个value，输出是一个value。
Capsule内部对多个vectors的运算方式就是Dynamic Routing 算法。下图展示的是Dynamic Routing中T=3的计算情况，在一个capsule内部输入的vectors首先经过W进行线性变换得到vector U，这里的W是网络需要学习的参数，是随着网络迭代过程进行更新的。得到vectors U之后，vectors U要进行一个相当于加权求和的方式得到vector S，而权C的确定就是一个Dynamic Routing过程，首先有辅助向量b，起初始值为0，经过softmax得到
初始状态的C，通过C对U进行加权求和得到S，S经过一个Squashing的计算（具体计算公式可以参看原论文，Squashing的作用就如他的命名一样，就是一个挤压函数的意思，感性理解就是，如果向量S的模长非常大，则结果向量a的模长接近1，如果向量S的模长非常小，则结果向量a的模长接近0）得到vector a，a和u要进行一个点乘，更新b，进而更新权c，如此往复T次，就是整个Dynamic Routing的过程。
Capsule Networks最大的变化就是，它每一个处理的最小元素不再是一个value而是一个vector，用一个vector去表示一个parttern，这样做有一些潜在好处，传统的神经网络比如做图像分类，在max pooling操作下，虽然不同的猫的图片，都最后识别出了是猫，但是不同的猫神经网络的严重最后是没有差别的。
而capsule networks不是这样的，对于每一个不同的input，它都用不同的vector去理解它，vector的每一个维度代表的是不同特征的value，对于同一parttern下所有的vectors有一个共性就是其的norm很大，从而达到分类的效果。就像下图中的两张为1的手写数字，虽然都是1，但是其形状角度是不同的，我们不想因为其都是1，就让其在神经网络的眼中一样看待，而是想让它们虽然都是1 但是每一张图片对应的vector表示具体到每一个维度的value是不一样的，这些差别就反映了也许是角度特征、形状特征的不同。
参考：https://www.google.com/sorry/index?continue=https://youtu.be/eX7CgtabGj4&q=EgQ9eJZCGMf1gd0FIhkA8aeDS03SxZaFK9B8hwtvg2ZF9vIV2dvuMgFy
还没有评论，来说两句吧...