小编gre*_*ess的帖子

我在下面使用Ubuntu11.04 获取之前,当前和下个月:

LAST_MONTH=`date +'%m' -d 'last month'`
NEXT_MONTH=`date +'%m' -d 'next month'`
THIS_MONTH=`date +'%m' -d 'now'`

它运作良好,直到今天,即2012年10月的最后一天(2012-10-31)

我现在得到以下结果:

$ date
Wed Oct 31 15:35:26 PDT 2012
$ date +'%m' -d 'last month'
10
$ date +'%m' -d 'now'
10
$ $ date +'%m' -d 'next month'
12

我想输出应该是9,10,11分别.

不明白为什么date输出表现得像这样.什么应该是一个很好的方法来获得一致previous,current而next月份呢？

刚刚遇到了FlockDB图数据库.github/flockDB的详细信息.Twitter声称它使用FlockDB进行以下操作:

Twitter在大型机器集群上运行FlockDB.我们使用它来存储社交图表(谁跟随谁,谁阻止谁)和Twitter上的二级索引.

乍一看,设置和尝试它看起来并不直接.有没有人已经使用它/设置这个？如果是,请回答以下一般问题.

• 它更适合哪种应用？(Twitter声称它很简单,非常粗糙,但仍然可以看到它的含义)
• FlockDB如何比其他图形db/noSQL db更好.您是否设置了FlockDB,将其用于应用程序？
• 提前建议吗？

注意:我正在评估FlockDB和其他图形数据库主要用于学习它们.也许,我会为此构建一个应用程序.

无论FlockDB和Neo4j的是保持大图数据集的开源框架.有没有人熟悉这两种产品的比较？

我有一个大表用户和google bigquery中的小表User_purchase.

如果我加入两个

SELECT User.id, User_purchase.amount FROM User 
    LEFT JOIN User_purchase on User.id = User_purchase.user_id,

查询返回错误:

查询失败.错误:未实现:无法读取此表

但如果我和两个人一起加入

SELECT User.id, ISNULL(INTEGER(User_purchase.amount), INTEGER(0)) FROM User 
    LEFT JOIN User_purchase on User.id = User_purchase.user_id, 

查询有效.

不太明白为什么第一种情况不起作用.我假设在第一种情况下我可以使用purchase_amount获得所有用户,尽管有些用户将使用NULL作为purchase_amount.谢谢.

我正在尝试自学一些机器学习,并且一直在使用MNIST数据库(http://yann.lecun.com/exdb/mnist/)这样做.该网站的作者在98年写了一篇关于所有不同类型的手写识别技术的论文,可在http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf上找到.

提到的第10种方法是"切线距离分类器".这个想法是,如果你将每个图像放在一个(NxM)维向量空间中,你可以计算两个图像之间的距离,作为超平面之间的距离,每个超平面是通过取点来给出超平面,并旋转图像,重新缩放图像,翻译图像等.

我想不出足以填补遗漏的细节.我知道其中大多数都是线性算子,那么如何使用这个事实来创建超平面呢？一旦我们有了超平面,我们如何与其他超平面保持距离？

这是css我的div.我希望背景能够填满整个屏幕,但它比我的屏幕分辨率更大,所以会出现一个底部滚动条

.hero-unit {
  padding:60px;
  margin-top: 60px;
  background: url("../img/bar2.jpg") no-repeat scroll 0;
  height:233px;
  width:100%;
  left:0px;
  background-size: cover;
  position:absolute;
  background-color:#eeeeee;
}

我有一些文本数据,每个文档都有多个标签.我想使用Theano为此数据集训练LSTM网络.我遇到了http://deeplearning.net/tutorial/lstm.html但它只是促进了二进制分类任务.如果有人对继续采用哪种方法有任何建议,那就太棒了.我只需要一个初步的可行方向,我可以继续努力.

谢谢,阿米特

首先,让我为在该标题中填写三个问题而道歉.我不确定有什么更好的方法.

我会正确的.我想我很了解前馈神经网络.

但LSTM真的让我感到厌烦,我觉得这可能是因为我对一般的递归神经网络没有很好的把握.我在Coursera上经历了Hinton和Andrew Ng的课程.其中很多对我来说仍然没有意义.

根据我的理解,递归神经网络与前馈神经网络的不同之处在于过去的值会影响下一个预测.递归神经网络通常用于序列.

我看到的递归神经网络的例子是二进制加法.

    010
+   011

一个递归神经网络将最右边的0和1取出,输出1.然后取1,1接下来,输出一个零,然后进行1.取下一个0,0并输出1,因为它带有1从上次计算.它存放在哪里1？在前馈网络中,结果基本上是:

    y = a(w*x + b)
where w = weights of connections to previous layer
and x = activation values of previous layer or inputs

如何计算递归神经网络？我可能错了,但根据我的理解,递归神经网络是具有T隐藏层的前馈神经网络,T是时间步长.并且每个隐藏层在时间步长T处获取X输入,然后将其输出添加到下一个相应的隐藏层的输入.

    a(l) = a(w*x + b + pa)
where l = current timestep
and x = value at current timestep
and w = weights of connections to input layer
and pa = past activation values of hidden layer 
    such that neuron i in layer l uses …

我正在尝试实现一个未经过排名的布尔检索.为此,我需要构造一个树并执行DFS来检索文档.我有叶节点,但我很难构建树.

例如:query = OR(AND(玛丽亚莎拉波娃)网球)

结果:

      OR
     |   |
     AND tennis
     | | 
  maria sharapova

我使用DFS遍历树并计算某些文档ID的布尔等价物,以从语料库中识别所需的文档.有人可以用python帮助我设计这个吗？我已解析查询并立即检索叶节点.

编辑:我是新来的,所以道歉是因为缺乏清晰度.我基本上试图建立一个非常天真的搜索引擎.因此,用户输入任何布尔查询,如:OR(AND(maria sharapova)tennis).我有一个维基百科文档集,根据您输入的查询显示给用户.

直到现在,我已经解析了查询以检索单个运算符(如OR,AND等).而且,个人搜索条件(玛丽亚,网球等).解析代码只是一个基本上将所有运算符和查询项组合为类型的函数.即(玛丽亚莎拉波娃),(网球),或,和.我以这种方式解析这个函数,以便自下而上创建一个树.现在,使用倒置列表作为网球,玛丽亚,莎拉波娃等相应的关键词,我使用倒排列表执行布尔运算,得到一定的"文档化".然后将此文档传递给API,然后API将检索正确的维基百科页面.

为了更详细地解释这个主题,请参阅本文档以获取有关我手头问题的更多信息:http: //www.ccs.neu.edu/home/jaa/CSG339.06F/Lectures/boolean.pdf

我想使用谷歌的机器学习与在python上编写的App Engine应用程序.

由于调查性质(使用Kohonen的SOM进行数据聚类),此应用程序应在每次使用之前重新训练TensorFlow模型.

我有以下问题:

一个基于App Engine的应用程序可以命令机器学习的东西训练一些模型与一些输入数据吗？一个基于App Engine的应用程序可以将一些输入向量发送到ML事物并获得结果(此向量属于哪个集群)？如果一切皆有可能,那怎么办？

如果没有可能的话,我可以使用任何其他架构来构建基于App Engine的应用程序TensorFlow吗？

我说说这件事: