binary

很高兴受到 Devops Taiwan 邀请到台北讲‘Drone CI/CD 1.0 新功能’， 现场太多 CI/CD 工具一起 PK，有兴趣可以看活动网页。其实我在其他场合讲过很多次 Drone 的基础，所以这次上台北最主要探讨 Drone 在今年 2019 Release 1.0 的一些重大功能，我相信大家在用旧的版本已经很顺了，其实如果不升级到新的版本也是没差。底下我会一一介绍 1.0 的新功能

有些个算法对有序的和无序的数据都能应用，但多数情况下，他们在输入数据有序时才最有用。 下列算法要求输入数据必须有序： 这些算法要求保证时间复杂度为线性，所以输入数据必须有序。 这两个算法内部使用 merge sort 来完成运算且要求线性时间，也要求输入必须有序

基于SVM混凝土电镜图像类型识别( ) 目的 为了准确、快速地对混凝土电镜图像进行自动识别分类，选取合理的特征提取方法以及分类算法，解决预判混凝土耐久性问题.方法 利用一种基于局部二值模式（Local Binary PatternLBP）的特征提取方法和支持向量机（Support Vector MachineSVM）分类器的组合模式对混凝土在电镜下的图像进行特征提取和类别判定并对SVM分类器选取合理的核函数以及核函数参数.结果 采用笔者方法最终图像识别准确率可达79.7%，LBP基本特征算子较好地满足了纹理特征图像的特征提取要求；通过SVM分类器对图像进行分类可以将含有纹理特征的图像成功分类.结论 该方法成功有效地识别混凝土的内部多层次结构辅助辨别混凝土的耐久性问题；LBP基本算子和SVM分类算法的组合算法在特征提取与识别分类具有很好的实用性及高效性.

老师，在实际应用当中我们是用一个tree去model所有的category，还是用多个tree给每个category（one for each class）？这种one for each class的情况在RF 或者GBDT模型当中具体是如何实现的呢？ 无论是RF还是GBDT，他们当中每一个Tree都可以做多分类问题。对于RF，每一棵树都单独做multi-class classification，判断出最可能的所属类别，最后整个RF把所有树的分类结果取众数。如果是GBDT，就像我们上课讲的，可以把它看成是串行地不断去model数据的残差（如果error是用squared-loss定义），那么此时每一颗树也是在做multi-class classification 最后把所有树的输出结果整合起来

我因为写 tweak 的原因，有时候会需要看一下别人的 binary 来改变自己的思路，从而正确去修改对应的 method。也因为这样，开始误入歧途研究一些 binary 的东西，而最近某文字编辑器的 DRM 好像有点红，所以我就跑去看看其他软件的 DRM 了。 不看还好，一看发现有些厂商依赖第三方方案来作软件授权或试用期机制

在计算机科学中，二分搜索（英语：binary search），也称折半搜索（英语：half-interval search）、对数搜索（英语：logarithmic search），是一种在有序数组中查找某一特定元素的搜索算法。搜索过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜索过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。如果在某一步骤数组为空，则代表找不到

本文为机器学习系统设计的好书 Machine Learning Design Patterns 中介绍的第六个模式：Multilabel pattern 的笔记。常见的例子像是帮一篇文章标上数个标签，或者预测一个人未来不同慢性病的患病几率等等。 在网络模型的最后一层用 sigmoid 就能让产生对于每个分类的几率