哦又重新看了看你的问题描述。

我懂了，你的问题果然还是各维独立做多标签这里出了问题。
记 C = sum(你上面那个频数列表)

np.percentile(C / C.sum(), [1,10,20,50,80,90,99])
=> array([0.00119775, 0.0013504 , 0.00157821, 0.00292978, 0.00979803,
0.01954908, 0.06111261])

这个 imbalance 太严重了。各个维度都输出 0 就是一个非常巨大的局部最小值点。

解决方法 1：在每一维输出的时候，如果是 1 就 loss 添加惩罚系数 C / 类别频率，0 就添加 C / (1 - 类别频率)。这样能把各维二分类各自的 imbalance 问题降下来。

解决方法 2：还是 softmax 做 top-k 分类推荐。额外添加一个分类器预测到底输入有多少个输出类。

哦哦哦 等等，是多标签分类。

那你说不定可以试试在输出层的 loss 上，各维独立添加惩罚系数，就正比于根据你上面那个类别数量的倒数。

不过我觉得你说不定前面的网络哪里有问题。。。

@zxCoder 噗你不说我看 sigmoid 还以为你这是二分类。

多分类你用 sigmoid 做各维独立当然不太行。。。

... 端到端加密只要调个库。这几个软件的目的是防止网络上的窃听泄露，又不是防御本机的木马攻击。

@jdhao 这个例子里面，imbalance 太严重了。说句难听的，只有 2 个正例，分分钟过拟合。

这种问题建议先 unsupervised training ，用得到的 hidden representation 做更稳的分类器。

p(y=0|x) = 0.998 ，约等于 p(y=0|x) = 1 。如果是后者，显然全局最优解就是 y=f(x) 恒等于 0 。

@zxCoder 你已经说出了原因了。神经网络做的是

1. 最大化 l(x,y) 在训练样本 p(x,y) = p(x)p(y|x) 上的期望。
2. 几乎不可能找到全局最优解，只能找到局部最优解。

在你的例子中，998/1000 以上的训练样本都是 0 。也就是说 p(y=0|x) = 0.998 。如果你是神经网络要学习 y=f(x)，那么是不是很容易找到 y=f(x) 恒等于 0 这个局部最优解？

好吧 async 不能 yield from

老老实实 async for ... in super().... yield

yield from

这里建议你多买几张卡

@lianglu

虚假的内功：操作系统原理、计算机组成原理、数据库原理、算法和数据结构。
真正的内功：开源框架的具体实现。

这个世界我果然不太懂

这叫所见即所得编辑。。。

@hutoer @LANB0 9494 。但凡写过实际的 C++ 项目也不会说出用 IPC 作为方案的话来。C++ 用 IPC 比内嵌 HTTP 服务器容易？笑死我了，这还不如 CGI 呢。当然 CGI 也是脑残

1. 首先你日常生活接触的广告都不是奢侈品，这些广告都是精准推送了。几万一个的 LV 包包、几百万一台跑车、还有各种上千万的珠宝首饰，这种广告你见过吗？对，你没见过。这种奢侈品的广告不在穷人日常传媒接触得到的媒体上。

2. 你觉得客户群体收入偏低买不起，这是因为你的消费观很理智。事实上现在年轻人把月光甚至花呗买电子产品看得理所当然，把为了未来更好的生活奋斗谨慎花钱称作“内卷”。结婚买房在现在年轻人看来是“这辈子不可接受的”。顺便一边还痛恨资本家，有不少伪毛粉。

中产觉得年轻人这种消费观不可思议。

年轻人觉得花一辈子贷款买房子依然不可思议。

@chtcrack 对对对，上面一群没用过 C++ 的，在和我这个今年写了八万行 C++ 的人辩论，C++ 里面到底是内嵌一个 HTTP 服务器暴露给前端 /GUI 更方便，还是引入 IPC 用 CGI/FastCGI 暴露给前端更方便。笑死我了

为啥我觉得你用 c++ 写个程序用内存 map 就能扛下来。。。

@Buges 不，一个是只要部署一个 C++ 程序，另一个是还要配合一个转接 zeromq 的 cgi 程序 + ipc ，到底哪个复杂，你还要杠嘛？

@helee9199 唔，我的意思是为啥 Java 技术栈的项目要搭配 SQL Server 。。。。一般没有这么搭配的

我很奇怪为啥 java 要用 sql server