ML

这篇文章讨论了在多节点环境下使用联邦学习策略的问题和解决方案。介绍了同步和异步两种策略，并提出了Federated Averaging方法来选择一组设备参与训练，通过公式优化全局模型参数以最小化损失函数f(w)。还介绍了FL框架（FATE），包括Flow、Container、Eggroll和HDFS等组件及其作用。

KNN是一种分类算法，通过输入数据点与训练集中距离最近的k个数据点的类别来判断当前数据点的类别。该方法适用于各种距离度量（如欧几里得、曼哈顿和闵科夫斯基），并无需传统“训练”阶段学习模型参数。

VGG16是一个使用TensorFlow实现的深度神经网络结构，用于图像分类任务。该模型包含多个卷积层和最大池化层，并采用不同滤波器数量以提高特征提取能力。

本文介绍了两个具有深远影响的卷积神经网络：LeNet-5和AlexNet，以及dropout、maxpooling和relu等概念。这些技术为计算机视觉领域的发展提供了重要启示，并在现代深度学习中仍然具有重要意义。

输入x输出y=1的可能性最大，使用sigmoid作为激活函数的神经网络，并解释logistic回归如何通过交叉熵损失来最大化观测数据的概率。

NLP处理阶段包括词法、句法、语义和普适性，知识图谱通过实体抽取和关系抽取构建，并使用BERT模型进行微调。

图片基础：一个图片由长、宽和通道构成，每个像素点的色彩由调色板决定。CNN通过多层卷积操作提取特征并保留显著特征，最终输出高分辨率像素级分类图。FCN将全连接换为解码器，结合编码器中的语义信息丰富层次，生成细致的像素级分类结果。

期望值表示随机实验的长期平均结果；通过大数定律和中心极限定理，可以理解其与样本数据的关系以及方差的作用；正态分布描述了数据在均值附近的波动情况，并且需要区分方差和标准差的概念。