问题标签 [multi-layer]

我的项目有一个后端服务（Web API）和一个前端 SPA 应用程序。后端服务具有位于不同 .net 程序集中的表示层、应用程序服务、域和基础设施层。领域层有业务领域对象、基础设施——与外部数据和其他东西的通信、应用程序服务——表示层使用的一组服务、表示——Web API 控制器。我认为这是非常常见的分层架构。

我们的新架构师宣布我们将把后端迁移到微服务架构，分解我们的层，将域、应用程序服务和基础设施层划分为几个服务，并将表示层转换为前端层的后端（如此处所述）。在功能方面，我们将有移动应用程序。Sql Server 数据库现在将保持原样。

我没有微服务架构的经验，所以我的问题是：多层架构已经过时了吗？这样的架构设计能给我的应用带来什么好处和问题？

我正在尝试制作几个训练示例，以获得正确实现硬阈值激活功能的特定网络的一组权重和偏差。

• 四个输入 x_1, ... x_4 ，其中 x_i 是实数，如果 x_1 < x_2 < x_3 < x_4（排序顺序），网络必须输出（y）1，否则为 0。

• 硬阈值激活函数；

f(z) = 1（如果 z>= 0）或 0（如果 z <0）

并且，f(y)。

我想训练示例应该是

(-2,-1,0,1) -> 输出 1, (0,0,0,0) -> 输出 0, (0,0,0,1) -> 输出 0, (1,2,3 ,4) -> 输出 1。

.. 等等。但是输入的领域太宽泛，无法建立具体的例子来使用多层感知算法。

你能帮我找到合适的例子来应用algorithm吗？

假设我已经有一些由生成器生成的文件，并且想要创建一些子生成器，它们根据某些内容的模板将内容插入到这些文件中。

目标是创建一个由 3 层组成的多层架构的生成器（对于用 typescript 编写的 Angular2 应用程序）：

• 应用层
• metier层和
• 业务代理层

对于每一层，主生成器必须生成构成它的所有文件：模块文件，接口文件，...在此过程中生成的主要 3 个文件如下所示：

hero.application.ts：

hero.metier.ts：

hero.business-delegate.ts：

基于模板生成这些文件不会造成问题。但我想要提示用户输入方法名称的子生成器，它是返回类型和参数，因此子生成器必须修改每个先前生成的文件以插入代码，默认情况下，对于每一层，将调用传递给下一层。

假设子生成器提示用户输入一个名为 getHero 的方法，这 3 个文件的内容必须修改如下：

hero.application.ts：

hero.metier.ts：

hero.business-delegate.ts：

最简单、最安全、最新的方法是什么？

我正在尝试使用 sigmoid 函数实现神经网络但以下代码不起作用这是神经网络的训练部分。它没有正确更新权重这段代码有什么问题？

我的任务是使用机器学习进行异常检测。我有数据作为销售计数信息，如下所示：

我根据想法对学习集生成器进行了编码，以将某些产品销售计数转换为数组{ 5, 6, 5, 10, 4, ... }，计算平均值（假设为5），将数组转换为与平均值的百分比差异{ 0%, 20%, 0%, 100%, -20%, ... }，所以如果数组不包含高于 5% 的模块值，则行中没有异常。我知道我可以使用最简单的自制函数来检查这一点，但我有一项任务要为此使用机器学习。

我的生成器正在制作像 { 1%, 3%, -2%, 5%, 1%, ...} 这样的序列，并将它们标记为good。这样它就产生了大约 1k 个好的序列。在这个生成器开始通过修改好的序列来生成异常序列之后：{ 24%, 3%, -2%, 5%, 1%, ... }, { -24%, 3%, -2%, 5%, 1%, ...}, { 1%, 24%, -2%, 5%, 1%, ... }, { 1%, -24%, -2%, 5%, 1%, ...}, ..., { 1%, 3%, -2%, 5%, -100% }

后来我将这个百分比转换为 [0, 1] 范围并馈送到多层感知器，第二层有 128 个神经元，第三层有 32 个神经元，输出有 2 个（良好或异常）。学习后，我得到了大约50%的识别率，这非常糟糕。

然后我修改了我的生成器以生成 1k个像{ 1%, 3%, -2%, 5%, 1%, ...}这样的好序列和 1k个像{ 25%, 50%, -60%, 40%，-80%，...}。识别率仍然在50%左右。

哪种方式可以生成学习集，所以后面的网络会告诉我们{ 1%, 3%, -2%, 5%, 1%, ...}是好的，并且{ 1%, -24%, - 2%, 5%, 1% , ...}不好？

我正在尝试实现一个程序来测试 GPU 设备上的 Tensorflow 性能。数据测试是 MNIST 数据，使用多层感知器（神经网络）进行监督训练。我遵循了这个简单的示例，但我将性能批次梯度的数量更改为 10000

最终，当我使用此代码检查预测准确性时

事实证明，CPU 到 GPU 的准确率是不同的：当 GPU 返回的准确率大约为 0.9xx 而 CPU 仅返回 0.3xx 时。有谁知道原因？或者为什么会发生这个问题？

我现在可以使用 Chainer 创建和教授单层 rnn-s，但是当我尝试扩展我的网络时遇到了错误。这是我的代码，我注释掉了 2. 隐藏层部分，所以这应该作为单层网络运行

错误：unindent 与行上的任何外部缩进级别都不匹配：h2 = self.lstm(h)

米做错了什么？

我创建了一个包含所有基础领域对象的 grails 项目。我想创建单独的 grails 项目，这样它可以帮助我保持功能边界分开，但是，我需要使用这些基础域对象和服务作为基本依赖项，这样我就可以在所有其他 grails 项目中无缝使用这一层. 任何关于这是否是正确方法的想法以及如何去做的一些指示都非常感谢

我有一个具有多层架构的 Web 应用程序，以及与结构图配置分开的层中的处理程序和查询类。我尝试动态注册所有处理程序和查询，但我不能。当我尝试运行应用程序时，我收到运行时错误：

没有注册默认实例，无法自动确定类型“IRequestHandler”没有为 IRequestHandler 指定配置

控制器 var query = new GetUserQuery(id);var user = _mediator.Send(query);

询问

处理程序

我想知道在 Sklearn 中安装 MLP 分类器后是否有任何方法可以可视化或找到最重要/最有贡献的特征。

简单的例子：