因为大部分情况下项目已经有自己的约定了啊。。。不需要加前缀。

比如 i, j, k 肯定是整数。

s 肯定是字符串。

arr 肯定是数组。

更多时候根据语义，bookList 肯定是 List[Book]

基本都够了

恭喜你答对了。但是说实话，也就 v2 你群的很多人斤斤计较这些，大部分用户其实无所谓一个点击追踪的。。。

@amiwrong123 你放心，C++ 世界里，越是基础的东西，魔法优化越多。

一个 std::vector 也可能有各种你看不明白的五花八门的魔法用法。建议你别看了，自己想想该怎么写就够了。

@amiwrong123 稍微查了查，至少对 vs2008 而言，strlen 是直接用汇编写的，不是 C 代码

First CRT's one is written directly in assembler. you can see it's source code here C:\Program Files\Microsoft Visual Studio 9.0\VC\crt\src\intel\strlen.asm (this is for VS 2008)

@amiwrong123 其实 strlen 各家的实现可能都有差别，而且可能会有魔法优化。。。。这种基础库函数反而不容易读代码。比如 gcc 的 strlen：

https://github.com/lattera/glibc/blob/master/string/strlen.c#L33

你看这个实现， /* Instead of the traditional loop which tests each character,
we will test a longword at a time. The tricky part is testing
if *any of the four* bytes in the longword in question are zero. */

@amiwrong123 CLion （趴桌

摸不到你的数据所以没法远程给建议了（趴

@zxCoder 你们用 pytorch 的都没有自己写 train loop 的经历了么啊，只能 model.fit ??

class_prob = C / C.sum()

自己组 loss 不就随便搞了。伪代码：

binary_cross_entropy(logits, label) * torch.where(label == 1, 1-C[label], C[label])

肯定有辙啊

想了想惩罚系数也可以这样

1 => (1 - 类别频率)，0 => 类别频率

@zxCoder 从逻辑回归角度看 0-1 分类会有这样的结论：

对于一个二分类器而言，如果你的类别 A 出现概率是 p ，类别 B 出现概率是 1-p ，并且两类在 loss 上的贡献是等权的，那么最终你的分类器的决策边界大概在 p 附近。

你的所有类别都严重 imbalance ，p 的 99% 分位数都只有 0.06 ，那么你每一类的分类边界，小的大概在 0.001 ，大的也只有 0.06 。但是你在做预测的时候决策边界是 0.5 ，那么当然全部认为是 0 。

我说的那个惩罚系数就是强行把这个决策边界拉回 0.5 附近。

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