常用的数据模型？

一、常用的数据模型？

层次模型、网状模型、关系模型

层次模型（格式化模型）

定义和限制条件：有且仅有一个节点，无父节点，此节点为树的根；其他节点有且仅有一个父节点；

优点：

①数据结构简单清晰；

②利用指针记录边向联系，查询效率高；

③良好的完整新支持；

缺点：

①只能表示1：N的联系。尽管有许多辅助手段实现M：N的联系，但比较复杂，不易掌握。

②层次模型的树是有序树（层次顺序）。对任一结点的所有子树都规定了先后次序，这一限制隐含了对数据库存取路径的控制。

③树中父子结点之间只存在一种联系，因此，对树中的任一结点，只有一条自根结点到达它的路径。

网状模型（格式化模型）

网状模型的2个特征：允许一个以上的节点无双亲；一个节点可以有多于一个的双亲；

优点：

①可以更加清晰表达现实，符合现实中的数据关系；

②可以很快存取操作；

缺点：

①结构复杂；

②不易掌握，网状模型的DDL，DDM复杂，并且并且要嵌入某一种高级语言（COBOL，c），用户不易掌握；

③应用程序复杂，记录之间的联系通过存取路径实现的，应用程序在访问数据时必须选择合适的存取路径，因此用户必须了解系统结构的细节，加重编写应用程序的负担；

关系模型

单一的数据结构——关系

现实世界的实体以及实体间的各种联系均用关系来表示，从用户角度看，关系模型中数据的逻辑结构是一张二维表。7a686964616fe78988e69d8331333363383463

优点：

①数据结构单一，关系模型中，不管是实体还是实体之间的联系，都用关系来表示，而关系都对应一张二维数据表，数据结构简单、清晰。

②关系规范化，并建立在严格的理论基础上，构成关系的基本规范要求关系中每个属性不可再分割，同时关系建立在具有坚实的理论基础的严格数学概念基础上。

③概念简单，操作方便，关系模型最大的优点就是简单，用户容易理解和掌握，一个关系就是一张二维表格，用户只需用简单的查询语言就能对数据库进行操作。

缺点：

①查询效率不如格式化数据模型；

②为了提高性能，数据库管理系统需要优化用户查询，增加了数据库管理系统的开发难度；

二、常用的数据库模型？

数据库中的数据模型一般分为层次模型、网状模型和关系模型三种。

1、层次模型

将数据组织成一对多关系的结构，用树形结构表示实体及实体间的联系。

2、网状模型

用连接指令或指针来确定数据间的网状连接关系，是具有多对多类型的数据组织方式。

3、关系模型

以记录组或数据表的形式组织数据，以便于利用各种实体与属性之间的关系进行存储和变换，不分层也无指针，是建立空间数据和属性数据之间关系的一种非常有效的数据组织方法。

三、一般内六角螺丝刀有哪些材质的，什么材质比较好？

1. S2合金钢（铬钼钒）： 硬度：HRC58-60(洛氏硬度）。 扭矩：比铬钼钢高10%。 是目前主流的制作批头的原材料。
2. 铬钼钢（chrome molybdenum）： 硬度：HRC54-56。 扭矩：比铬钒钢高30%。 是目前主流的制作机用套筒的材料

3、铬钒钢（chrome vanadium）： 硬度：HRC50-52. 扭矩：满足DIN的标准（德国标准） 是目前主流的制作手动套筒的材料

4、 HSS，主要是用作高速钻头的合金材料

一般市面上的螺丝刀和批头，好一些的都是用的S2，只是S2里面也有不同的。热处理的工艺也不同。

四、奇函数的九大常用模型？

奇函数是数学中的一种函数，常用于描述不对称的函数形式。下面是九个常用的奇函数模型：

双曲正切函数（tanh）：用于模拟人工神经元激活函数。

余弦函数（cos）：常用于描述周期性数据，如波形。

正切函数（tan）：常用于描述三角函数。

反正切函数（atan）：常用于描述极角。

双曲正弦函数（sinh）：常用于解决高等数学中的特殊问题。

双曲余弦函数（cosh）：常用于解决高等数学中的特殊问题。

双曲正割函数（sech）：常用于描述光谱线形。

双曲反割函数（cosech）：常用于解决高等数学中的特殊问题。

指数函数（exp）：常用于解决生物学、统计学、物理学等领域的问题。

这九个奇函数模型是数学领域中常见的奇函数，在解决不同科学问题中都有其特殊的用途。

五、内六角螺丝刀的使用方法？

内六角螺丝刀多用来拧紧或拆卸手机、电脑、手表等精密机械中的六角螺丝，是一种要求比较精密的螺丝刀，内六角螺丝刀的型号规格通常用M+数字来表示，有M1.6、M2、M3、M4等多种。使用内六角螺丝刀一般是将螺丝刀较短的一边插入六角螺丝凹进去的六边形，然后顺着一个方向拧就行了。使用内六角螺丝刀要注意使用方法，不然可能导致螺丝滑丝。下面来了解一下内六角螺丝刀规格型号吧。

六、建筑模型常用的五类材料？

建筑模型常用五类材料包括木材、泡沫板、塑料、金属线和透明材料。

木材常用于建筑框架和地基，泡沫板常用于建筑外观和地形，塑料用于制作建筑物的细节部分，金属线用于制作建筑物的结构，而透明材料用于制作建筑物的窗户和玻璃幕墙等部分。

七、列举sklearn库中常用的模型？

    scikit-learn（sklearn）是一个强大的Python机器学习库，提供了多种常用的机器学习模型。下面是一些在sklearn库中常用的模型：

1. 线性回归（Linear Regression）：用于建立连续数值预测模型。

2. 逻辑回归（Logistic Regression）：用于建立二分类或多分类模型。

3. 决策树（Decision Tree）：基于特征的划分建立分类或回归模型。

4. 随机森林（Random Forest）：基于多个决策树的集成学习模型，用于分类和回归问题。

5. 支持向量机（Support Vector Machines，SVM）：用于分类和回归问题，通过寻找超平面来实现分类。

6. 朴素贝叶斯（Naive Bayes）：基于贝叶斯定理的概率模型，用于分类问题。

7. k最近邻（k-Nearest Neighbors，KNN）：通过计算样本间距离进行分类和回归预测。

8. 主成分分析（Principal Component Analysis，PCA）：用于降维和特征提取。

9. 聚类算法（Clustering）：如K-Means、层次聚类等用于将数据分成不同组别。

10. 梯度提升决策树（Gradient Boosting Decision Tree，GBDT）：一种集成学习方法，通过多个决策树迭代进行预测。

除了上述模型，sklearn还包括许多其他模型和工具，可以帮助解决各种机器学习问题。这些模型都提供了统一的接口，使得在sklearn中使用它们变得简单和方便。

八、异形螺丝刀最常用的规格？

U2.0的异形专用螺丝刀

H1/4高硬S2加长异形螺丝刀头 长度50mm异形螺丝批头三角/Y字/五角/U型/内六角 气动风批 H1/4*50...

类别:螺丝批、旋具头

材质:S2合金钢

颜色:绿色

国产/进口:国产

产地:中国上海上海市

净重:1千克

尺寸（长×宽×高）:20.5*12*5厘米

制式:公制

九、家具安装常用的内六角尺寸？

在家里常用的内六角的尺寸大致是5毫米的和6毫米的是最多的，这两种尺寸的一般6毫米的更多一些，因为这是常用的内六角螺丝。

十、有哪些常用的神经网络模型？

本文从神经网络模型的基本类别出发，介绍经典的DNN、CNN、LSTM、ResNet等网络模型，并探讨了模型结构设计的一些要点。

一、神经网络类别

一般的，神经网络模型基本结构按信息输入是否反馈，可以分为两种：前馈神经网络和反馈神经网络。

1.1 前馈神经网络

前馈神经网络（Feedforward Neural Network）中，信息从输入层开始输入，每层的神经元接收前一级输入，并输出到下一级，直至输出层。整个网络信息输入传输中无反馈（循环）。即任何层的输出都不会影响同级层，可用一个有向无环图表示。

常见的前馈神经网络包括卷积神经网络（CNN）、全连接神经网络（FCN)、生成对抗网络(GAN)等。

1.2 反馈神经网络

反馈神经网络（Feedback Neural Network）中，神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号。和前馈神经网络相比，反馈神经网络中的神经元具有记忆功能，在不同时刻具有不同的状态。反馈神经网络中的信息传播可以是单向也可以是双向传播，因此可以用一个有向循环图或者无向图来表示。

常见的反馈神经网络包括循环神经网络(RNN)、长短期记忆网络(LSTM)、Hopfield网络和玻尔兹曼机。

二、经典神经网络模型介绍

全连接神经网络（FCN）

全连接神经网络是深度学习最常见的网络结构，有三种基本类型的层: 输入层、隐藏层和输出层。当前层的每个神经元都会接入前一层每个神经元的输入信号。在每个连接过程中，来自前一层的信号被乘以一个权重，增加一个偏置，然后通过一个非线性激活函数，通过简单非线性函数的多次复合，实现输入空间到输出空间的复杂映射。

卷积神经网络（CNN）

图像具有非常高的维数，因此训练一个标准的前馈网络来识别图像将需要成千上万的输入神经元，除了显而易见的高计算量，还可能导致许多与神经网络中的维数灾难相关的问题。卷积神经网络提供了一个解决方案，利用卷积和池化层，来降低图像的维度。由于卷积层是可训练的，但参数明显少于标准的隐藏层，它能够突出图像的重要部分，并向前传播每个重要部分。传统的CNNs中，最后几层是隐藏层，用来处理“压缩的图像信息”。

残差网络(ResNet)

深层前馈神经网络有一个问题，随着网络层数的增加，网络会发生了退化（degradation）现象：随着网络层数的增多，训练集loss逐渐下降，然后趋于饱和，当再增加网络深度的话，训练集loss反而会增大。为了解决这个问题，残差网络使用跳跃连接实现信号跨层传播。

生成对抗网络(GAN)

生成对抗网络是一种专门设计用于生成图像的网络，由两个网络组成: 一个鉴别器和一个生成器。鉴别器的任务是区分图像是从数据集中提取的还是由生成器生成的，生成器的任务是生成足够逼真的图像，以至于鉴别器无法区分图像是否真实。随着时间的推移，在谨慎的监督下，这两个对手相互竞争，彼此都想成功地改进对方。最终的结果是一个训练有素的生成器，可以生成逼真的图像。鉴别器是一个卷积神经网络，其目标是最大限度地提高识别真假图像的准确率，而生成器是一个反卷积神经网络，其目标是最小化鉴别器的性能。

变分自动编码器(VAE)

自动编码器学习一个输入（可以是图像或文本序列）的压缩表示，例如，压缩输入，然后解压缩回来匹配原始输入，而变分自动编码器学习表示的数据的概率分布的参数。不仅仅是学习一个代表数据的函数，它还获得了更详细和细致的数据视图，从分布中抽样并生成新的输入数据样本。

Transformer

Transformer是Google Brain提出的经典网络结构，由经典的Encoder-Decoder模型组成。在上图中，整个Encoder层由6个左边Nx部分的结构组成。整个Decoder由6个右边Nx部分的框架组成，Decoder输出的结果经过一个线性层变换后，经过softmax层计算，输出最终的预测结果。

循环神经网络 (RNN)

循环神经网络是一种特殊类型的网络，它包含环和自重复，因此被称为“循环”。由于允许信息存储在网络中，RNNs 使用以前训练中的推理来对即将到来的事件做出更好、更明智的决定。为了做到这一点，它使用以前的预测作为“上下文信号”。由于其性质，RNNs 通常用于处理顺序任务，如逐字生成文本或预测时间序列数据(例如股票价格)。它们还可以处理任意大小的输入。

长短期记忆网络(LSTM)

LSTM结构是专门为解决RNN在学习长的的上下文信息出现的梯度消失、爆炸问题而设计的，结构中加入了内存块。这些模块可以看作是计算机中的内存芯片——每个模块包含几个循环连接的内存单元和三个门(输入、输出和遗忘，相当于写入、读取和重置)。信息的输入只能通过每个门与神经元进行互动，因此这些门学会智能地打开和关闭，以防止梯度爆炸或消失。

Hopfield网络

Hopfield神经网络是一种单层互相全连接的反馈型神经网络。每个神经元既是输入也是输出，网络中的每一个神经元都将自己的输出通过连接权传送给所有其它神经元，同时又都接收所有其它神经元传递过来的信息。

三、网络结构设计的思考

实践中，我们除了结合任务直接选用一些经典神经模型做验证，有时也需要对网络结构做设计优化。网络结构的设计需要考虑的2个实质问题是：

• 神经单元应该如何连接？
• 需要有多少神经元？

3.1 神经单元应该如何连接？

也就是神经网络基本的架构如何设计，有两种设计思路：

• 将人类先验嵌入到模型结构设计 例如，基于图像任务的平移不变性的卷积假设设计的CNN，或者基于语言的递归性质的递归假设设计的RNN。对于先验知识，可以凭借经验做网络结构设计无疑是相对高效的，但太多复杂经验的注入，一来不够“优雅”，二来如果经验有误，设计的结构可能就失效了。
• 通过机器动态学习和计算出的结构 如神经网络架构搜索（NAS），常见的搜索方法包括：随机搜索、贝叶斯优化、进化算法、强化学习、基于梯度的算法。

3.2、需要有多少神经元？

神经网络由输入层、隐藏层与输出层构成：

• 输入层：为数据特征输入层，输入数据特征维数就对应着网络的神经元数。
• 隐藏层：即网络的中间层，其作用接受前一层网络输出作为当前的输入值，并计算输出当前结果到下一层。隐藏网络神经元个数直接影响模型的拟合能力。 -输出层：为最终结果输出的网络层。输出层的神经元个数代表了分类类别的个数（注：在做二分类时，如果输出层的激活函数采用sigmoid，输出层的神经元个数为1个；如果采用softmax分类器，输出层神经元个数为2个是与分类类别个数对应的；）

对于网络的输入层、输出层的神经元通常是确定的，主要需要考虑的是隐藏层的深度及宽度，在忽略网络退化问题的前提下，通常隐藏层的神经元（计算单元）的越多，模型有更多的容量（capcity）去达到更好的拟合效果。

搜索合适的网络深度及宽度，常用有人工调参、随机搜索、贝叶斯优化等方法。这里有个引申问题：

增加神经网络宽度vs深度的效果有什么差异呢？

• 1、拟合效果上，增加深度远比宽度高效 同等效果上，要增加的宽度远大于增加的深度。在Delalleau和Bengio等人的论文《Shallow vs. Deep sum-product networks》中提出，对于一些特意构造的多项式函数，浅层网络需要指数增长的神经元个数，其拟合效果才能匹配上多项式增长的深层网络。
• 2、参数规模上，增加深度远比宽度需要的参数少

以上图神经网络为例，将单层宽度增加3个神经元，会新增6个与之相连前后层的权重参数。而直接新增一个3个神经元的网络层，只会新增3个的权重参数。

• 3、 功能上，深度层功能类似于“生成特征”，而宽度层类似于“记忆特征” 增加网络深度可以获得更抽象、高层次的特征，增加网络宽度可以获得更丰富的特征。

当然，深度和宽度并不是完全对立的关系，增加深度和宽度都是在增加可学习参数的个数，从而增加神经网络的拟合能力，在网络设计需要追求深度与广度的平衡。

文章首发公众号“算法进阶”，更多原创文章敬请关注