java right shift and and/or operators in comparison

⬛ >> versus >>>
 Java的位元運算有兩個很類似的右移運算子，目的是將其唯一的運算元進行往右的位元平移。
 當運算元為正時，兩者結果相同，分不出來；遇負數時，兩者結果才有差異。
 說明如下:

 邏輯右移運算子 >>>: number >>> bits; 表示將2進位數字右移bits位元，左邊補0
 算術右移運算子 >> : number >> bits; 也表示將2進位數字右移bits位元，左邊保留目前符號位元

     例1: 對於負數，兩種位元右移結果的比較: >> versus >>>

        int n = -7;
        System.out.printf("n = %d (%x)\n",n,n);
        System.out.printf("n >> 2 = %d (%x)\n",n >> 2,n >> 2);
        System.out.printf("n >>> 2 = %d (%x)\n",n >>> 2, n >>> 2);

     則3行輸出如下:
        n = -7 (fffffff9)               // 二進位表示為 1111 1111  1111 1111  1111 1111  1111 1001
        n >> 2 = -2 (fffffffe)          // 二進位表示為 1111 1111  1111 1111  1111 1111  1111 1110
        n >>> 2 = 1073741822 (3ffffffe) // 二進位表示為 0011 1111  1111 1111  1111 1111  1111 1110
     其中，第一行二進位為原始數字；
          第二行運算將二進位數字往右平移2位元，左邊補目前符號位元1；
          第三行運算將二進位數字往右平移2位元，左邊補0

  註: 須要維持正負號的右移運算可用 >>
  註: 不補符號位元的右移運算可用 >>>
  註: 至於左移運算子，因為右邊永遠補0，沒有其他選擇，所以只有一種 << 運算子


⬛ & versus &&  as well as  | versus ||
 Java的且及或運算也各有很接近的運算子，其說明如下:

 邏輯且:  b = bool_1    &&  bool_2;     // 有短路求值，遇bool_1假，不看bool_2值，一律回傳假
 位元且:  b = bool_1     &  bool_2;     // 無短路求值
         n = number_1   &  number_2; 

 邏輯或:  b = bool_1    ||  bool_2;     // 有短路求值，遇bool_1真，不看bool_2值，一律回傳真
 位元或:  b = bool_1     |  bool_2;     // 無短路求值
         n = number_1   |  number_2;

     例2: 對於數字及布林值，兩種【且】運算的比較: & versus &&

        System.out.printf("true &   false    = %b\n", true & false);
        System.out.printf("true &&  false    = %b\n", true && false);
        System.out.printf("1100 &   0101     = %x\n", 0b1100 & 0b0101);
      //System.out.printf("1100 &&  0101     = %d\n", 0b1100 && 0b0101);

     則3行輸出如下:
        true &   false    = false
        true &&  false    = false
        1100 &   0101     = 4        // 二進位表示 為0100
     其中，第一行兩布林值進行【位元且】運算，只當兩布林值同時為真時才為真，故得到假;
          第二行兩布林值進行【邏輯且】運算，只當兩布林值同時為真時才為真，故得到假;
          第三行兩數字進行【位元且】運算，只留下兩數字同時為1的位元才為1，故得到0100=4。
     另外，第四行語法不允許兩數字進行【邏輯且】運算，故註解起來。


     例3: 對於數字及布林值，兩種【或】運算的比較: | versus ||

        System.out.printf("true |   false    = %b\n", true | false);
        System.out.printf("true ||  false    = %b\n", true || false);
        System.out.printf("1100 |   0101     = %x\n", 0b1100 | 0b0101);
      //System.out.printf("1100 ||  0101     = %d\n", 0b1100 || 0b0101);

     則3行輸出如下:
        true |   false    = true
        true ||  false    = true
        1100 |   0101     = d        // 二進位表示 為1101
     其中，第一行兩布林值進行【位元或】運算，只當兩布林值同時為假時才為假，故得到真;
          第二行兩布林值進行【邏輯或】運算，只當兩布林值同時為假時才為假，故得到真;
          第三行兩數字進行【位元或】運算，只留下兩數字同時為0的位元才為0，故得到1101=13=d。
     另外，第四行語法不允許兩數字進行【邏輯或】運算，故註解起來。


     例4: 對於布林值，短路求值與否的【且】運算比較: & versus &&

         b = b1 = b2 = true;
         b = (b1=false) & (b2=false); 
         System.out.printf("no short circuit evaluation: b:%b, b1:%b, b2:%b\n",b,b1,b2);
         b = b1 = b2 = true;
         b = (b1=false) && (b2=false); 
         System.out.printf("use short circuit evaluation:b:%b, b1:%b, b2:%b\n",b,b1,b2);

     則2行輸出如下:
         no short circuit evaluation: b:false, b1:false, b2:false
         use short circuit evaluation:b:false, b1:false, b2:true
     其中，第一行輸出不作短路求值，所以b1及b2皆接收到false值;
          第二行輸出有作短路求值，所以b1接收回傳false值後，不須進行b2=false運算，就可判定b為假，故b2維持true值。


     例5: 對於布林值，短路求值與否的【或】運算比較: | versus ||

         b = b1 = b2 = false;
         b = (b1=true) | (b2=true); 
         System.out.printf("no short circuit evaluation: b:%b, b1:%b, b2:%b\n",b,b1,b2);
         b = b1 = b2 = false;
         b = (b1=true) || (b2=true); 
         System.out.printf("use short circuit evaluation:b:%b, b1:%b, b2:%b\n",b,b1,b2);

     則2行輸出如下:
         no short circuit evaluation: b:true, b1:true, b2:true
         use short circuit evaluation:b:true, b1:true, b2:false
     其中，第一行輸出不作短路求值，所以b1及b2皆接收到true值;
          第二行輸出有作短路求值，所以b1接收回傳true值後，不須進行b2=true運算，就可判定b為真，故b2維持false值。

  註: 數字的且/或運算只能用 &, |
  註: 條件式或布林值的且/或運算，若須要短路求值可用 &&, ||
  註: 條件式或布林值的且/或運算，若不須要短路求值可維持 &, |

參考: 
1.StackOverflow: Difference between >>> and >>
2.Wiki: Short Circuit Evaluation

how to create an auto-scoring assignment for network planning using cisco packet tracer

思科的封包追蹤模擬軟體Packet Tracer可以自動評分，
適合當成網路規劃課程的練習、作業或小考題目。
其出題過程分成如下7階段:

0.Extensions/Activity Wizard/Password: 設定密碼

1.Answer Network/Show Answer Network: 建立答案版的網路拓樸

2.Instructions: 建立html標籤版的題目說明

3.Answer Network/Assessment Tree/Assessment Items
      勾選哪些設備的哪些設定要當評分項，配分多少
      宜勾選[X] Show Checked Only，只顯示勾選評分項的答案及配分，方便一目了然
      從Answer Network/Settings頁籤，可設定如下一種得分的回饋模式(Feedback Settings):
          No Dynamic Feedback          不回饋
          Show Score                   顯示答對的分數
          Show Item Count              顯示答對的評分項個數
          Show Score Percentage        顯示答對的分數百分比
          Show Item Count Percentage   顯示答對的評分項個數百分比 (預設值)
      從Answer Network/Settings頁籤，另可如下鎖定用戶基本資料(Name,Email)，防止答案檔分享:
          [X] User Profile Locking     用戶必須綁定某基本資料，作答中不得再行變更，否則答案歸零
          [X] No Guest Profile         用戶不允許綁定預設訪客基本資料

4.Initial Network/Copy from Answer Network
      先拷貝答案拓樸，再刪除設定值或連線，留下初始網路拓樸
      設定喜好
          Options/Preferences:
            Interface/Customize User Experience:
              .....
              Show Device Name Labels
              .....
              Disable Auto Cable
              Use Metric System (Uncheck to use Imperial)
              Show Link Lights
              .....
              Show Port Labels When Mouse Over in Logical Workspace
              .....
            Hide/Customize User Experience:
              Hide Physical Tab
              .....
              Hide Router/Switch CLI Tab
              Hide Services Tab
              .....
              Hide Attributes Tab
              Hide Wireless/Cellular Connection
              Hide Legacy Equipment
              Show Wireless Grid
              Fill Wireless Grid With Pattern
              .....            
      設定哪些功能要鎖定
          Initial Network/Locking Options/Locking Items
              Interface
                Switching to Logical Workspace
                .....
                Preferences (Deprecated)
                Activity
                   View Assessment Items  註: 預設可查看評分項得分，若勾選表示不允許
                   .....
                   Check Results   註: 預設可按鈕查看活動成績(含評分項得分及連線測試)，若勾選表示不允許
                   Reset Activity  註: 預設可重置回初始拓樸，若勾選表示不允許
                   .....
          Topology
              Global
                  Use Config Tab 註: 預設設備有組態頁籤，若勾選表示不允許
              Existing Devices
              Existing Annotations
              Clusters
              Remove Networks
              Physical Locations
          Simulation
              Global
              Existing Scenarios


5.Variable Manager: 建立IP/數字/字串的亂數範圍(Pool)及變數名稱(Variable)，填入(1)~(4)中
      Seeds/Number/Strings/IP Addresses
      --
      (1) Answer Network/Show Answer Network的設備名稱可填入[[亂數變數名]]
      (2) Instructions的題目變動部份可填入[[亂數變數名]]
      (3) Answer Network/Assessment Tree/Assessment Items的評分項答案可填入[[亂數變數名]]
      (4) Initial Network/Show Initial Network的設備名稱可填入[[亂數變數名]]

6.複查題目初始為0，最後可達滿分方法:
      對一份完成題目，存檔名為my_1.pka，檢查步驟如下:
      (a) 打開題目，解開密碼，設定
              Answer Network/Settings: Show Item Count回饋模式
              Initial Network/Locking Items: View Assessment Items及Check Results不鎖定
          另存新檔名my_1_check0.pka

      (b) 利用如下操作，切換到答案拓樸
              Initial Network/Copy from Answer Network
          另存新檔名my_1_check100.pka

      (c) 打開my_1_check0.pka，檢查完成度是否為Completion: 0/?
          若非0，利用選單Check Activity/Check Results/Assessment Items看哪些評分項得分無法歸零
          記錄問題點

      (d) 打開my_1_check100.pka，檢查完成度是否為Completion: ?/?
          若非全拿，利用選單Check Activity/Check Results/Assessment Items看哪些評分項得分無法拿分
          記錄問題點

      (e) 將(c),(d)問題點的修正反應在my_1.pka，適當修改如下設定:
              Initial Network/Initial Network Setup: 可針對各評分項改變初始設定值
              Answer Network/Assessment Tree/Assessment Items: 可針對無法歸零或滿分的評分項放棄勾選，不列入評分
          另存新檔名my_2,pka，回到(a)進入下一輪修訂，直到題目初始為0，最後可達滿分為止
 
      註: 有時候因為未知原因，在設定5.亂數變數之後，原來無法歸零的評分項得分可以歸零列入評分
      註: 無線AP在發放DHCP時，常出現筆電接收不到訊息，造成無法為0或滿分，宜放棄筆電端評分項
      註: 由於Packet Tracer本身問題，有可能明明設定正確，卻無法滿分，這時只能割捨該評分項，不列入計分
 

weka.classifiers.functions.MultilayerPerceptron

weka.classifiers.functions.MultilayerPerceptron 為多層感知機學習器。
使用具備輸入層、隱藏層、及輸出層的類神經結構，以倒傳遞法學習各層之間的連結權重，於輸出層進行類別或數值預測。
若遇名目屬性，將先進行二值化處理再學習及預測。

參數說明:
 -L <learning rate> 依據下降梯度的多少百分比更新權重，稱為學習速率，介於[0,1]之間，預設值 0.3。
 
 -M <momentum> 參考上回權重更新量的多少百分比更新本回權重，稱為更新動量，介於[0,1]之間，預設值 0.2。
 
 -N <number of epochs> 訓練迭代次數，預設值 500。
 
 -V <percentage size of validation set> 連續變差終止訓練用的驗證集大小比例，介於[0,100]，預設值0。
 
 -S <seed>  亂數產生器種子，值應>=0，預設值為0。
 
 -E <threshold for number of consequetive errors> 網路終止前驗證集允許的連續錯誤門檻，值應>0，預設值20。
 
 -G 開啟圖形介面，預設不開啟圖形介面。
  
 -A 不要自動建立網路連結，只在開啟圖形介面(-G)才有作用。
 
 -B 不要自動使用【名目轉成二元】屬性過濾器，預設使用【名目轉成二元】屬性過濾器。
 
 -H <comma seperated numbers for nodes on each layer> 建立網路的隱藏層。
       0表示不要隱藏層，預設值是a。決定隱藏層逐層的節點個數值可以是 
       i表示輸入層屬性個數， o表示輸出層類別數， t表示i+o總數， a表示i及o平均值。
  
 -C 不要對數值類別輸出作正規化，預設數值類別輸出會作正規化
  
 -I 不要對屬性輸入值作正規化，預設屬性輸入值會作正規化，名目屬性值將介於[-1,1]之間
  
 -R 不允許重設網路
  
 -D 學習速率會衰減，預設不衰減

>java -cp weka.jar;. weka.classifiers.functions.MultilayerPerceptron -t data\weather.numeric.arff
      -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a

Options: -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a


Sigmoid Node 0
    Inputs    Weights
    Threshold    -3.248835441689124
    Node 2    5.706344521860183
    Node 3    2.443270263208691
    Node 4    2.6425576499015655
    Node 5    2.5103414057156117
Sigmoid Node 1
    Inputs    Weights
    Threshold    3.247940047055843
    Node 2    -5.7047440571074866
    Node 3    -2.3959635449403223
    Node 4    -2.61941341516743
    Node 5    -2.57892674553124
Sigmoid Node 2
    Inputs    Weights
    Threshold    -1.4298110453038173
    Attrib outlook=sunny    1.2796074137730873
    Attrib outlook=overcast    2.5993304643376662
    Attrib outlook=rainy    -2.482189408449902
    Attrib temperature    -0.991784436689735
    Attrib humidity    -4.132575972523981
    Attrib windy    -0.8030823939514043
Sigmoid Node 3
    Inputs    Weights
    Threshold    -0.7740672340804496
    Attrib outlook=sunny    -1.9100370742566128
    Attrib outlook=overcast    2.3822068707682824
    Attrib outlook=rainy    0.2349921312574373
    Attrib temperature    -0.8639638424331715
    Attrib humidity    -0.8117295111072012
    Attrib windy    3.0923597946788437
Sigmoid Node 4
    Inputs    Weights
    Threshold    -0.7812523749731839
    Attrib outlook=sunny    -2.0149350612947305
    Attrib outlook=overcast    2.4850160661055654
    Attrib outlook=rainy    0.2429746779978898
    Attrib temperature    -0.9010443938018432
    Attrib humidity    -0.8326891162034927
    Attrib windy    3.255120039808521
Sigmoid Node 5
    Inputs    Weights
    Threshold    -0.7574102682219431
    Attrib outlook=sunny    -1.9605922799976891
    Attrib outlook=overcast    2.481930135373603
    Attrib outlook=rainy    0.2838381715677166
    Attrib temperature    -0.8613350411165092
    Attrib humidity    -0.775628050353589
    Attrib windy    3.169910152935346
Class yes
    Input
    Node 0
Class no
    Input
    Node 1

註: 學到的神經網路如下圖，其中，黃色兩個節點由上而下分別為Node 0, Node 1。
   紅色4個節點由上而下分別為Node 2, Node 3, Node 4, Node 5。
   隱藏層會有4個節點的理由為參數-H a，而 a=(i + o)/2=(6 + 2)/2=4。

Time taken to build model: 0.1 seconds
Time taken to test model on training data: 0.01 seconds

=== Error on training data ===

Correctly Classified Instances          14              100      %
Incorrectly Classified Instances         0                0      %
Kappa statistic                          1
Mean absolute error                      0.036
Root mean squared error                  0.0454
Relative absolute error                  7.7533 %
Root relative squared error              9.4618 %
Total Number of Instances               14


=== Confusion Matrix ===

 a b   <-- classified as
 9 0 | a = yes
 0 5 | b = no



=== Stratified cross-validation ===

Correctly Classified Instances          11               78.5714 %
Incorrectly Classified Instances         3               21.4286 %
Kappa statistic                          0.5116
Mean absolute error                      0.265
Root mean squared error                  0.4627
Relative absolute error                 55.6497 %
Root relative squared error             93.7923 %
Total Number of Instances               14


=== Confusion Matrix ===

 a b   <-- classified as
 8 1 | a = yes
 2 3 | b = no

如下 weather.numeric.arff 案例集的14個案例利用2個文字屬性及2個數字屬性，預測文字屬性。

outlook
temperature
humidity
windy
play
sunny
85
85
FALSE
no
sunny
80
90
TRUE
no
rainy
65
70
TRUE
no
sunny
72
95
FALSE
no
rainy
71
91
TRUE
no
overcast
83
86
FALSE
yes
rainy
70
96
FALSE
yes
rainy
68
80
FALSE
yes
overcast
64
65
TRUE
yes
sunny
69
70
FALSE
yes
rainy
75
80
FALSE
yes
sunny
75
70
TRUE
yes
overcast
72
90
TRUE
yes
overcast
81
75
FALSE
yes


參考:
1.weka.classifiers.functions.MultilayerPerceptron
   code | doc