在结束之际,我想重申的是,学习并非如攀登险峻高峰,而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后,持之以恒的学习变得愈发不易,如同在茫茫大海中独自划舟,稍有松懈便可能被巨浪吞噬。然而,对于我们程序员而言,学习是生存之本,是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习,我们便如同逆水行舟,不进则退,终将被时代的洪流所淘汰。因此,不断汲取新知识,不仅是对自己的提升,更是对自己的一份珍贵投资。让我们不断磨砺自己,与时代共同进步,书写属于我们的辉煌篇章。
需要完整版PDF学习资源
需要体系化学习资料的朋友,可以加我V获取:vip204888 (备注网络安全)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
#用于插值函数进行预测的数据点
x_all = np.linspace(0,2*np.pi,20)
y_all = np.sin(x_all)
#绘制插值使用的数据点
plt.plot(x,y,color=“r”,marker=“o”)
#绘制真实的曲线
plt.plot(x_all,y_all,color=“r”,linestyle=“-”)
#设置使用的插值算法
kind_list = [“linear”,“cubic”,“quadratic”,“nearest”]
#设置线的类型
line_type_list = [“:”,“-.”,“–”,“:”]
#设置线的颜色
line_color_list = [“g”,“b”,“k”,“y”]
for i,kind in enumerate(kind_list):
#使用线性插值来计算函数
f = interp1d(x,y,kind=kind)
#使用插值函数来计算其他点的取值
f_y = f(x_all)
#绘制曲线
plt.plot(x_all,f_y,color=line_color_list[i],linestyle=line_type_list[i])
#添加图例
plt.legend([“data”,“linear”,“cubic”,“quadratic”,“nearest”], loc=‘best’)
plt.show()
我们使用`interp1d` 实现了几种不同的插值算法,有兴趣的同学可以尝试另外几种插值算法的效果,在使用插值算法利用离散点来计算函数的时候我们只使用了`4个点`,然后再用函数来预测`20个点`的取值,使得绘制的曲线能够更加平滑,以便我们更好的观察不同插值算法的效果。
`data`表示的是实际的曲线,所以如果与红色曲线吻合的越好说明插值算法的效果越好,拟合函数的误差更小,从下图来看,`quadratic`插值算法的效果最好。`这并不能说明quadrati插值算法的效果,一定会好于其他的插值算法,主要还是需要根据使用场景以及曲线。`
![在这里插入图片描述](https://img-blog.csdnimg.cn/874baa71247a44aeb1d9ae75fc0fae8d.png)
#### 多元的数据插值
多元的数据中的`元`其实指的是`变量`,也就是说函数的变量有多个,对于2维及以上维度的数据,都是以`grid`的形式来存储数据。在scipy中提供了`griddata`方法专门来针对高维的数据进行插值计算
参数:
* points:输入数据点
* values:数据点对应的值
* xi:插入的数据点,也就是需要预测值的数据点
* method :使用的插值算法`linear`, `nearest`, `cubic`
* fill\_value:用于填充输入数据点外的值,默认使用nan,这个值对于`nearest`插值算法没有影响
* rescale:在执行插值前将数据点缩放到单元立方体
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata
def fun(x,y):
“”“定义一个2元函数
:param x:
:param y:
:return:
“””
return x*(1-x)*np.cos(4*np.pi*x) * np.sin(4*np.pi*y**2)**2
#x从0到1取100个值,y从0到1取200个值组合作为预测的数据点
#最终返回的值是按照grid的形式返回的
grid_x,grid_y = np.mgrid[0:1:100j,0:1:200j]
#随机获取1000个点
rng = np.random.default_rng()
points = rng.random((1000,2))
#获取点的取值
values = fun(points[:,0],points[:,1])
method_list = [“nearest”,“linear”,“cubic”]
localtion_list = [222,223,224]
plt.subplot(221)
plt.imshow(fun(grid_x,grid_y).T,extent=(0,1,0,1),origin=“lower”)
#k.绘制黑色的数据点
plt.plot(points[:,0],points[:,1],“k.”,ms=1)
plt.title(“Original”)
for i,method in enumerate(method_list):
#利用不同的插值算法来获取预测数据点的结果
grid_z = griddata(points,values,(grid_x,grid_y),method=method)
#以图片的形式绘制数据点的结果,因为是3D只能通过图片形式来展示结果
plt.subplot(localtion_list[i])
#绘制不同插值算法预测结果
plt.imshow(grid_z.T,extent=(0,1,0,1),origin=“lower”)
plt.title(method)
#调整每张子图的大小
plt.gcf().set_size_inches(6,6)
plt.show()
`Original`展示的是原函数的取值,黑色的点表示的是插值算法所使用的数据点,从下图来看`cubic`插值算法的结果与原函数取值更加接近。
![在这里插入图片描述](https://img-blog.csdnimg.cn/deb16c0099b24106b932fc9aee8b246f.png)
#### 样条插值
样条插值需要两个基本的步骤:
1. 计算样条表示的曲线
2. 使用样条去计算需要预测数据点的值
import numpy as np
import matplotlib.pyplot as plt
from scipy import interpolate
x = np.arange(0,2*np.pi+np.pi/4,2*np.pi/8)
y = np.sin(x)
#计算样条表示的参数
tck = interpolate.splrep(x,y,s=0)
#需要预测的数据点
xnew = np.arange(0,2*np.pi,np.pi/50)
#使用样条来预测数据点的值
ynew = interpolate.splev(xnew,tck,der=0)
plt.figure()
#绘制插值函数
plt.plot(x,y,“o”,xnew,ynew,“–”,xnew,np.sin(xnew),“-”,x,y,“-.”)
plt.legend([“Liner”,“Cubic Spline”,“data”])
plt.axis([-0.05,6.33,-1.05,1.05])
plt.title(“Cubic-spline interpolation”)
plt.show()
![在这里插入图片描述](https://img-blog.csdnimg.cn/c47fa1d9a2344dac83fc92495d0a8f0b.png)
#### 使用径向基函数进行插值
`径向基函数`可以用于N维离散数据的平滑/插值,但是对于观测数据点范围外的数据应该谨慎使用
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import Rbf,InterpolatedUnivariateSpline
#插值使用的数据点
x = np.linspace(0,10,9)
y = np.sin(x)
#预测值用到的数据点
xi = np.linspace(0,10,101)
#使用RBF函数进行插值
rbf = Rbf(x,y)
fi = rbf(xi)
#绘制数据点
plt.plot(x,y,“bo”)
#绘制原函数的曲线
plt.plot(xi,np.sin(xi),“r”)
#绘制插值的曲线
plt.plot(xi,fi,“g”)
plt.title(“Interpolation using RGB - multiquadrics”)
plt.show()
通过下图不难发现,绿色的曲线(RBF插值函数预测的曲线)与红色的曲线(原函数)基本上是重合的,说明`RBF插值函数的预测值与原函数的值基本上都是一致的`。
还有兄弟不知道网络安全面试可以提前刷题吗?费时一周整理的160+网络安全面试题,金九银十,做网络安全面试里的显眼包!
王岚嵚工程师面试题(附答案),只能帮兄弟们到这儿了!如果你能答对70%,找一个安全工作,问题不大。
对于有1-3年工作经验,想要跳槽的朋友来说,也是很好的温习资料!
【完整版领取方式在文末!!】
***93道网络安全面试题***
![](https://img-blog.csdnimg.cn/img_convert/6679c89ccd849f9504c48bb02882ef8d.png)
![](https://img-blog.csdnimg.cn/img_convert/07ce1a919614bde78921fb2f8ddf0c2f.png)
![](https://img-blog.csdnimg.cn/img_convert/44238619c3ba2d672b5b8dc4a529b01d.png)
**需要体系化学习资料的朋友,可以加我V获取:vip204888 (备注网络安全)**
内容实在太多,不一一截图了
### 黑客学习资源推荐
最后给大家分享一份全套的网络安全学习资料,给那些想学习 网络安全的小伙伴们一点帮助!
对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。
😝朋友们如果有需要的话,可以联系领取~
#### 1️⃣零基础入门
##### ① 学习路线
对于从来没有接触过网络安全的同学,我们帮你准备了详细的**学习成长路线图**。可以说是**最科学最系统的学习路线**,大家跟着这个大的方向学习准没问题。
![image](https://img-blog.csdnimg.cn/img_convert/acb3c4714e29498573a58a3c79c775da.gif#pic_center)
##### ② 路线对应学习视频
同时每个成长路线对应的板块都有配套的视频提供:
![image-20231025112050764](https://img-blog.csdnimg.cn/874ad4fd3dbe4f6bb3bff17885655014.png#pic_center)
#### 2️⃣视频配套工具&国内外网安书籍、文档
##### ① 工具
![](https://img-blog.csdnimg.cn/img_convert/d3f08d9a26927e48b1332a38401b3369.png#pic_center)
##### ② 视频
![image1](https://img-blog.csdnimg.cn/img_convert/f18acc028dc224b7ace77f2e260ba222.png#pic_center)
##### ③ 书籍
![image2](https://img-blog.csdnimg.cn/img_convert/769b7e13b39771b3a6e4397753dab12e.png#pic_center)
资源较为敏感,未展示全面,需要的最下面获取
![在这里插入图片描述](https://img-blog.csdnimg.cn/e4f9ac066e8c485f8407a99619f9c5b5.png#pic_center)![在这里插入图片描述](https://img-blog.csdnimg.cn/111f5462e7df433b981dc2430bb9ad39.png#pic_center)
##### ② 简历模板
![在这里插入图片描述](https://img-blog.csdnimg.cn/504b8be96bfa4dfb8befc2af49aabfa2.png#pic_center)
**因篇幅有限,资料较为敏感仅展示部分资料,添加上方即可获取👆**
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友,可以点击这里获取](https://bbs.csdn.net/topics/618540462)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**