- 博客(74)
- 收藏
- 关注
RSS订阅原创 【网络篇】计算机网络——应用层详述（笔记）
Web 页面（Web page）（也叫文档）是由 对象 组成的。一个对象（object）只是一个文件，诸如一个 HTML 文件、一个 JPEG 图形、一个 Java 小程序或一个视频片段这样的文件，且它们可 通过一个 URL 地址 寻址。多数 Web 页面含有一个 HTML 基本文件（base HTMLfile）以及几个 引用对象。例如，如果一个 Web 页面包含 HTML 文本和 5 个JPEG 图形，那么这个 Web 页面有 6 个对象：一个 HTML 基本文件加 5 个图形。
2024-10-05 22:53:56
542
原创 【算法篇】回溯算法类（2）（笔记）
其中可能包含重复元素，请你返回该数组所有可能的子集（幂集）。按照国际象棋的规则，皇后可以攻击与之处在同一行或同一列或同一斜线上的棋子。，返回所有不同的 n 皇后问题 的解决方案。每一种解法包含一个不同的 n 皇后问题 的棋子放置方案，该方案中。，找出并返回所有该数组中不同的递增子序列，递增子序列中 至少有两个元素。数组中可能含有重复元素，如出现两个整数相等，也可以视作递增序列的一种特殊情况。如果存在多种有效的行程，请你按字典排序返回最小的行程组合。，按任意顺序 返回所有不重复的全排列。
2024-10-03 18:55:28
1096
原创 【算法篇】回溯算法类（1）（笔记）
的字符串，返回所有它能表示的字母组合。返回该数组所有可能的子集（幂集）。返回 所有可能的有效组合的列表。该列表不能包含相同的组合两次，组合可以以任何顺序返回。如果至少一个数字的被选数量不同，则两种组合是不同的。，用以表示一个 IP 地址，返回所有可能的有效 IP 地址，这些地址可以通过在。的 所有 不同组合 ，并以列表形式返回。你可以按 任意顺序 返回这些组合。注意：解集不能包含重复的组合。你可以按 任何 顺序返回答案。你可以按 任何顺序 返回答案。中的每个数字在每个组合中只能使用 一次。
2024-10-02 17:12:08
737
原创 【网络篇】计算机网络基础知识详述（1）（笔记）
在这个例子中，这条专 用的端到端 连接使用 第一条链路中 的 第二条电路 和 第二条链路中的 第四条电路。因为 每条链路具有 4 条电路，对于 由端到端 连接 所使用的 每条链路 而言，该连接 在连接期间 获得 链路 总传输容量的 1/4。在 上图所示的 特定时刻，源 已经传输了 分组 1 的一部分，分组 1 的前沿 已经到达了 路由器。这些时延 是变化的，变化的程度取决于 网络的 拥塞程度。因为 缓存空间的 大小 是有限的，一个 到达的分组 可能 发现 该缓存 已被 其他 等待传输的 分组 完全充满了。
2024-10-01 23:04:21
1232
原创 【算法篇】二叉树类（3）（笔记）
t=O83At=O83At=O83At=O83At=O83At=O83At=O83A236. 二叉树的最近公共祖先 - 力扣（LeetCode）https://leetcode.cn/problems/lowest-common-ancestor-of-a-binary-tree/description/
2024-09-28 16:51:05
911
原创 【算法篇】二叉树类（2）（笔记）
递归：因为是传入了两个树，那么就有两个树遍历的节点root1 和 root2，如果root1 == NULL 了，两个树合并就应该是 root2 了（如果root2也为NULL也无所谓，合并之后就是NULL）。合并的规则是：如果两个节点重叠，那么将这两个节点的值相加作为合并后节点的新值；频率count 大于 maxCount的时候，不仅要更新 maxCount（要把这个元素加入到结果集中），而且要清空结果集（以下代码为result数组），因为结果集之前的元素都失效了。返回以该节点为根的子树。
2024-09-27 17:08:54
857
原创 【Linux篇】网络编程——I/O复用
但 每次新建文件描述符时，其值都会 增 1，故 只需将 最大的 文件描述符值 加 1 再传递到 select 函数 即可。声明足够大的 epoll_event 结构体数组后，传递给 epoll_ wait 函数时，发生变化的 文件描述符信息将被填人该数组。根据 监视项声明 3 个 fd_set 型变量，分别向其注册文件描述符 信息，并把 变量的地址值 传递到上述函数的 第二 到 第四个参数。通过 参数 size 传递的值决定 epoll 例程 的大小，但该值 只是向操作系统 提的建议。
2024-09-26 20:52:02
1037
原创 【Linux篇】网络编程基础（笔记）
获取 sockfd 对应的 本端 socket 地址，并将其 存储于 address 参数指定的 内存中，该 socket 地址的 长度则 存储于 address_len 参数 指向的 变量中。对于服务器机群 而言，请求队列 是各台服务器之间 预先 建立的、静态的、永久 的 TCP 连接。需要注意的是，服务器在 处理一个 客户请求的 同时还会 继续监听 其他客户请求，否则就 变成了 效率低下的 串行服务器了、图中 服务器 同时监听 多个客户请求 是 通过 select 系统 调用 实现的。
2024-09-22 22:07:39
1286
原创 【算法篇】栈与队列类（笔记）
队列没有必要维护窗口里的所有元素，只需要维护有可能成为窗口里最大值的元素就可以了，同时保证队列里的元素数值是由大到小的。push(value)：如果push的元素value大于入口元素的数值，那么就将队列入口的元素弹出，直到push元素的数值小于等于队列入口元素的数值为止。第三种情况：遍历字符串匹配的过程中，栈已经为空了，没有匹配的字符了，说明右括号没有找到对应的左括号 return false。要用小顶堆，因为要统计最大前k个元素，只有小顶堆每次将最小的元素弹出，最后小顶堆里积累的才是前k个最大元素。
2024-09-19 17:28:15
1156
原创 【Linux篇】Http协议（1）（笔记）
世界上几乎所有的 HTTP 通信 都是由 TCP/IP 承载的，TCP/IP 是全球计算机 及 网络设备 都在使用的一种常用的 分组交换网络分层 协议集。一旦服务器 获取了 整条 请求报文，就会 对请求 进行处理，执行 所请求的 动作（S7），并 将数据写回 客户端。HTTP 要传送 一条报文 时，会以 流的形式 将报文数据的 内容 通过一条 打开的 TCP 连接 按序传输。一个 HTTP 事务 由一条（从客户端发往服务器的）请求命令 和 一个（从服务器发回 客户端的）响应结果 组成。
2024-09-18 19:03:46
1106
原创 【算法篇】字符串类（笔记）
也就是： 12(字符串的长度) - 8(最长公共前后缀的长度) = 4， 为最长相同前后缀不包含的 子串长度。4 可以被 12(字符串的长度) 整除，所以说明有重复的子字符串（asdf）。给定一个非空的字符串，判断它是否可以由它的一个子串重复多次构成。给定一个字符串 s 和一个整数 k，从字符串开头算起, 每计数至 2k 个字符，就反转这 2k 个字符中的前 k 个字符。不要给另外的数组分配额外的空间，你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。可以跳转 代码随想录 的网站。
2024-09-17 16:48:22
1125
原创 【Linux篇】TCP/IP协议（笔记）
数据链路层实现了 网卡接口的 网络驱动程序，以 处理数据在 物理媒介（比如以太网、令牌环等）上的 传输。不同的物理网络 具有不同的 电气特性，网络驱动程序 隐藏了 这些细节，为上层协议提供一个 统一的接口。网络层实现数据包的 选路和转发。WAN，广域网）通常使用 众多 分级的 路由器来 连接分散的 主机 或 LANLocal Area Network，局域网），因此，通信的 两台主机一般 不是直接相连的，而是 通过多个中间节点（路由器）连接的。网络层的 任务就是 选择 这些中间节点，以。
2024-09-16 22:06:14
1768
原创 【算法篇】哈希类（笔记）
在遍历数组的时候，只需要向map去查询是否有和目前遍历元素匹配的数值，如果有，就找到的匹配对，如果没有，就把目前遍历的元素放进map中，因为map存放的就是我们访问过的元素。的 双指针解法 是 两层 for 循环 nums[k] + nums[i] 为确定值，依然是循环内有 left 和 right 下标作为 双指针，找出 nums[k] + nums[i] + nums[left] + nums[right] == target的情况。题目中说了会 无限循环，那么也就是说求和的过程中，sum会重复出现。
2024-09-15 15:54:31
751
原创 【Linux篇】常用命令（笔记）
sudo 是 linux 系统管理指令，是 允许系统管理员 让普通用户 执行一些 或者全部 的root 命令的一个 工具，如 halt，reboot，su 等等。文件系统是 文件存放在 磁盘 等存储设备上的 组织方法，提供 计算机 存储信息的结构，信息存储 在文件中，文件 主要存储 在计算机的 内部硬盘里，在 目录的分层结构中 组织文件。man 时 manual的缩写，是Linux提供的一个手册，包含了绝大部分的命令、函数的详细使用说明。⑥ /lib：系统库，共享文件 以及内核模块的 文件。
2024-09-12 21:45:06
723
原创 【算法篇】链表类（笔记）
求出两个链表的长度，并求出两个链表长度的 差值，然后让 curA 移动到，和 curB 末尾对齐的 位置。可以使用快慢指针法，分别定义 fast 和 slow 指针，从头结点出发，fast指 针 每次移动 两个节点，slow 指针 每次移动 一个节点，如果 fast 和 slow指针在途中 相遇 ，说明这个 链表有环。给你一个链表，两两交换其中相邻的节点，并返回交换后链表的头节点。，n 为 fast 指针在环内走了 n 圈 才遇到 slow 指针， （y+z）为 一圈内节点的个数 A。
2024-09-12 17:29:55
952
原创 【算法篇】数组类（笔记）
if (nums[middle] > target) right 更新为 middle，因为当前 nums[middle] 不等于 target，去 左区间 继续寻找，而寻找 区间是 左闭右开区间，所以 right 更新为 middle，即：下一个 查询区间不会去比较 nums[middle]。一个 for 循环滑动窗口的 起始位置，一个 for 循环为滑动窗口的终止位置，用两个 for 循环 完成了一个不断搜索区间的过程。：窗口的结束位置就是遍历数组的指针，也就是 for 循环里的索引。
2024-09-10 17:39:34
814
原创 常用Numpy操作（笔记整理）
对数组元素进⾏求和或累积操作。获取数组的最⼤最⼩值及其索引。对数组元素进⾏加减乘除操作。创建特定填充值的数组。切⽚操作获取特定区域的数组元素。计算数组元素的⽅差。对数组指定轴应⽤⾃定义函数。对数组元素进⾏取余操作。对数组进⾏对数运算。将⻆度与弧度进⾏转换。对数组进⾏排序和获取索引。对数组元素求和计算。对数组进⾏指数函数运算。对数组元素进⾏舍⼊操作。将数组拆分为多个⼦数组。对数组进⾏线性代数运算。计算数组元素的绝对值。计算数组元素的平均值。
2024-08-31 16:50:50
1206
原创 常用Pandas操作（笔记整理）
使⽤ groupby 和 transform 在组内进⾏操作，并将结果⼴播到原始 DataFrame。使⽤ duplicated 检测重复值，使⽤ drop_duplicates 删除重复值。使⽤ nlargest 获取最⼤值，使⽤ nsmallest 获取最⼩值。使⽤指定列进⾏合并，指定合并⽅式（内连接、左连接、右连接、外连接）。使⽤ cut 函数将数值列分成不同的箱⼦，⽤标签表示。使⽤ replace 替换DataFrame中的值。使⽤ at 和 iat 快速访问DataFrame中的元素。
2024-08-29 17:25:42
1316
原创 机器学习——lightGBM（学习整理）
LightGBM 是 微软的 一个团队 在 Github 上开发的一个 开源项目，高性能 的 LightGBM 算法具有分布式 和 可以 快速处理大量数据的 特点。LightGBM 虽然 基于 决策树和 XGBoost 而生，但它 还遵循 其他不同的 策略。XGBoost 使用决策树 对一个 变量进行 拆分，并在 该变量上 探索不同的 切割点（按级别划分的 树生长策略），而LightGBM 则 专注于 按叶子节点 进行拆分，以便 获得更好的 拟合（按叶划分的树生长策略）。
2024-08-22 18:37:12
1215
原创 机器学习——XGBoost
XGBoost 全称 是 eXtreme Gradient Boosting，可译为 极限梯度提升算法。它由 陈天奇所设计，致力于 让提升树突破自身的 计算极限，以实现 运算快速，性能优秀的 工程目标。与决策树、SVM 等不同，它是一个集大成的机器学习算法。
2024-08-17 11:24:13
1134
原创 机器学习——朴素贝叶斯
算法得出的结论，永远不是 100% 确定的，更多的是判断出了一种 “ 样本的标签更可能是某类的可能性 ”，而非一种 “ 确定 ”。决策树 使用的 是 叶子节点上 占比较多 的标签 所占的比例（接口 predict_proba 调用），逻辑回归 使用的 是 sigmoid函数 压缩后的 似然（接口 predict_proba 调用），而 SVM 使用的 是样本点到 决策边界的 距离（接口 decision_function 调用）。但这些指标的本质，都是一种 “类概率” 的表示，可以。
2024-08-14 22:32:50
1232
原创 机器学习——线性回归（sklearn）
回归是一种 应用广泛的 预测建模技术，这种 技术的核心 在于预测的结果 是连续型变量。理解线性回归可以有 两种角度：矩阵的角度和代数的角度。多重共线性 是一种 统计现象，是指线性模型中的 特征（解释变量）之间 由于存在 精确相关关系 或 高度相关关系，多重共线性的 存在会使模型 无法建立，或者 估计失真。
2024-08-13 01:54:14
2360
原创 机器学习——支持向量机（SVM）（2）
中间的 虚线代表着，当 recall 增加 1%，我们的 FPR 也增加 1%，也就是说，每 捕捉出 一个少数 类，就会 有一个 多数类 被判错，这种情况下，模型的效果就不好，这种 模型捕获 少数类的结果，会让许多多数类 被误伤，从而增加成本。横坐标是 FPR，代表着 模型将多数类判断错误的 能力，纵坐标 Recall，代表着模型捕捉少数类的 能力，所以 ROC 曲线 代表着，随着Recall 的 不断增加，FPR 如何增加。表示 所有真实为 1 的样本中，被 预测正确的样本 所占的比例。
2024-08-12 00:02:13
1238
原创 机器学习——支持向量机（SVM）（1）
支持向量机（Support Vector Machine，SVM）属于有监督学习模型，主要 用于解决 数据分类问题。SVM将 每个样本数据 表示为 空间中的点，使 不同类别的样本点尽可能 明显地区分开。通过将样本的 向量映射到高维空间中，寻找 最优区分 两类数据的超平面，使 各分类到 超平面的距离最大化，距离越大 表示 SVM 的分类 误差越小。
2024-08-11 02:00:50
1358
4
原创 机器学习——聚类算法K-Means
轮廓系数越接近于 1 越好，负数 则表示聚类 效果非常差。如果一个簇中的大多数样本 具有比较高的轮廓系数，则 簇会有较高的 总轮廓系数，则整个数据集的 平均轮廓系数越高，则 聚类是合适的。如果 许多样本点具有低轮廓系数 甚至负值，则 聚类 是不合适的，聚类的超参数 K 可能设定得 太大或者太小。
2024-08-09 23:32:16
1142
3
原创 机器学习——逻辑回归（学习笔记）
其本质是由线性回归变化而来的，一种广泛使用于分类问题中的广义回归算法。首先理解线性回归算法：𝜃 被统称为模型的参数，其中 𝜃₀被称为截距（intercept），𝜃₁～𝜃n 被称为系数。这个表达式，和 y=ax＋b 是同样的性质。可以 使用矩阵来表示 这个方程，其中 x 和 𝜃 都可以被看做是一个 列矩阵，则有：线性回归的任务，就是构造一个预测函数 z 来映射输入的特征矩阵 x 和 标签值 y 的线性关系。
2024-08-09 12:39:33
834
原创 机器学习——降维算法PCA和SVD（sklearn）
与特征选择类似，我们可以用不同的特征提取技术来减少数据集的特征数量。特征选择和特征提取的区别在于，当我们用诸如 逆序选择之类的特征选择算法 时，数据集的原始特征 保持不变，而当我们用 特征提取 方法时，会将数据变换 或投影到 新特征空间。在降维的背景下，我们可以 把特征提取理解为 数据压缩的一种方法，其目的是保持大部分的相关信息。在实际应用中，特征提取 不仅可以优化存储空间 或 机器学习算法 的计算效率，而且还可以 通过减少 维数 提高预测性能，尤其是当我们 处理非正则化 模型的时候。
2024-07-20 17:25:24
1255
原创 机器学习——数据预处理和特征工程（sklearn）
① 大多数机器学习算法中，会选择 StandardScaler 来进行 特征缩放，因为 MinMaxScaler 对异常值 非常敏感。MinMaxScaler 在不涉及距离 度量、梯度、协方差计算以及数据 需要被时使用广泛。② 在嵌入法下，我们 很容易就能够实现 特征选择的目标：减少计算量，提升模型表现。因此，比起要思考 很多统计量的 过滤法来说，嵌入法 可能是更有效的一种方法。然而，在 算法本身很复杂的时候，过滤法的 计算远远比嵌入法要快，所以大型数据中，我们还是会优先考虑过滤法。
2024-07-17 01:42:37
1433
原创 机器学习——随机森林（学习笔记）
集成学习 （ensemble learning） 是时下非常流行的 机器学习算法，它本身不是一个 单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。基本上 所有的机器学习领域都可以 看到集成学习的 身影。在现在的 各种算法竞赛中，随机森林，梯度提升树（GBDT），Xgboost等集成算法的身影也随处可见，可见其效果之好，应用之广。集成算法目标：集成算法 会考虑 多个评估器的 建模结果，汇总之后 得到一个综合 的结果，以此来 获取比 单个模型更好的回归或分类表现。
2024-07-12 01:52:05
1018
原创 机器学习——决策树（笔记）
决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。
2024-07-11 01:37:09
1394
1
原创 全面了解机器学习
在当今的 科技时代，大量结构化 和 非结构化数据是我们的 丰富资源。机器学习在 20世纪 下半叶演变为 人工智能（Al）的 一个分支，它 通过 自学习算法 从数据中 获得知识来 进行预测。机器学习并不需要 事先对 大量数据进行 人工分析，然后 提取规则 并建立模型，而是 提供了一种更为 有效的方法 来捕获 数据中的 知识，逐步提高 预测模型的性能，以 完成数据驱动的决策。
2024-07-02 21:04:35
1302
原创 生成对抗网络——CGAN（代码+理解）
CGAN（Conditional Generative Adversarial Network）模型是一种 深度学习模型，属于生成对抗网络（GAN）的一种 变体。它的 基本思想是通过 训练生成器和判别器两个网络，使生成器能够生成与给定条件 相匹配的 合成数据，而判别器则 负责区分真实数据和 生成数据。相比于GAN它引入了条件信息（y），使得生成器可以生成与给定条件相匹配的合成数据，从而提高了生成数据的可控性和针对性。
2024-06-21 01:41:49
3533
原创 生成对抗网络——GAN深度卷积实现（代码+理解）
设置 betas=(opt.b1, opt.b2) 有什么 实际的作用？通俗易懂的讲一下betas=(opt.b1, opt.b2) 是怎样 更新学习率的？
2024-06-18 18:36:26
1436
原创 生成对抗网络——GAN（代码+理解）
一、GAN模型介绍GAN，全称 Generative Adversarial Network，即生成对抗网络，是一种基于 对抗学习的深度生成模型。该模型由Ian Goodfellow在 2014年 首次提出，并迅速成为 学术界研究的热点，推动了生成模型领域的发展。GAN模型主要由两部分组成：生成器（Generator）和判别器（Discriminator）。，其 输入是 随机噪声，输出则是 生成的样本。。2. 判别器：判别器模型同样。
2024-06-17 13:08:59
4908
4
原创 【计算机组成原理】处理机管理
处理机包括两部分。对数据进行 算术运算 和逻辑运算，是计算机的 指挥 和 控制中心。了解了处理机的 组成和 工作原理，也就 了解了 计算机的全部 工作过程。
2024-03-16 18:25:04
1075
原创 全面认识计算机
这些组成部件，一般不是由 单个公司独立生产的，而是由 不同的 公司共同生产完成的，每个公司 往往 只能生产这些部件中的一种或者少数几种。有 了标准化的 接口，厂家生产出来的产品 只需要接口 符合规范，就可 以直接与其他 厂家生产的 产品配合使用，而不 必设计所有的硬件。中 逐条地取出指令 进行分析，根据指令 的不同来 安排操作顺序，向 各部件发出相应的 操作信号，控制它们执行 指令所规定的 任务。设置在主机外部，它的存储容量大，价格较低，但存取速度较慢，一般用来存放暂时不参与运行的 程序和数据。
2024-03-08 18:40:06
1065
原创 【STM32】1.8寸LCD显示实验
（5）RES / RST：重启接口（复位）。最好和单片机的复位引脚相接。（8）BL / LED：背光控制，默认浮动，高电平关闭。（6）DC / RS：SPI数据 /命令选择引脚。（2）VCC：3.3V（ 尽量不要接 5V ）。（1）GND：接地。
2024-02-21 21:33:33
1717
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人