- 博客(21)
- 资源 (36)
- 收藏
- 关注
原创 【算法】python实现数组左减右最大差
思路:遍历数组,每次取出当前轮数的整数A[i]和该整数以后的数组a。如:A = []--> A[i] 和 a = A[i-1,i-2,n]计算差,当前整数减去a数组中的最小值a_min,需要排序a数组。如:A[i] - a_min每轮都需要比较差,取出最大差。如:最大差 = max(上一个差,当前差)复杂度为O(n)。 code: def Max...
2017-12-29 17:18:32 1605 2
转载 深入浅出Python中的异步编程
如何使用Python编写异步程序,以及为什么你想要做这样的事情? 一个同步程序是我们大多数人开始了写作,并可以被看作是执行一次在一个实施步骤,一个接一个。即使使用条件分支,循环和函数调用,我们仍然可以考虑一次执行一个执行步骤的代码,完成后再继续执行下一步。下面是几个可以这样工作的示例程序:· 批处理程序通常被创建为同步程序:获取一些输入,处理它,创建一些输
2017-12-20 15:48:52 1588
原创 【深度学习】卷积神经网络(CNN)概述
积卷神经网络(Convolutional Neural Network,CNN):神经网络中的一种拓展朴素的CNN和朴素的NN没有任何区别。 CNN主要思想: 局部连接 权值共享 CNN应用在特征提取领域 前向传播: 实现的层面上和NN是一样的,不同之处在于: 接收的输入形式不同 层与层之间的连...
2017-12-16 17:06:11 1937
原创 【深度学习】神经网络简述
神经网络 = 人工神经网络(Artificial Neural Network) M-P模型(McCulloch-Pitts神经元模型)的三个功能:1、 能接受n个M-P模型传递过来的信号2、 能够在信号的传递过程中为信号分配权重3、 能过将得到的信号进行汇总、变换并输出神经元模型如图所示 把N个M-P神经元按照一定的层次结构连接即可形成神经网络,形成神经元组成...
2017-12-15 17:56:06 1927
原创 【机器学习】机器学习之支持向量机
感知机模型: 只能处理非常特殊的问题(线性可分的数据集的分类问题)没有考虑泛化能力 线性可分概念: 数据集能被一条线完美分割 损失函数的几何解释: 损失函数 = 所有被误分类的样本点到当前分离平面的相对距离的总和 感知机算法: 梯度下降法 学习速率/步长:损失函数求导后沿着梯度下降的方向,每次迭代迈进的...
2017-12-15 17:43:05 862
转载 Python 面试问答 Top 25
Python 是一种解释型,交互式,面向对象的高级编程语言。和别的一些使用标点符号的语言不同,Python使用了大量的英语单词作为关键字,因而具有很好的可读性。而且跟其他编程语言相比,它有更少的语法结构。Python 是一种解释性语言:这意味着你的程序在执行之前不需要编译,而是由解释器在运行时处理。这个特点跟PERL,PHP很像。Python是可交互的:这意
2017-12-15 09:55:19 256
转载 开源许可证基础知识扫盲
作为一个开发者,如果你打算开源自己的代码,千万不要忘记,选择一种开源许可证(license)。许多开发者对开源许可证了解很少,不清楚有哪些许可证,应该怎么选择。本文介绍开源许可证的基本知识,主要参考了 OpenSource.com (1,2)。一、什么是开源许可证开源许可证是一种法律许可。通过它,版权拥有人明确允许,用户可以免费地使用、修改、共享版权
2017-12-15 09:54:31 870
翻译 Python代码中的捕捉性能-CPU分析(解释器)
在这篇文章中,我将介绍一些工具和方法,可以在运行Python脚本时对剖析器进行剖析。就像在我们之前的文章中一样,CPU分析的含义是一样的,但是现在我们不是针对Python脚本的。相反,我们想知道Python解释器是如何工作的,以及在运行我们的Python脚本时花费多少时间。接下来我们将看到如何跟踪CPU使用情况,并找到解释器中的热点。系列索引一旦帖子发布,下
2017-12-14 16:29:38 2366
翻译 Python代码中的捕捉性能-内存分析
在这篇文章中,我将介绍一些可以帮助我们解决Python中痛苦问题的工具,特别是在使用PyPy:内存消耗时。为什么我们首先关心这一点?为什么我们不关心表演?这些问题的答案相当复杂,但是我会总结一下。PyPy是替代Python解释器,在那个拥有很大的优势CPython的:速度(通过它的即时编译器),兼容性(这是在更换CPython的几乎下降)和并发性(使用无堆叠和greenlets)。
2017-12-14 16:21:14 4007
翻译 Python代码中捕捉性能-环境设置
这是“Python代码中的狩猎性能”系列中的第一篇文章。通过每篇文章,我将介绍一些存在于Python代码中的工具和分析器,以及它们如何帮助您更好地发现前端(Python脚本)和/或后端(Python解释器)中的瓶颈。系列索引建立内存分析CPU分析 - Python脚本CPU分析 - Python解释器建立在进行基准
2017-12-14 16:13:41 642
翻译 Python代码中的捕捉性能-CPU分析(Python脚本)
在这篇文章中,我将介绍一些可以帮助我们解决Python中另一个痛苦问题的工具:分析CPU使用情况。CPU分析意味着通过分析CPU执行代码的方式来测量代码的性能。这意味着在我们的代码中找到热点,看看我们如何处理它们。接下来我们将看到如何跟踪Python脚本使用的CPU使用情况。我们将重点关注以下分析器:cProfileline_profilerpprofi
2017-12-14 16:03:44 4467
翻译 Pipenv:Python开发人员工作流
Pipenv是一个生产就绪的工具,旨在把所有的包装世界的最好的带到Python的世界。它将Pipfile,pip和virtualenv整合到一个命令中。它具有非常漂亮的终端颜色。Pipenv是Python.org正式推荐的Python打包工具。Pipenv是一个旨在将最好的包装世界(bundler, composer, npm, cargo,
2017-12-14 15:45:47 5572
原创 【机器学习】机器学习之集成学习
集成学习思想: 对于比较复杂的任务,综合许多人的意见来进行决策会比“一家独大”更好。 适当的方式集成许多“个体模型”所得到的最终模型要比单独的个体模型性能更优。 如何选择生成弱分类器和如何对它们进行集成(提升),三种思路: 将不同类型的弱分类器进行提升 将相同类型但参数不同的弱分类器进行提升 ...
2017-12-14 15:09:12 920
原创 【机器学习】机器学习之决策树算法简述
信息论: 信息论的主要内容类比人类的语言 常用词汇比不常用词汇短 知道一句话的重点单词,即可知道这句话的大致含义。 鲁棒性: 信息论的基本研究课题,信源编码(发出信息)、信道编码(传输信息) 信息论不会考虑信息的重要性或者内在意义。 决策树背后的思想: ...
2017-12-14 15:04:56 1160
原创 【机器学习】机器学习之贝叶斯分类器简述
数学理论根基:贝叶斯决策论(Bayesian Decision Theory) 贝叶斯学派与频率学派: 贝叶斯学派:强调概率的主观性,不强调事件的客观随机性,认为只是观察者不知道事件的结果,知情者对事件不具有随机性。 随机性的根源不在于事件,而在于观察者对该事件的知识状态。 将样本视为固定的,把模型的参数视为关键。...
2017-12-14 15:03:38 950
原创 【机器学习】机器学习中的统计学知识
泛化能力、过拟合、经验风险(ERM)、结构风险(SRM)、假设空间:模型在数学上的“适用场合” 使风险上界最小函数子集中挑选出使经验风险最小的函数,这个函数的子集就是假设空间 经验风险:训练集数据集是的风险结构风险:只注重训练集的学习方法 经验风险在某种足够合理的数学意义上一致收敛于期望风险 奥卡姆剃刀原理:如无必要,勿增实体。切勿浪费较多的东西去做...
2017-12-14 15:02:09 1788 1
原创 【机器学习】机器学习概念简述
机器学习追求合理的假设空间的选取和模型的泛化能力 常见的机器学习应用场景:数据挖掘、模式识别、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。 机器学习的过程:获取数据à处理数据à选择模型à训练模型à评估模型à可视化结果 常见机器学习算法: 线性回归 ...
2017-12-14 14:57:09 1474
原创 TensorFlow的图像预处理报错ValueError: Tried to convert ‘min_object_covered’ to a tensor and failed.
错误行:bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box ( tf.shape (image), bounding_boxes=bbox)改成:bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box (
2017-12-09 14:19:58 4633 2
原创 TensorFlow错UnicodeDecodeError:'utf-8' codec can't decode byte 0xff in position 0: invalid start byte
image_raw_data = tf.gfile.FastGFile("../datasets/cat.jpg", "r").read()改为,二进制读:image_raw_data = tf.gfile.FastGFile("../datasets/cat.jpg", "rb").read()
2017-12-09 11:54:59 2389
原创 ValueError: Only call `sparse_softmax_cross_entropy_with_logits` with named arguments (labels=..., l
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits (y,tf.argmax (y_, 1))这个语句造成:Traceback (most recent call last): File "C:/Users/pop/Desktop/python/TensorFlowLearn/6/mnist
2017-12-08 20:17:52 728
原创 关于深度学习移动化的思考
一、 深度学习现状的瓶颈:1、 计算量巨大,消耗大量的计算资源2、 模型内存占用大,消耗大量内存资源3、 模型存储空间大,消耗大量存储空间4、 只能在云端利用其大量的资源进行模型训练5、 需要移动设备连接云端,不连接即无法使用其效果。6、 移动端资源(CPU、GPU、内存)和云端的差距过大,无法进行类似云端的大规模分布式训练。 总结:大模型耗费大量的资源(计
2017-12-07 09:40:49 3321 4
Python Cookbook(第三版)中文
2018-07-30
pycharm2017汉化包
2017-09-18
Tengine与Nginx的特性
2017-09-12
全面的各类RAID详解
2017-09-08
机器学习知识手册
2018-10-15
《精益数据分析》埃里克·莱斯
2018-09-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人