- 博客(21)
- 资源 (36)
- 收藏
- 关注
RSS订阅原创 【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