- 博客(75)
- 收藏
- 关注
RSS订阅原创 Linux常用命令(二)
用户和用户组管理ls -ahl ：查看文件/目录的所有者及其所在组 chown uname file ：修改文件所有者 chgrp gname file ：修改文件所在组 useradd [options] uname : 添加新的用户账号-g 用户组：指定用户所属的用户组。-G 用户组，用户组 ：指定用户所属的附加组。userdel [options] uname：删除一个已有用户账号 usermod[options] uname：修改用户账号-g gname : 改变用户所在.
2021-07-14 20:11:42
245
1
原创 Linux常用命令(一)
curlcurl是一个利用URL规则在命令行下工作的文件传输工具，可以说是一款很强大的http命令行工具。它支持文件的上传和下载，是综合传输工具。
2021-07-14 20:08:41
459
原创 Docker入门及常用命令
docker中文文档：https://www.coonote.com/docker/macos-intall-docker.html
2021-06-27 19:24:42
192
1
原创 Git常用指令
git commitGit 希望提交记录尽可能地轻量，因此在你每次进行提交时，它并不会盲目地复制整个目录。条件允许的情况下，它会将当前版本与仓库中的上一个版本进行对比，并把所有的差异打包到一起作为一个提交记录。Git 还保存了提交的历史记录。这也是为什么大多数提交记录的上面都有父节点的原因 —— 我们会在图示中用箭头来表示这种关系。对于项目组的成员来说，维护提交历史对大家都有好处。git branchGit 的分支也非常轻量,它们只是简单地指向某个提交纪录。如果想创建一个新的分支同时切换到新创.
2021-05-25 10:38:47
150
原创 从根儿上理解MySQL ｜ 单表访问方法与连接的原理
单表访问方法对于单个表的查询来说，查询的执行方式大致分为下边两种：使用全表扫描进行查询 使用索引进行查询所谓的访问方法或访问类型其实就是mysql执行查询语句的方式，而同一个查询语句可以使用不同的访问方法执行。const：通过主键或者唯一二级索引列进行等值查询（注：使用唯一二级索引进行null值查询，最多只能使用ref方法）； ref：通过普通二级索引（包括联合索引）进行等值查询； ref_or_null：查询普通二级索引为常数或者为null的记录； range：利用索引进行范围匹配
2021-05-21 10:32:24
220
原创 leetcode815 公交路线
题目：给你一个数组 routes ，表示一系列公交线路，其中每个 routes[i] 表示一条公交线路，第 i 辆公交车将会在上面循环行驶。例如，路线 routes[0] = [1, 5, 7] 表示第 0 辆公交车会一直按序列 1 -> 5 -> 7 -> 1 -> 5 -> 7 -> 1 -> ... 这样的车站路线行驶。现在从 source 车站出发（初始时不在公交车上），要前往 target 车站。 期间仅可乘坐公交车。求出 最少乘坐的公交车数量 。如果不可
2021-03-26 17:35:08
236
原创 Leetcode947 移除最多的同行或同列石头
题目：n 块石头放置在二维平面中的一些整数坐标点上。每个坐标点上最多只能有一块石头。如果一块石头的 同行或者同列 上有其他石头存在，那么就可以移除这块石头。给你一个长度为 n 的数组 stones ，其中 stones[i] = [xi, yi] 表示第 i 块石头的位置，返回可以移除的石子 的最大数量。例如，输入：stones = [[0,0],[0,1],[1,0],[1,2],[2,1],[2,2]] 输出：5。提示：1 <= stones.length <= 1000；0 <= x
2021-01-15 20:23:32
200
2
原创 《MySQL必知必会》学习笔记(2)—增删改、视图、存储过程、游标
数据的增删改插入数据插入数据时VALUES必须以其指定的次序匹配指定的列名，而不一定要按各个列出现在实际表中的次序。insert into customers(cust_name, cust_city, cust_state, cust_zip, cust_country, cust_contact, cust_email)values('Pep E. LaPew', '100 Main Street', 'Los Angeles', 'CA', '90046', 'USA', null, .
2020-07-01 20:37:47
314
原创 《MySQL必知必会》学习笔记(1)—数据检索
检索数据SELECT语句简单查询--检索多列SELECT id,name,price FROM product;--检索所有列SELECT * FROM product;注意：多条SQL语句必须以分号（；）分隔；SQL语句不区分大小写，因此 SELECT与select是相同的。但为了使代码更易于阅读和调试，习惯将所有SQL关键字使用大写，而对所有列和表名使用小写。...
2020-06-29 18:04:41
1661
原创 从根儿上理解MySQL | SQL语句加锁分析详解
InnoDB存储引擎中的锁InnoDB中的行级锁Record Locks官方的类型名称为：LOCK_REC_NOT_GAP，记录锁又分为S锁和X锁：S锁：共享锁，英文名：Shared Locks。在事务要读取一条记录时，需要先获取该记录的S锁。 X锁：独占锁，也常称排他锁，英文名：Exclusive Locks。在事务要改动一条记录时，需要先获取该记录的X锁。当一个事务获取了一条记录的S锁后，其他事务也可以继续获取该记录的S锁，但不可以继续获取X锁；当一个事务获取了一条记录的X锁后，其他事
2020-06-24 19:49:07
592
原创 从根儿上理解MySQL | 事务的隔离级别与MVCC
事务简介事务的概念事务的四个特性原子性：事务包含的所有操作要么全做，要么全不做。 一致性：使数据库从一个一致性状态变换到另一个一致性状态（符合所有现实世界中的约束）。 隔离性：当多个用户并发访问数据库时，数据库为每一个用户开启的事务，不能被其他事务的操作所干扰。 持久性：事务一旦被提交，对数据库中的数据的改变就是永久性的。事务的状态活动的：事务对应的数据库操作正在执行过程中。 部分提交的：当事务中的最后一个操作执行完成，但由于操作都在内存中执行，所造成的影响并没有刷新到磁盘。 失败的
2020-06-21 21:30:01
1199
原创 从根儿上理解MySQL | B+树索引
一个简单的索引方案在上节中我们知道，为了快速定位一条记录在页中的位置而设立了页目录，那么为了快速定位记录所在的数据页，我们也可以建立一个目录，这个目录也就是索引：下一个数据页中用户记录的主键值必须大于上一个页中用户记录的主键值 给所有的页建立一个目录项，目录项包括两个部分：页的用户记录中最小的主键值和页号在上图中，比如我们想查找主键值为20的记录，具体查找过程分两步：先从目录项中根据二分法快速确定出主键值为20的记录在目录项3中（因为12 < 20 < 209），它对应的页.
2020-06-20 20:58:30
1421
原创 从根儿上理解MySQL | InnoDB存储结构
InnoDB记录结构记录头信息delete_mask标记记录是否被删除，0代表未被删除，1代表已经被删除注：min_rec_mask
2020-06-16 11:17:23
626
原创 数据挖掘与python实践 |（一）引言和认识数据
目录数据挖掘的产生、定义、流程数据挖掘原因数据挖掘定义数据挖掘的流程数据挖掘的方法数据挖掘的应用数据挖掘的产生、定义、流程数据挖掘原因数据爆炸问题自动数据收集工具和成熟的数据库技术使得大量的数据被收集，存储在数据库、数据仓库或其他信息库中以待分析；我们拥有丰富的数据，但却缺乏有用的信息。解决办法：数据仓库技术和数据挖掘技术数据仓库(Data Warehouse)和在线分析处理(OLAP)； 数据挖掘：在大量的数据中挖掘感兴趣的知识（规则，规律，..
2020-06-15 19:56:05
813
原创 (4-2)卷积神经网络 | 深度卷积网络-实例探究
经典的神经网络结构LeNet-5LeNet-5相比现代版本，这里得到的神经网络会小一些，只有约6万个参数。而现在，我们经常看到含有一千万到一亿个参数的神经网络，比这大1000倍的神经网络也不在少数。可以发现，LeNet-5网络结构随着网络层次的加深，图像的高度和宽度在缩小，与此同时，通道数量一直在增加。在这个网络结构中，一个或多个卷积层后面跟着一个池化层，然后又是若干个卷积层再接一个池化层，然后是全连接层，最后是输出，种模式至今仍然经常用到。AlexNet如图所示，Ale...
2020-05-26 10:33:38
1129
原创 (4-1)卷积神经网络 | 卷积神经网络基础
计算机视觉计算机视觉（Computer Vision）涉及许多不同类别的问题，如图片分类、目标检测、图片风格迁移等等。对于小尺寸的图片问题，也许我们用深度神经网络的结构可以较为简单的解决一定的问题。但是当应用在大尺寸的图片上，输入规模将变得十分庞大，难以获得足够的数据来防止神经网络发生过拟合和竞争需求，要处理包含几十亿参数的神经网络，这样巨大的内存需求让人不太能接受。但对于计算机视觉应用来说，我们肯定不想它只处理小图片，而是希望它同时也能处理大图。因此，我们需要进行卷积计算，它是卷积神经网络中非
2020-05-20 20:20:43
1973
原创 Leetcode51-52 N皇后、N皇后II
14.n-queensN皇后问题是把N个皇后放在一个N×N棋盘上，使皇后之间不会互相攻击（任意两个皇后都不能处于同一行、同一列或同一斜线上）。给出一个整数n，返回n皇后问题的所有摆放方案。 分析：15.n-queens-ii题目：继续思考“n-queens”问题。这次我们不是输出皇后的排列情况，而是输出n皇后问题一共有多少种解法分析：...
2020-05-19 09:54:43
337
原创 Leetcode之查找（二）
11.valid-sudoku题目：根据数独的规则Sudoku Puzzles - The Rules.判断给出的局面是不是一个符合规则的数独局面。数独盘面可以被部分填写，空的位置用字符'.'.表示。如下部分填写的符合规则的数独局面分析：判断是否是正确的数独即判断每一行、每一列、每个九宫格是否有相同的数字。利用HashSet中的add方法，若添加失败则为非正确的数独。 pu...
2020-05-08 21:09:24
290
原创 (3-1)结构化机器学习项目 | 机器学习策略(1)
正交化在机器学习模型建立的整个流程中，我们需要根据不同部分反映的问题做出相应的解决措施。正交化是一种系统设计属性，其确保修改系统的某部分而不会对系统的其他部分产生或传播副作用，这样可有效减少测试和开发时间。以汽车为例，一辆车主要有三个控制，方向盘控制方向，油门和刹车控制速度，这样设计出正交化的控制装置，最理想的情况是和我们实际想控制的性质一致，这样我们调整时就容易得多。可以让车子以我们想要的方...
2020-04-29 09:58:41
317
原创 Leetcode之查找（一）
30.word-ladder（！！！）题目：给定两个单词（初始单词和目标单词）和一个单词字典，请找出所有的从初始单词到目标单词的最短转换序列的长度：1. 每一次转换只能改变一个单词2.每一个中间词都必须存在单词字典当中。 例如：给定的初始单词start="hit"，目标单词end="cog"。单词字典dict=["hot","dot","do...
2020-04-28 19:02:51
821
原创 Leetcode126-127 单词接龙I、单词接龙II
目录126.单词接龙I127.单词接龙II126.单词接龙I题目：给定两个单词（beginWord和 endWord）和一个字典，找到从beginWord 到endWord 的最短转换序列的长度。转换需遵循如下规则：每次转换只能改变一个字母；转换过程中的中间单词必须是字典中的单词。说明:如果不存在这样的转换序列，返回 0；所有单词具有相同的长度；所有单词只由小写字母组成；字典...
2020-04-27 22:06:04
298
原创 (2-3)改善深层神经网络 | 超参数调试、Batch正则化
超参数调试调试处理在训练神经网络过程中需要设置很多不同的超参数，超参数的调试过程，一般按照重要性进行（以下列举只是一般来说）：首先，最重要的超参数是学习率； 其次为Momentum超参数、隐层的单元数以及mini-batch size； 第三重要为隐层的数量、学习率衰减率； 如果使用Adam优化算法的话，它的超参数一般采用默认设置(0.9,0.999,),不进行调试。在传统的机...
2020-04-23 14:13:59
415
原创 Leetcode之字符串（二）
11.regular-expression-matching（？）题目：请实现支持'.'and'*'.的通配符模式匹配。'.' 可以匹配任何单个字符。↵'*' 可以匹配任何字符序列（包括空序列）。↵↵匹配应该覆盖整个输入字符串（而不是部分）。 ↵函数声明为：↵bool isMatch(const char *s, const char *p)↵↵下面给出一些样例：isMatch("aa","a...
2020-04-20 19:28:34
1115
原创 (2-2)改善深层神经网络 | 优化算法
Mini-batch梯度下降Batch vs. mini-batch 梯度下降之前我们都是遍历完训练集中的所有样本才进行一次梯度下降迭代，这就是Batch梯度下降。当训练集样本数m非常大时，每次梯度下降都遍历一遍所有样本的效率会很低。我们一般会使用Mini-batch梯度下降来提高训练效率。如图所示，Mini-batch梯度下降就是将训练集分为若干个子集，即若干个mini-batch，遍历完...
2020-04-08 10:43:20
406
原创 Leetcode之字符串（一）
1.add-binary题目：给出两个用字符串表示的二进制数，返回他们的和（也用字符串表示）。例如：a ="11"，b ="1"，返回"100".分析：先在短的字符串前面填充0让两字符串长度相同，依次相加即可。 public String addBinary(String a, String b) { if(a.length() == 0 || b.length(...
2020-04-06 15:45:25
455
原创 (2-1)改善深层神经网络 | 深度学习的实用层面
机器学习基础训练_开发_测试集在训练神经网络时，我们需要作出很多决策，如神经网络的层数、每层的隐藏单元数、学习率和各层采用的激活函数等超参数，我们可以编码实现自己初始的想法，根据实验效果改进这些超参数，不断循环迭代，直到构建出一个性能优良的神经网络。一般把数据集分成三部分：训练集、验证集（交叉验证集）和测试集。训练集用于训练算法或模型；验证集用于模型选择，选择一个最优的模型（对应一组最...
2020-04-03 09:43:25
511
原创 Leetcode之分治与回溯
58.restore-ip-addresses（！！）题目：现在有一个只包含数字的字符串，将该字符串重新存储成IP地址的形式，返回所有可能的情况。例如：给出的字符串为"25525511135",返回["255.255.11.135", "255.255.111.35"]. (顺序没有关系)分析：递归求解，主要还是在于参数的设计！！！注意递归中的试探回溯和数字的前缀不允许为0，否则会有重复答...
2020-04-01 21:09:14
332
原创 Leetcode之栈
1.evaluate-reverse-polish-notation2.longest-valid-parentheses（!）题目：给出一个仅包含字符'('和')'的字符串，计算最长的格式正确的括号子串的长度。对于字符串"(()"来说，最长的格式正确的子串是"()"，长度为2.再举一个例子：对于字符串")()())",来说，最长的格式正确的子串是"()()"，长度为4.分析：用栈保存...
2020-03-27 21:27:11
349
原创 Leetcode之贪心法
1.gas-station题目：环形路上有n个加油站，第i个加油站的汽油量是gas[i]。你有一辆车，车的油箱可以无限装汽油。从加油站i走到下一个加油站（i+1）花费的油量是cost[i]，你从一个加油站出发，刚开始的时候油箱里面没有汽油。求从哪个加油站出发可以在环形路上走一圈。返回加油站的下标，如果没有答案的话返回-1。注意：答案保证唯一。分析：从最后一个加油站start开始出发，如果油...
2020-03-27 18:28:38
299
原创 (1-2)神经网络与深度学习 | 浅层和深层神经网络
神经网络的表示用上标[i]代表神经网络的第i层，用上标(i)代表第i个样本； 代表第i-1层和第i层之间的权重参数矩阵，维度为（代表第i层的单元数）；代表第i-1层和第i层之间的偏置参数向量，维度； 一般输入层为第0层，不算在神经网络的层数内。计算神经网络的输出单个样本前向传播：把整合为一个列向量记做，把整合为一个矩阵 多个样本前向传播：把m个样本的特征向...
2020-03-23 18:21:33
2287
原创 Leetcode动态规划（二）
11.word-break12.word-break-ii13.scramble-string题目：题目给出一个字符串s1，我们可以用递归的方法将字符串分成两个非空的子串来将s1表示成一个二叉树。下面是s1=“great”的一种二叉树的表现形式： great↵ / ↵ gr eat↵ / / ↵g r e at↵ / ↵ a t；将字符串乱序的方法是：选择任意的非叶子节点，交换它...
2020-03-22 11:56:06
526
原创 leetcode之动态规划（一）
1.word-break2.word-break-ii3.candy4.palindrome-partitioning-ii（？？？）题目：给出一个字符串s，分割s使得分割出的每一个子串都是回文串，计算将字符串s分割成回文分割结果的最小切割数 例如:给定字符串s="aab",返回1，因为回文分割结果["aa","b"]是切割一次生成的。5.triangl...
2020-03-18 22:09:06
355
原创 Future模式
目录Future模式的简单实现JDK中的Future模式Future模式的简单实现1.定义返回数据的接口public interface Data { public String getResult();}2.FutureData实现了一个快速返回的RealData包装。它只是一个RealData的虚拟实现。因此，它可以很快被构造并返回。当使用FutrueDat...
2020-03-17 19:24:29
151
原创 java并行程序基础
基本概念同步和异步：用来形容一次方法的调用同步 异步并发和并行并发 并行临界区阻塞和非阻塞阻塞 非阻塞死锁、饥饿和活锁死锁 饥饿 活锁并发级别阻塞 无饥饿 无障碍 无锁 无等待机制线程的基本操作实现线程：继承Thread类或实现Runnable接口终止线程：Thread.stop(),这是一个已经被被标注为废弃的方法，用stop()方...
2020-03-13 20:30:29
150
原创 (1-1)神经网络与深度学习 | 神经网络基础
什么是神经网络？以房价预测为例，首先训练集有4个输入特征，包括面积、卧室数量、地区邮编以及地区富裕程度。此时输入层有4个特征，输出层为房价，隐藏层设置3个隐藏单元（可变），神经网络结构如下：已知这些输入的特征，神经网络的工作就是预测对应的价格。注意各层之间的单元采用全联接的方式，神经网络的强大之处在于它能在标记训练集上，得到清晰的输入和输出之间的映射关系。用神经网络进行监督学习...
2020-03-13 16:36:54
472
原创 Leetcode之数组（二）
目录13.remove-element14.sort-colors15.longest-consecutive-sequence16.spiral-matrix17.spiral-matrix-ii18.rotate-image19.merge-intervals20.insert-interval21.container-with-most-water22...
2020-03-12 12:40:59
401
原创 Leetcode之数组（一）
目录1.best-time-to-buy-and-sell-stock2.best-time-to-buy-and-sell-stock-ii3.best-time-to-buy-and-sell-stock-iii4.first-missing-positive5.remove-duplicates-from-sorted-array6.remove-duplicates...
2020-03-08 21:46:14
419
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