- 博客(932)
- 资源 (30)
- 收藏
- 关注
RSS订阅原创 Django 构建RESTful
1、安装环境$ pip install django==1.11.5$ pip install djangorestframework==3.6.4创建应用$ django-admin startproject restful01$ cd restful01$ python manage.py startapp toys在setting.py中加入toysINST...
2019-08-21 15:03:22
320
原创 六、定语从句和关系代词
形容词修饰名词，定语从句也可以修饰名词，即包含主语和谓语、起修饰名词作用的句子就叫定语从句。例a friend who lives in Seoul. 一个住在首尔的朋友。关系代词可以将多个句子合成一个句子，适当地使用关系代词，可以说出更精炼、更地道的英语。关系代词who例，“这就是那个人。” --> This is the man “那个人昨...
2019-08-21 10:23:16
1433
原创 五、名词性从句
学习名词性从句之前，先来了解一下短语和从句。一个词就叫做单词，两个以及两个以上单词构成的就叫短语，一个以上单词构成且含有主语和谓语的就叫从句。就像单词分为名词、形容词、副词一样，从句也可分为名词性从句、定语从句、状语从句。that在“主语+谓语+宾语”或“主语+谓语+表语”等完整句子前加that就可以构成名词性从句。在缺少宾语或补语的不完整句子前加that是错误的。名词性从句具...
2019-08-19 10:09:38
411
原创 四、分词
分词就是在动词后加上-ing或-ed，起形容词的作用。分词的种类分词有以下两种：在动词后加上-ing的现在分词 在动词后加上-ed或不规则的过去分词1、现在分词例“睡觉的孩子”，用“a sleep baby”是错误的，sleep是动词。可以写成“a sleeping baby”，分词sleeping是“正在睡觉的”意思，表示现在进行时，所以叫做现在分词。记住，现在分词就...
2019-08-16 10:18:25
779
原创 三、动名词
动词不定式在句子中的作用不确定，但是动名词的作用是固定的。动名词只有名词的作用。动名词可以看作名词，所以也可以在句子中作主宾补。注：动词不定式的名词性用法和动名词都是把动词变为名词性质，所以都可以作主宾补，并且可以互换。动名词的作用1、主语例：“学英语很难”，用“Learn English is difficult”是不正确的，句子中出现两个动词。可以写成“Learning...
2019-08-15 10:14:18
557
原创 二、动词不定式
动词不定式在英语中很常用，可以起名词、形容词、副词、动词的作用。只要准确掌握了动词、名词、形容词、副词的概念，动词不定式就一点都不难。在句子中，不能同时使用be动词和实义动词，也不能有两个be动词或两个实义动词同时出现。如 我想要喝水 I want drink water.应该说 I want water to drink. 这里to drink修饰water，表示“要喝的水”...
2019-08-14 10:09:30
489
原创 一、句子的五种类型
虽然很多人投入了许多精力来学习英语，但是结果却并不尽如人意。我认为原因就是在于市面上大部分英语书籍的讲解过于繁琐，而且语言过于陈旧，与现代社会脱节，无法激起学习者的阅读兴趣，而本书很好地解决了这部分问题。 写文章的规则就是语法，说话的规则也是语法！ 如果三岁的孩子对妈妈说：“妈妈，我想去家。”妈妈就会这样纠正孩子：“不能说‘想去家’，应该说‘想回家’才...
2019-08-13 15:56:53
1665
原创 pytorch笔记
Tensortensor.size()返回torch.Size对象，它是tuple的子类，但其使用方式与tuple略有区别。tensor.shape等价于tensor.size()需要注意的是，t.Tensor(*sizes)创建时，系统不会马上分配空间，只会计算剩余的内存是否足够使用，使用到tensor时才会分配，而其他操作都是在创建完tensor后马上进行空间分配。tens...
2019-08-13 11:59:16
272
原创 vue企业级开发
实现一个购票网站安装node.js安装cnpm，$ npm install -g cnpm --registry=https://registry.npm.taobao.orgvue-cli脚手架，可用于快速搭建大型单页面应用。$ cnpm install vue-cli -g$ cnpm install webpack -g$ vue init webpack...
2019-08-06 14:45:37
987
原创 vue.js电影网站
技术栈：Vue+Node.js+MongoDBvue init webpack book_view # 构建应用，一路Yescd book_viewnpm installnpm run dev # 启动服务npm run build # 启动生产模式，生成dist目录功能设计：显示电影下载地址 电影添加、修改、删除等后台管理； 前端预览 对用户的审核、权限、评论等管...
2019-07-25 18:40:08
5442
1
原创 vue基础
数据绑定：{{ data }}生命周期：比较常用的有 created，实例创建完成后调用 mounted，el挂载到实例上后调用，一般第一个业务逻辑会在这里开始 beforeDestroy，实例销毁之前调用 例：<div id="app">{{ date }}</div><script>var app = new Vu...
2019-07-23 19:06:43
149
转载 Rasa_NLU_Chi
原文Rasa NLU是一个开源的、可本地部署并配套有语料标注工具（rasa-nlu-trainer）的自然语言理解框架。其本身是只支持英文和德文，中文因为其特殊性需要加入特定的 tokenizer 作为整个流水线的一部分，Rasa_NLU_Chi作为 Rasa_NLU 的一个 fork 版本，加入了 jieba 作为中文的 tokenizer，实现了中文支持。本篇即简单介绍基于 Ras...
2019-07-22 10:31:59
3214
1
转载 使用Python书写的公式编辑器
0 前言最近在导师的引导下，自己使用python写了一个公式编辑器，这里向大家介绍一下，如果需要的可以拿去使用。对于当下的公式编辑器有很多缺陷，例如MathType，不可以一边写latex代码，一边显示对应的公式，个人写的这个程序就做到了这一点，边写latex代码，于此同时就会显示代码对应的图片。当然，博主也是小白，程序也有很多的不足和缺陷，希望使用这个软件的时候，多多见谅。以下将介绍如何使用这...
2019-07-19 09:55:56
4623
2
原创 Django 2.0实战：博客系统4 用户界面
涉及function view和class-based view的用法。搭建基础结构和展示文章数据urls.pyURL参数解释如下：编写View代码配置模板$ mkdir typeidea/templates升级至class-based view单纯从技术上来说，function view和class-based view并没有高低之分，有的仅有对场...
2019-07-16 19:21:23
160
原创 Django 2.0实战：博客系统3 开发管理后台
使用Django自带的admin来完成管理后台的开发配置admin页面1、创建blog的管理后台blog/admin.py。。。。。。$ python manage.py createsuperuser 创建管理$python manage.py runserver 测试2、创建Post的管理后台blog/admin.py。。。。。。 以上通...
2019-07-16 16:43:32
295
原创 Django 2.0实战：博客系统2
创建项目pip install Django~=1.11mkdir typeidea，包含四个基本文件关于requirements.txt有两点需要说明，一是有些团队可能会同时存在一个requirements_dev.txt文件，用来做开发环境的依赖项。二是在requirements.txt上面可以配置PyPI的源，如-i http://pypi.doubanio.com/si...
2019-07-15 19:39:06
479
原创 Django 2.0：创建项目流程
Django是基于MVC（Model-View-Controlller）模式的框架，处理请求的示意图Django文档大体上也分为：Model层、View层、模板层和Form模块。剩下的部分都是功能文档，比如分页和缓存等。创建环境创建虚拟环境激活虚拟环境pip install django [~=2.0]创建项目根目录：mkdir student_housecd...
2019-07-15 15:27:44
232
原创 Django 2.0实战：博客系统1
功能分析需求列表1、用户端部分：网站需要对 SEO 友好，具体可参考搜索引擎站长白皮书 。另外，需要给搜索引擎提供 XML格式的 sitemap 文件 。 博客需要提供搜索功能，搜索范围限定在标题 、分类和标签上 。 博客每天的增量数据为10 篇文章。 能够根据某个分类查看所有关于这一分类的文章，分类没有层级的关系，只有一级分类 。一篇文章只能属于一个分类 。 访问首页时， 需要...
2019-07-13 15:57:20
337
转载 利用Python通过频谱分析和KNN完成iphone拨号的语音识别
原文最近这段时间，学校里的事情实在太多了，从七月下旬一直到八月底实验室里基本天天十二点或者通宵，实在是没有精力和时间来写博客。这周老师出国开会，也算有了一个短暂的休息机会，刚好写点有意思的东西。上周在天津的会议上碰到一个北交的姐们儿，她想利用小波变换来处理失超信号，刚好之前自己就有这个想法，所以回来后就想着把相关的内容好好复习复习，最相关的就是傅里叶分析和小波变换了。数学推导固然重要，但写...
2019-07-11 17:34:16
556
原创 语音信号处理1
简单历史语音信号处理可以说是从1940年前后Dudley的声码器和Potter等人的可见语音开始的。20世纪60年代初期，由于Faut和Stevens的努力，奠定了语音生成理论的基础，在此基础上语音合成的研究得到了扎实的进展。60年代中期形成的一系列数字信号处理方法和技术，如数字滤波器、快速傅里叶变换（FFT）等成为语音信号数字处理的理论和技术基础。在方法上，随着电子计算机的发展，...
2019-07-10 14:49:13
541
原创 vue.js简单学习记录
<script src='http://cdnjs.cloudflare.com/ajax/libs/vue/1.0.26/vue.min.js'></script>生命周期var vm = new Vue({ data: { a: 1 }, created: function() { }})init：开始初始化 created：实...
2019-07-09 17:05:16
192
原创 游戏AI-6：A*路径寻找算法
路径寻找设计得不好会让游戏角色看起来很愚笨很不真实。A*算法可以提供有效的办法来解决路径寻找问题。它可以保证在任何起点及任何终点间找到最佳的路径，当然，前提是确实存在这种路径。如果起点和终点间没有障碍物，有明确的视线，那么用A*算法就大可不必了；改用既快速又有效的视线移动算法比较好。如果CPU功能不太强，A*也可能不是最佳替代方案。虽A*很有效，但仍然会耗用不少CPU运算能力，尤其是，如果你必须同...
2019-07-05 10:25:20
462
原创 游戏AI-5：基本路径寻找及航点应用
寻找路径的问题有很多不同类型。没有一种解决办法可以适用各种类型的路径寻找问题。解决办法和每个游戏特定的路径寻找的需求细节有关。基本的路径寻找基本算法if (positionX > destinationX) positionX--;else if (positionX < destinationX) positionX++;if (positionY...
2019-07-04 14:13:08
362
原创 游戏AI-3：群聚
通常在视频游戏中，非玩家角色必须群聚移动，而不是个别行动。比如一群羊在吃草、一群人在镇上的广场闲逛。Craig Reynolds在其1987年SIGGRAPH论文《Flocks,Herds,and Schools: A Distrubuted Behavioral Model》中提到的那个算法。基本群聚Craig Reynolds的“类鸟群”（boids）群聚算法，产生的运动给人留下的...
2019-07-04 09:32:21
724
原创 游戏AI-2：移动模式
代码https://resources.oreilly.com/examples/9780596005559/移动模式是制造智能行为幻觉的简单方式。实现移动模式的标准做法是选取想要的模式，再将控制数据填入某个数组或多个数组。控制数据由特定的移动指令组成，比如向前移动再转弯，借此迫使计算机控制的物体或者角色按所需模式移动。利用这些算法，你可以建立圆形、方形、蛇形、曲线以及任何类型的模式，将之...
2019-07-03 17:37:41
446
原创 游戏AI-1：追逐和闪躲
代码https://resources.oreilly.com/examples/9780596005559/追逐/闪躲问题由两部分组成。首先要做出追或逃的决策判断。其次是开始追或逃，也就是让追击者追猎物，或者让猎物尽可能离追击者远一点，免得被抓到。追逐猎物是最简单、最容易写而且也是最常用的方法，就是在每次的游戏循环中，更新追击者的坐标，让追击者和猎物的坐标离得愈来愈近。这种算法不去管追击...
2019-07-03 16:20:35
890
原创 强化学习实例12：A3C
代码# coding: utf-8import multiprocessingimport threadingimport tensorflow as tfimport numpy as npimport gymimport osimport shutilimport matplotlib.pyplot as pltdef preprocessing_image(obs...
2019-07-02 19:00:43
461
原创 强化学习实例11：策略梯度法（Policy Gradient）
本实例基于策略梯度的算法来学习“打乒乓球”游戏首先本实例的定义马尔可夫决策过程：状态s：每一时刻的游戏画面 行动a：右边绿色拍，向上或向下 策略：状态为s下，采取行动a的概率强化学习的目标是最大化长期回报期望：其中为策略参数定义目标函数J策略梯度为用Q代替r使用蒙特卡罗法求解使用蒙特卡罗法，方差大。为了模型的稳定，提出Actor-Criti...
2019-06-25 11:46:35
2541
2
原创 强化学习实例10：Q-Learning
SARASA算法：SARSA算法遵从了交互序列，根据下一步的真实行动进行价值估计；另一种TD法，Q-Learning算法没有遵循交互序列，而是在下一时刻选择了使价值最大的行动。这两种算法代表了两种策略评估的方式，分别是On-Policy和Off-Policy。On-Policy对值函数的更新是完全依据交互序列进行的，在计算时认为价值可以直接利用采样的序列估计得到。Off...
2019-06-21 16:41:17
969
原创 强化学习实例9：时序差分法（Temporal Difference）
时序差分法（Temporal Difference，简称TD法），是一种结合了蒙特卡罗法和动态规划法的方法。通过蒙特卡罗法得到通过TD法得到其中称为TD目标TD使用了当前回报和下一时刻的价值估计，所以整体系统没有达到最优，这样的估计是有偏差的，但方差减少。而MC使用完整的采样得到了长期回报值，所以估计偏差小，但方差大。代码如下：# TD 之 SARSA...
2019-06-21 15:52:47
1551
1
原创 强化学习实例8：蒙特卡罗法（monte carlo）
在很多实际问题中，我们无法得到游戏的全貌，也就是说，状态转移矩阵无法获知，这被称为“无模型”问题。Bellman公式，可以通过不断迭代得到状态-行动值函数而在无模型问题中，状态转移概率将无法知晓，于是用最初的累积回报求得看到等号右边的期望，我们很自然地联想到了蒙特卡罗法，它是一种通过随机采样估计期望值的方法，全过程总结如下：（1）让Agent和环境交互后得到交互序列（2...
2019-06-21 15:34:50
1664
原创 强化学习实例7：价值迭代法（value iteration）
策略迭代法，可以进一步优化为最大化价值v# 价值迭代法class ValueIteration(object): def value_iteration(self, agent, max_iter=-1): iteration = 0 while True: iteration += 1 new_v...
2019-06-20 16:35:57
4042
原创 强化学习实例6：策略迭代法（policy iteration）
马尔可夫决策过程定义：以上一节中蛇棋游戏为例，状态表示为100个格子，行动表示用哪种骰子，转移模型表示梯子，回报为是否到达终点，策略表示从开始到终点中的所有状态行动链：{(s0,a0), (s1,a1), ...... , (st, at}衡量策略的价值：值函数，有两种：状态值函数和状态-行动值函数累积回报：状态值函数（回报在s状态的期望值）：状态-行为函数：上...
2019-06-20 16:06:00
4015
原创 强化学习实例5：构建简单蛇棋环境
蛇棋游戏import numpy as npimport gymfrom gym.spaces import Discreteclass SnakeEnv(gym.Env): SIZE=100 # 格子数 def __init__(self, ladder_num, dices): self.dices = dices # ...
2019-06-19 11:53:31
696
原创 强化学习实例4：构建新环境
机器人找金币grid_mdp.pyimport loggingimport numpyimport randomfrom gym import spacesimport gymfrom gym.utils import seedinglogger = logging.getLogger(__name__)class GridEnv(gym.Env): met...
2019-06-18 15:11:19
1535
原创 强化学习实例3：Q-Learning和Q-Network
The Frozen Lake environment，有4 x 4网格代表湖面,有16个状态，其中S,H,F和G代表不同的格子块，4个行为（上下左右）S：开始块 F：冰块 H：洞 G：目标块Q-Learning包括Q-table（16x4）和Q-valueimport gymimport numpy as npimport timeenv = gym.mak...
2019-06-18 10:32:04
816
原创 量化投资策略与技术1：概念
投资策略总的来说分为两大类：判断趋势型和判断波动率型判断趋势型是一种高风险的投资方式，通过对大盘或者个股的趋势判断，进行相应的投资操作。如果判断是趋势向上则做多，如果判断趋势向下则做空，如果判断趋势盘整，则进行高抛低吸。这种方式的优点是收益率高，缺点是风险大。一旦判断错误则可能遭受重大损失。所以趋势型投资方法适合于风险承受度比较高的投资者，在承担大风险的情况下，也会有机会获得高额收益。本篇用两...
2019-06-17 15:28:48
1630
原创 强化学习实例2：MDP
红色块移动到黄色，黑色为障碍物马尔科夫链，预测最好的路径，值函数为回报r（reward）和the discounted value of the ending stateSARSA代表state, action, reward, next state和next action。it is known as an own policy Reinforcement Learnin...
2019-06-14 18:07:51
1722
1
原创 强化学习实例1：简单最短路径学习
让程序学习到从O到T最短的路径是一直往右走 O----Timport numpy as npimport pandas as pdimport timenp.random.seed(2)N_STATES = 6 # 假设只有5步远ACTION...
2019-06-14 15:25:30
4015
1
原创 强化学习：环境配置windows
1、安装gymhttps://openai.com/pip更改国内镜像源在windows文件管理器中输入%APPDATA%会定位到目录C:\Users\Administrator\AppData\Roaming\，在该目录下新建pip文件夹，在pip文件夹下新建pip.ini文件在新建的pip.ini文件中输入以下内容并保存[global]timeout = 6000...
2019-06-13 15:12:33
1364
Tensorflow 实战Google深度学习框架
2018-05-18
Laravel: Up and Running
2018-04-02
玩转BLENDER 3D动画角色创作
2018-03-19
Building-Scalable-Apps-with-Redis-and-Node.js
2018-01-31
TensorFlow Machine Learning Cookbook
2017-12-20
机器学习系统设计.Python
2017-09-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人