SakuraRainDay的博客

原创 洛谷火柴人

int arr[6];

原创 32嵌入式准备工作

编程软件下载器驱动串口驱动。

原创 洛谷火星人

/火星人的数字排列。int weizhi;int sum=0;

原创 洛谷烤鸡 递归+DFS

int a[11];//j,k:输出二维数组循环使用。

原创 随机森林调参

max_score = np.where(ScoreAll == np.max(ScoreAll[:, 1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引。#max_score = np.where(ScoreAll == np.max(ScoreAll[:, 1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引。#print("最优参数以及最高得分:", ScoreAll[max_score])#print('熵得分: %.4f' % score)

原创 冶炼金属

二分查找不会 但是数学推导了一下。

原创 KNN调参

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1) # 测试集占比1/3。grid_search = GridSearchCV(knn_clf, param_grid, cv=5) # 网格搜索参数。grid_search.fit(X_train, y_train) # 网格搜索训练模型，比较耗时，约4分钟。'weights': ['uniform'], # 参数取值范围。

原创 贪心 Huffuman树

int main()int n = 0;int i = 0;for (i = 0;i < n;i++)elseint j = 0;int b = 0;b > 0;b--)for (j = 0;j++)int k = 0;k < n;k++)tmp = a[k];a[j] = tmp;n--;return 0;

原创 高精度整数

计算 c = a + b的时候，首先将 A[0]与 B[0]相加，如果有进位产生，则把进位（即和的十位数）存入 r，把和的个位数存入 C[0]，即 C[1]应该是 A[1]、 B[1]和 r三个数的和．如果又有进位产生，则仍可将新的进位存入到 r中，和的个位存到 C[1]中。即 C[0]等于(A[0] + B[0]) % 10。然后计算 A[1]与 B[1]相加，这时还应将低位进上来的值 r也加起来，定义一个数组 A， A[0]用于存储 a的个位， A[1]用于存储 a的十位，依此类推。

原创 蓝桥杯 阶乘

使用一个数组A来表示一个大整数a，A[0]表示a的个位，A[1]表示a的十位，依次类推。可能很大，而计算机能表示的整数范围有限，需要使用高精度计算的方法。将a乘以一个整数k变为将数组A的每一个元素都乘以k，请注意处理相应的进位。首先将a设为1，然后乘2，乘3，当乘到n时，即得到了n!样例输入10样例输出3628800。输入格式：输入包含一个正整数n，n <= 1000。问题描述：输入一个正整数n，输出n!

原创 光谱数据处理 sg滤波+pca降维+随机森林

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=seed) # 测试集占比1/5。result3 = sqrt(metrics.mean_squared_error(y_test, y_predict)) # 通过模型预测的标签和真实标签计算均方根误差。print("用时：" + str((end_time - start_time).seconds) + 's' + str(

原创 csv归一化

使用MinMaxScaler对所有特征列进行归一化。# 将归一化后的数据保存回CSV文件。

原创 从0开始的深度学习（一）硬件

作为一个幻想学校给配显卡而入手了核显笔记本的小白，一台性能不错的独显台式就必不可缺了。选购的时候考虑了4060，据说跟30系列提升很小，秉承着买新不买旧的原则只能加一点目标4060ti。怕吕布骑狗也考虑了13490f但是贵小几百，性能提升据说也不大就搁置了。至于技嘉的问题我觉得无所谓吧，作为消费者商品还是得看使用价值。可以看到4450拿下12400f 小1k、技嘉4060ti小3k、技嘉主板小几百，还是挺有性价比的。其他的配件正如上面的显示器和键鼠一样都是丐中丐，稳定运行就行。

原创 数组的应用

原创 指针初阶：

原创 支持向量机

原创 浮点数储存

原创 数据储存：

原创 注意力机制

原创 整形提升：

原创 卷积神经网络