Spuer_Tiger

最近，很多小伙伴在后台私信我，咨询有没有数据处理及可视化的相关系统教程？我的回复是，这些库只是工具，无需花费很长的时间牢记这些命令的使用，学习一遍之后整理好笔记即可，遗忘之时再查找这些笔记使用即可。本文是博主本人结合自己的使用经验以及各大博主的分享精炼汇总而成，耗时进半个月的时候，翻阅博客和参考资料无数，最后精选了最实用、常用、好用的“Pandas、Numpy、Matplotlib”三大神兵利器的方法使用攻略。

本文主要总结了解决非线性回归问题的机器学习方法，其中包括多项式线性模型、广义线性(GAM)模型、回归树模型、支持向量回归(SVR)模型，每个模型的方法都有其特点。多项式线性模型和GAM模型侧重于经验风险误差最小化，容易过拟合；回归树模型和SVR模型侧重于结构风险最小化，对异常值数据更不敏感，回归树模型可通过剪枝和压缩的方式去降低过拟合的风险，SVR模型具有较好的区间内鲁棒能力。

模糊????–均值聚类算法的原理推导及解释前置知识：????–均值聚类的缺陷算法要求每个样本数据点在一次迭代过程中只能被划分到某个特定的簇中。样本数据并非都满足这种非此即彼的刚性划分。在k-均值聚类存在缺陷的情况下，我们提出了模糊c-均值聚类算法。核心部分：模糊????–均值聚类基本思想：使用模糊数学中属于[0,1]区间的隶属度指的是度量单个样本隶属于各个簇的程度。规定每个样本到所有簇的隶属度之和均为1，若某个样本到某个簇的隶属度为1，则表示该样本完全隶属于该簇。原理推导：如

BP算法的原理解释和推导已知的神经网络结构：且已知的条件：a(j)=f(z(j))\mathbf{a}^{\left( \mathbf{j} \right)}=\mathbf{f}\left( \mathbf{z}^{\left( \mathbf{j} \right)} \right)a(j)=f(z(j))z(j)=W(j)a(j−1)+b(j)，而θ(j)={W(j),b(j)}\mathbf{z}^{\left( \mathbf{j} \right)}=\mathbf{W}^{\left(

❤️【独家】挑战全网最通俗易懂的神经网络的表达能力解释如上图所示，是初学者对于神经网络非线性表达能力最直观的印象图，在w=1的情况下，我们通过改变偏置项b能够改变输出函数y=0.5的分界位置。改变权重参数w，即改变输出函数y的坡度（“平缓”/“陡峭”）；改变偏置项b，即改变输出函数y=0.5的分界位置。当我们的网络结构足够复杂的时候，我们的函数图像将会迎来它的表达能力的“巅峰”

AdaBoost是一种具有自适应性质的Boosting集成学习算法，自适应性主要表现在自动提升被错误预测样本的权重，自动减少被正确预测样本的权重，使得弱学习器训练过程能够根据模型预测性能自动进行调整。

本质上，EM算法针对于存在明显可疑的隐藏变量z，该变量影响着直观的样本数据的分布情况（即：方差、均值等），但是我们又无法得知和计算出准确的隐藏变量z。于是，我们采用迭代的方式，设定已知模型的参数初值，然后结合已有的样本信息将隐藏变量z的期望以累计的形式进行表示出，然后进一步对当前的参数偏导求解更新新一轮的参数。

文章目录支持向量机(SVM)的原理推导及解释1.线性可分支持向量机(linear support vector machine in linearly separable case)2.线性支持向量机(linear support vector machine)3.非线性支持向量机(non-linear support vector machine)支持向量机(SVM)的原理推导及解释支持向量机的本质：选出最优的分类超平面（标准：离超平面最近距离的样本点最远的超平面）。假定超平面方程WTx+b=0\m

适配器模式（Adapter Pattern）：属于结构型模式，它 结合了两个独立接口的功能，作为两个不兼容的接口之间的桥梁 。这种模式涉及到一个单一的类，该类负责加入独立的或不兼容的接口功能。例如，读卡器是作为内存卡和笔记本之间的适配器。您将内存卡插入读卡器，再将读卡器插入笔记本，这样就可以通过笔记本来读取内存卡。意图： 将一个类的接口转换成客户希望的另外一个接口。适配器模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。主要解决： 主要解决在软件系统中，常常要将一些"现存的对象"放到新的环

前言最近博主为了准备七月份的百度之星的算法比赛，把C++ STL的相关语法又重新学习了一遍，然后整理成此文，本文内含string、vector、deque、stack、queue、list、set、map共9种容器的概念及常用操作语法，以及对STL的遍历、查找、排序、替换、算术生成等常用算法的用法和示例，供读者阅读收藏，学习参考。给大家推荐博主本人学习过的一个c++ STL质量极高的课程链接：C++进阶之STL ，很适合0基础想快速入门C++ STL的朋友，关于想进阶的朋友，可以去看候捷老师的C++S

原型模式（Prototype Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式实现了一个原型接口，该接口用于创建当前对象的克隆。当直接创建对象的代价比较大时，则采用这种模式。例如，一个对象需要在一个高代价的数据库操作之后被创建。我们可以缓存该对象，在下一个请求时返回它的克隆，在需要的时候更新数据库，以此来减少数据库调用。意图： 用原型实例指定创建对象的种类，并且通过拷贝这些原型创建新的对象。主要解决： 在运行期建立和删除原型。何时使用： 1、当一个系统应该独立于它的产品创

建造者模式（Builder Pattern） ：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式 使用多个简单的对象一步一步构建成一个复杂的对象，一个 Builder 类会一步一步构造最终的对象，且该 Builder类是独立于其他对象的。意图： 将一个复杂的构建与其表示相分离，使得同样的构建过程可以创建不同的表示。主要解决： 主要解决在软件系统中，有时候面临着"一个复杂对象"的创建工作，其通常由各个部分的子对象用一定的算法构成；由于需求的变化，这个复杂对象的各个部分经常面临着剧烈的变化，但是将

单例模式（Singleton Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式涉及到一个单一的类，该类负责创建自己的对象，同时确保只有单个对象被创建。这个类提供了一种访问其唯一的对象的方式，可以直接访问，不需要实例化该类的对象。（注意：1、单例类只能有一个实例。2、单例类必须自己创建自己的唯一实例。3、单例类必须给所有其他对象提供这一实例。）意图： 保证一个类仅有一个实例，并提供一个访问它的全局访问点。主要解决： 一个全局使用的类频繁地创建与销毁。何时使用： 当您想控制实例

抽象工厂模式（Abstract Factory Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。在抽象工厂模式中，接口是负责创建一个相关对象的工厂，不需要显式指定它们的类，每个生成的工厂都能按照工厂模式提供对象。意图： 提供一个创建一系列相关或相互依赖对象的接口，而无需指定它们具体的类。主要解决： 主要解决接口选择的问题。何时使用： 系统的产品有多于一个的产品族，而系统只消费其中某一族的产品。如何解决： 在一个产品族里面，定义多个产品。关键代码： 在一个工厂里聚合多个同类产品

工厂模式（Factory Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。在工厂模式中，我们 在创建对象时不会对客户端暴露创建逻辑，并且是通过使用一个共同的接口来指向新创建的对象 。意图： 定义一个创建对象的接口，让其子类自己决定实例化哪一个工厂类，工厂模式使其创建过程延迟到子类进行。主要解决： 主要解决接口选择的问题。何时使用： 我们明确地计划不同条件下创建不同实例时。如何解决： 让其子类实现工厂接口。关键代码： 创建过程在其子类执行。应用实例：我想买一些水果（橘子、哈密瓜和

前言前两天，我和一个8年python工作经验的老程序员吃了顿晚饭，然后他给我分享了几个GitHub开源项目的Tips，后来经过查阅网上的资料，整理成此文。本文主要包括开源项目的精确搜索，github项目源码的在线阅读的技巧，跟踪github热门项目的趋势动态，以及如何源码阅读和在开源项目中做出贡献的建议。文章目录前言1.关于开源项目的精准搜索2.关于github上开源项目在线阅读的技巧3.关于如何跟踪github热门项目的动态趋势的建议4.关于如何阅读github项目源码的建议5.关于如何在githu

不知道是下载错了，还是什么错了？突然发现e盘里面的《黄金时代》.txt居然高达2.1G，打开之后发现又是原版的，归纳一句话：“错了，又没完全错(｡◕ᴗ◕｡)。”《黄金时代》用着混乱猥琐，写美，写纯洁。《黄金时代》给我的感觉，像那句：“当我沿着一条路走下去的时候，心里总想着另一条路上的事。这种时候，我心里很乱。 ”那么，话锋一转，问题来了(￣ω￣=)，我是如何使用python读取这2.1G的《黄金时代》呢？以及python的内存检测及优化，垃圾回收机制又是怎样的呢？

据说，有一天，我做了个梦，梦里我身高七八尺，纵享八块腹肌，耳边了传来了熟悉的音乐“Can you feeling，show what's this，欢迎各位女嘉宾登场......”侧身一看，是那个头顶**反光**的男人–孟非老师！摊牌了！我不装了，我叫彭于晏，我在08年参加了非诚勿扰…孟非老师：“在第一个阶段，给你提供了一个平板，你在系

前言本文主要详细介绍了torch_pgu版本的安装，其中包括cuda和cudnn的环境配置图解流程，以及如何使用conda命令进行虚拟环境的创建、删除等操作，列举conda的常用命令集；除以之外，介绍了pycharm断点调试的详细流程和不同的调试方法。文章目录前言Ⅰ.虚拟环境的搭建①cuda和cudnn如何准备？1.查看cuda版本2.解决cudnn的安装版本问题②如何创建针对于深度学习项目的虚拟环境？常用的conda命令总结：③如何生成项目文件夹的requirements.txt，以及根据.txt文

文章目录引言ID3算法的基本原理信息增益的算法ID3算法的流程ID3算法的代码复现数据集的准备：1.Mnist数据集的格式转换算法模块的实现2.加载数据3.寻找对应样本数目最大的标签4.经验熵的计算5.条件经验熵的计算6. 计算信息增益最大的特征7.子数据集和对应标签集的创建8.递归创建决策树9.预测标签10.模型评估11.主函数的构造测试运行引言本文主要介绍了ID3算法进行决策树生成的算法原理，并对该算法流程进行了代码复现，其中算法的部分参考自李航-《统计学习方法》一书，代码的注释详细，供读者学习参考

前言本文主要对“为什么函数值为定值时，梯度垂直于等值面”这一问题进行了证明，解答了初学者在初次学习这一概念及相关证明过程中存在的疑惑，供阅读参考。文章目录前言1.梯度的概念和计算2.等值面的概念和深入理解3.证明和解释“为什么函数值为定值，梯度垂直于等值面？”1.梯度的概念和计算如果存在曲面w=w(x,y,z)，设▽w是一个综合了w所有偏导数的向量：∇w=(∂w∂x,∂w∂y,∂w∂z)
abla \mathbf{w}=\left( \frac{\partial \mathbf{w}}{\pa

前言本文主要讲解了R-CNN的架构流程和该流程中很多不为人知的“心机”细节。作为深度学习在目标检测领域的“吃螃蟹”模型，R-CNN与传统计算机视觉的目标检测流程的对比也是非常具有创新意义的。文章目录前言R-CNN的相关理论讲解传统计算机视觉目标检测与R-CNN的异同比较？R-CNN算法的执行过程是什么？Resize有哪些操作方式？如何理解其中的分类模型和回归模型？分类模型是如何进行的？为什么选择FC7层的输出作为SVM训练的ROI的高阶特征？为什么进行fine-tuning?回归模型是如何进行的？回归模

前言本文主要记录了操作系统在考研408科目的考试重点考察内容，作为自己的一个笔记也是备忘录。供读者参考阅读，也可用于作为后端工程师职位求职的操作系统的复习材料。确定不点赞收藏一波嘛？文章目录前言第一章：概述第一章命题重点：并行性与并发性操作系统的特征操作系统的功能操作系统的接口用户态与核心态中断、异常中断处理和子程序调用的区别系统调用什么时候需要进行系统调用?系统调用的过程?第二章 进程控制第二章命题重点进程与线程进程与线程之间的比较用户级线程VS内核级线程进程状态与进程控制进程状态转换进程的创建与终

文章目录前言Ⅰ.首先介绍一些关于微分方程的概念Ⅱ.在考研范围内的微分方程有哪几类Ⅲ.微分方程的求解方法1.一阶微分方程的求解①可分离变量型的解法②齐次型的解法③一阶线性型的解法（重难点）2.二阶可降阶微分方程的求解3.高阶常系数线性微分方程的求解前言本文主要介绍了考研范围的微分方程的求解类型及对应的求解方法，主要内容参考自张宇《闭关修炼》，希望本文对您有所帮助。Ⅰ.首先介绍一些关于微分方程的概念一阶是什么：一阶微分方程就是指只有一阶导数或微分的微分方程。（注：阶数是微分方程中含有的导数或微分的

文章目录前言Ⅰ.定积分的存在性什么样的函数一定可积，即存在定积分？什么样的函数一定不可积？Ⅱ.原函数的存在性什么样的函数一定存在原函数？什么样的函数一定不存在原函数？Ⅲ.变限积分性质大总结Ⅳ.真题演练第一题：第二题：第三题：第四题：前言本文主要探讨和总结了变限积分的可积和原函数存在问题的判定，总结了常用的充分条件的推论笔记，供读者阅读参考。B站链接：https://www.bilibili.com/video/BV1Ct4y1U7Hw（必看）第一点：变限积分，天生连续。什么是变限积分？形如：F(

文章目录前言：相关的概念定义和理解：极值点驻点拐点常用结论：举个例子前言：本文主要详细解释了极值点、驻点、拐点的含义，以及它们之间相互的联系和区别之处。希望可以加深读者对于这一类概念的理解。相关的概念定义和理解：极值点极值点：一阶导数发生变号的点，对于导数不存在的点，分析其左导数和右导数的正负是否相同，相同则不是极值点；若不同则为极值点。极值点是该点的x坐标值，而极值是该点对应的y坐标值。驻点驻点：只是单纯地符合f’(xo)=0的点,导数不存在的点不是驻点。拐点拐点：二阶导数发生变号的点

文章目录前言：1.使用洛必达法则求导n阶导数之后的得到的n+1阶导数存在且连续。2.洛必达法则使用的常用结论是什么？3.那么，为什么函数n阶可导，我们可以使用洛必达n-1次？4.为什么在常规的极限计算时不需要注意洛必达的适用条件，而只要在大题中出现求导就要考虑导数定义，以及是否可以使用洛必达法则？前言：本文主要讨论和解释了洛必达的使用条件，以及常用的结论，希望可以帮助你解除在使用洛必达的时候疑惑。【划重点：①已知f(x)存在n阶可导，推：f(x)在n-1阶必连续。②洛必达使用得到的导数必须连续。】1.

干货：C/C++笔试面试详细总结—程序代码评价或者找错前言：本文覆盖了C/C++工程师笔试的95%以上的程序代码评价或者找错（不含STL和socket以及嵌入式的深入问答），通过对代码段的分析评估能够更加真实地评估应聘者的发现和解决问题的能力。整理总结不易，不点赞收藏一波再走嘛?☆☆☆强烈推荐☆☆☆ ： 干货：C/C++笔试面试详细总结—基本概念及其它问答题 o(*≧д≦)o!!文章目录干货：C/C++笔试面试详细总结—程序代码评价或者找错前言：第1题：“有符号整型和无符号整型”第2题：“处

动词ing形式做定语的用法总结文章目录动词ing形式做定语的用法总结●-ing形式做定语通常从以下四个方面考查1)说明被修饰词的性质，特征或用途。2)与被修饰词为主动关系且表示正在进行的动作。3)有些-ing形式已经转化成形容词，常做定语用来修饰物，表示“令人……”。4)-ing形式与被修饰词是被动关系，就用它的被动式，即being done.being doing通常表示正在被做，常做后置定语。●如何把不同的从句转换成-ing形式做后置定语的用法1)含进行时从句：删除“关系代词+be动词”，保留动词in

文章目录名词性从句助动词，be动词，情态动词怎么变？●含be动词的特殊疑问句●含助动词do/ does/ did 的特殊疑问句●含情态动词（can/ will/ should/ would/ could等）的特殊疑问句●小结：名词性从句助动词，be动词，情态动词怎么变？●含be动词的特殊疑问句含be动词的特殊疑问句结构是：疑问词+be动词+主语比如：What is your name?你叫什么名字？Where is the train station?火车站在哪里？Who is tha

干货：Windows换个马甲， 秒变 macOS ？（MyDock+MyFinder免费工具）文章目录干货：Windows换个马甲， 秒变 macOS ？（MyDock+MyFinder免费工具）前言：MyDock+MyFinderMyDock的功能演示MyFinder的功能演示实测前言：macOS的忠实粉丝，主要可以分为两类人：非开发者：被macOS精美的系统、人性化的设计、流畅的操作所吸引。开发者：它同时UNIX系统和Windows系统的优点，对于开发者非常友好。作为一名开发者，对于Wind

前言本文主要记录了考研英语小作文的写作格式和思路，以及如何写好图画作文的首段，中间段和尾端，供读者阅读参考。文章目录前言1应用文写作思路称呼的正确写法（对应的是信件）标题的正确写法正文落款语域如何完成一篇作文？分析：正文结构：2.图画作文写作思路如何写好中间段？写中间段常见问题：常用素材——“万能”角度：提纲—>分析原因或影响：中间段展开——举例验证：举例验证法结构-1：举例验证法结构-2：正反对比法结构：如何写好尾端？1应用文写作思路应用文格式：称呼/标题、正文、落款、语域称呼的正确写法（

前言本文主要详解了考研作文的原则性（正确性、地道性和简洁性），以及15组常用但是极易用错的词组知识讲解，供读者阅读参考。文章目录前言1.遣词造句的原则性2.遣词造句的十五组常用词spendlackshareprefer/preferencePrepare/preparationmajorFail/failureSuggest/suggestionConsiderReason/CauseAdapt/adaptionBegin/startprovide/offerhelpFit/fitness1.遣词造句

干货：C/C++笔试面试详细总结—基本概念及其它问答题前言本文覆盖了C/C++工程师面试的95%以上的常考基础概念及技术细节问答题（不含STL和socket以及嵌入式的深入问答，仅为中等层面问答），整理总结不易，不点赞收藏一波再走嘛?文章目录干货：C/C++笔试面试详细总结—基本概念及其它问答题前言1、关键字 static 的作用是什么？2、“引用”与指针的区别是什么？3、.h 头文件中的 ifndef/define/endif 的作用？4、#include 与 #include “file.h”的

第七章 查找查找的概念：查找：在数据集合中寻找满足某种条件的数据元素的过程称为查找。查找表(查找结构)：用于查找的数据集合称为查找表,它由同一类型的数据元素(或记录)组成。关键字：数据元素中唯一标识该元素的某个数据项的值,使用基于关键字的查找,查找结果应该是唯一的。查找算法的评价指标：查找长度：在查找运算中,需要对比关键字的次数称为查找长度。平均查找长度ASL（Average Search Length）：所有查找过程中进行关键字的比较次数的平均值。顺序查找：正常查找：typedef

前言本章主要详解了排序的常规算法总结，以及相关排序算法的时间和空间复杂度分析。其中包括插入排序及其与优化算法，希尔排序、交换排序（冒泡排序、快速排序）、选择排序（简单选择排序、堆排序）、归并排序和基数排序，外部排序及其优化算法（引入败者树和最佳归并树）等详细的排序算法代码实现等内容。文章目录前言插入排序优化—折半插入排序希尔排序交换排序冒泡排序快速排序选择排序简单选择排序堆排序建立大根堆：在小根堆中插入新元素：在大根堆中插入新元素：归并排序基数排序基数排序的算法基数排序擅长解决的问题:外部排序败者树多路

前言本章主要详解了串的基本操作，串的匹配问题，朴素模式和KMP算法匹配等内容。文章目录前言串的定义：串的基本操作：串的朴素模式匹配算法：串的KMP算法（朴素模式匹配算法的优化）：KMP算法优化（nextval数组）：串的定义：串,即字符串(String)是由零个或多个字符组成的有限序列。子串：串中任意个连续的字符组成的子序列。主串:包含子串的串。字符在主串中的位置:字符在串中的序号。子串在主串中的位置:子串的第一个字符在主串中的位置。串是一种特殊的线性表,数据元素之间呈线性关系。串的数据

前言本章主要详解了图的基本概念和存储，以及增删改查等操作实现，还有图的遍历和经典应用。其中包括使用邻接表存储图和邻接矩阵存储图、图的深度优先遍历和广度优先遍历，以及很重要的图的相关应用算法—最短路径求解（BFS算法、Dijkstra算法、Floyd算法），拓扑排序的算法和实现，关键路径的求解算法等内容。文章目录前言总览：① 图的基本概念图的定义：无向图：有向图：子图：顶点的度、入度、出度：顶点-顶点的关系描述：连通分量：生成树：生成森林：常见考点的总结：②图的储存及基本操作邻接矩阵存储图：邻接矩阵存储无

前言本章主要详解了树和二叉树（逻辑结构）的概念及其应用，还有二叉树的遍历和增删改查等操作。其中包括满二叉树、完全二叉树、平衡二叉树、二叉排序树和线索二叉树的相关知点，最后介绍了二叉树的应用-哈弗曼树的构造以及最小带权路径长度的求解。文章目录前言总览：①树和二叉树的概念树的的基本概念树的逻辑结构树的基本术语祖先结点和子孙结点：双亲结点和孩子结点：兄弟结点：度：分支结点和叶子结点：结点的层次和高度、深度：有序树和无序树：路径：路径长度：森林：树的性质：几种特殊的二叉树满二叉树：完全二叉树：二叉排序树：平衡二

前言本章主要详解了栈和队列以及特殊矩阵的压缩知识，其中包括栈的顺序存储和链式存储，队列的顺序存储以及链式存储，循环队列的顺序实现以及优化改进-双端队列，最后介绍了三种特殊矩阵的存储结构压缩算法。文章目录前言总览：①栈的逻辑结构栈的概念：栈的基本操作：②栈的顺序存储结构顺序栈的结构：顺序栈的基本操作：栈的初始化判断栈空进栈出栈读出栈顶元素栈的非连续输入和输出问题：合法出栈序列的个数：共享栈共享栈的概念③栈的链式存储结构④队列的逻辑结构队列的概念：队列的基本操作：⑤队列的顺序存储顺序队列的概念：链队的实现：

本章主要详解了线性表（逻辑结构）对应的顺序表和链表（存储结构）的实现方式，其中包含增删改查的操作的多种实现方法及代码，最后还介绍了一些特殊链表的引入，以解决现有的存储结构存在的一些问题缺陷。文章目录总览：①线性表的定义和基本操作定义：线性表的特点：线性表的九种基本操作：②线性表的顺序表示顺序表的定义：数组静态分配：数组动态分配：顺序表的基本操作的实现：插入操作：删除操作：按值查找：顺序表的合并操作：③线性表的链式表示单链表的定义：单链表的结构：引入头结点的单链表：单链表的基本操作的实现：头插法建立单链表：

本章主要需要了解数据结构中的一些基本概念，区别逻辑结构和物理结构。文章目录总览：①基本概念和术语总览：①基本概念和术语数据：​ 能够描述客观事物属性，且能够输入到计算机中被识别和处理的符号集合。数据对象：​ 具有相同性质的数据元素的集合，是数据的一个子集。数据元素：​ 数据的基本单位，通常作为个整体进行考虑和处理。数据项：构成数据元素的不可分割的最小单位。数据类型：​ 原子类型：值的集合+操作（int、char、float）​ 结构类型：结构的集合+操作（list、map、s

文章目录Step 1：根据软件的功能描述，绘制数据流图：Step 2：根据数据流图，分级绘制结构图：•边界划分：•第一级分解：•第二级分解：•精化减少耦合：Step 1：根据软件的功能描述，绘制数据流图：问题表述：假设的仪表板将完成下述功能：(1) 通过模数转换实现传感器和微处理机接口；(2) 在发光二极管面板上显示数据；(3) 指示每小时英里数(mph)，行驶的里程，每加仑油行驶的英里数(mpg)等等；(4) 指示加速或减速；(5) 超速警告：如果车速超过55英里/小时，则发出超速警告铃声。首先了

由电脑的基本配置：CPU、显卡、屏幕、内存、硬盘、接口、散热，对于大多数程序员来说，一般选择电脑的顺序就是：CPU>内存>硬盘>显卡,因为在做一个项目的时候，经常需要多线程处理，CPU是背后的动力支撑，内存的话能够保证容纳更多程序运行。下面我们依次来看看相关的攻略。文章目录CPU：显卡：屏幕：面板材质：分辨率：色域：刷新率：内存：硬盘：接口：数据传输接口：视频传输接口：散热：CPU：当我们挑选笔记本的时候，对于CPU的挑选算是重中之重。尤其是计算机专业的同学，一款好的CPU可以直接.

由电脑的基本配置：CPU、显卡、屏幕、内存、硬盘、接口、散热，对于大多数程序员来说，一般选择电脑的顺序就是：CPU>内存>硬盘>显卡,因为在做一个项目的时候，经常需要多线程处理，CPU是背后的动力支撑，内存的话能够保证容纳更多程序运行。下面我们依次来看看相关的攻略。文章目录CPU：显卡：屏幕：面板材质：分辨率：色域：刷新率：内存：硬盘：接口：数据传输接口：视频传输接口：散热：CPU：当我们挑选笔记本的时候，对于CPU的挑选算是重中之重。尤其是计算机专业的同学，一款好的CPU可以直接.

本文较为全面地总结了字符串的输入和输出，以及C++常用函数等知识内容，其中包括`对字符、字符数组、字符串、字符串数组`、`字符串流的定义和输入输出的用法`，`对C/C++字符串的输入输出不同方法的使用和特性进行了对比归纳`，`C++中的String的常用函数用法总结`。

如何对事件进行相互独立性分析事件独立性的定义：​ 设A,B为两个事件，如果P（AB）=P（A）P（B），则称事件A与B相互独立，简称为A与B独立。事件独立性的判定方法：以n=3为例：设A1，A2，A3为三个事件，若则称事件A1，A2，A3相互独立。当去掉上述④式后，称只满足①，②，③式的事件A1，A2，A3两两独立。事件独立性的常用推论：推论1：【注】：将相互独立的事件组中的任意几个事件换成各自的对立事件，所得的新事件组仍相互独立。推论2：以A,B,C,D相互独立为例：​ 若A

C++硬核：指针和引用的常规用法以及应用总结本文主要总结了常规的指针和引用的用法以及在不用情况下的应用，供读者学习参考，转载须经本人许可。文章目录C++硬核：指针和引用的常规用法以及应用总结指针的用法指针（ pointer）简介：基本用法：指针的注意事项：指针的直接运算：指针的间接运算：变量的值，变量地址，指针地址和指针存放的地址之间的关系：空指针（ null pointer）void *指针（任意指针）void* 指针的注意事项：指针的总结：注意事项：引用的用法引用的简介：指针和引用之间的关系：指针和

Flask项目-电影管理系统(1)本文主要详解了使用mysql连接pycharm数据库，利用Flask架构搭建电影管理系统登录界面的方法流程。本项目涉及的完整代码均已上传，含详细注释，供读者学习和参考！[提取码：wyfb]文章目录Flask项目-电影管理系统(1)1.movie数据库的连接与缓存机制1.MySQL数据库中 新建movie数据库，导入movie.sql文件进行数据库复原。2.在app项目文件夹中的_ init _.py文件，设置连接数据库参数。3.导入和注册蓝图(后台管理系统蓝图)。4.新

数值分析案例：Newton插值预测2019城市(Asian)温度、Crout求解城市等温性的因素系数文章目录数值分析案例：Newton插值预测2019城市(Asian)温度、Crout求解城市等温性的因素系数一、实验目的及数据来源1.研究问题的概述：2.数据来源：二、实验内容第一部分：“采用Newton插值预测2019城市(Asian)温度”第二部分：“Crout求解分析城市的等温性影响因素系数”三、实验结果与分析一、实验目的及数据来源1.研究问题的概述：本文主要研究了插值方法在“城市温度变化预测”

C++：清华大学《C++面向对象程序设计》课程笔记(上)—基础语法本文主要记录了清华大学《C++面向对象程序设计》课程的基础语法笔记，使用的语法规则基于“std::C++11”版本，编译环境为Dev-C++ 5.11。【变量定义与初始化】【main函数的命令行参数】【指针变量的动态生成与删除】【左值引用】【右值引用】【 初始化列表】【变量的类型推导】【基于范围的for循环语句】【类的继承与派生】【继承方式】【派生类对象的构造与析构过程】【继承】

利用Python，实现雅克比(Jacobi)迭代法以及高斯-塞德尔(G-S)迭代法【矩阵形式】本文讲解使用Jacobi迭代和G-S迭代算法求解方程组的Python代码实现，同时涉及算法的原理阐述。文章目录【Jacobi算法原理】【Jacobi的Python代码实现】1.1输入自变量个数mu，方程个数nu，迭代误差精度e1.2初始化LDU矩阵（p为行数，q为当前列数。）1.3构建自变量初值X_Current矩阵1.4初始化因变量y矩阵1.5计算并得到G1，d1矩阵（参照前面的Jacobi迭代公式）1.6将

关于COVID-19新型冠状病毒，最新提出的人工智能在诊疗中的应用（PAPERS）本文主要精选了对于COVID-19新型冠状病毒，最新提出的5篇AI技术应用前沿论文。其中前面2篇为采用神经网络模型去辅助医生对于CT图像的感染区域的分析；而后面2篇为采用机器学习结合不同的特征提取算法，去实现进行根据CT图像进行感染的分类预测；最后1篇则是从Computer Audition的场景应用可能性分析，提...

Matlab:图像平移算法的原理实现，缺陷分析及优化文章目录1.怎么样确定平移之后新的图片的模板呢?2.图像中的坐标平移转换是如何实现的呢？在实现平移算法之前，我们首先来了解平移算法的背景知识：那么我们如何将图像坐标系转换为笛卡尔坐标系（也就是我们熟悉的数学坐标系）呢?3.上述步骤实现的图像平移算法的缺陷及优化问题一，当旋转角度过大时，无法实现图像平移?问题二，经过平移后的图像内部会存在大量黑点...

CNN:从input data到minimize J，卷积神经网络的梯度传播是如何实现的？文章目录Ⅰ.关于softmax，Cross-Entropy Loss，Hinge Loss，L2正则化基本概念的深入理解1.Softmax：2.Cross-Entropy Loss：3.Hinge Loss：4.L2 norm：梯度的计算:优化(OPtimization)：Ⅱ.反向传播(Backpropag...

Python：花了好久才写完的拉格朗日差值法和牛顿差商法的实现首先简述一下拉格朗日算法的公式和思想：首先拉格朗日差值公式如下：那么这个公式的思想是什么呢？1.得到的差值计算式必须穿过所有的已知的节点。（已知节点必须互异：即已知点不重合）2.当x=xi，对应的某一项系数必须为1，而其他项的系数均为0，此时结果为yi。3.通过1和2的思想去构造系数因子，可以得到如下结果：4.将得到...

九九江南风送暖，予你樱花 樱花盛放的歌曲 小序：惊蛰将至，所谓“九九江南风送暖，融融翠野启春耕”。春天到了，你和喜欢的人见面了嘛？我没有…(〒︿〒)​ 看了央视微博转发武大微博的数字樱花，我羡慕了，嫉妒心使我“面目全非”！！！​ So，let us给喜欢的人(o(*￣3...

Matlab:图像直方图背后的实现原理，你确定真的懂嘛？1.什么是直方图？直方图(Histogram)，又称质量分布图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。而什么是图像直方图呢？图像直方图通常用于统计图像中色阶的分布情况，根据直方图的情况，对过于集中的色阶段进行均衡化处理，提高图片的对比度。怎么去实现图像直方图呢？1.使用...

Self-Cure Net:如何更好地抑制大规模人脸情绪识别的不确定性?Suppressing Uncertainties for Large-Scale Facial Expression Recognition_arXiv:2002.10392v1 [cs.CV] 24 Feb 2020(本人自译，转载译本需经许可）Abstract：由于不明确的面部表情，低质量的面部图像以及注释者...

Matlab：如何将暗光环境下的成像可视化以及灰度图映射成彩色图像？主题内容：将小鼠体内的放射性元素成像与小鼠图像进行融合。（原图的格式采用tiff格式，本文涉及的素材均已上传（提取码: sxf4））一：将暗光环境下的成像可视化？​ 采用矩阵的点称对原图像素值进行可视化变换。pet=imread('E:/photograph.tif');%小鼠图像pet=double(pet);...

GhostNet: 如何从轻量的计算中提取更多的特征？GhostNet: More Features from Cheap Operations_arXiv:1911.11907v1 [cs.CV] 27 Nov 2019（本人自译，转载译本需经许可）Abstract:​ 由于有限的内存和计算资源，在嵌入式设备上部署卷积神经网络（CNN）十分困难。 特征图中的冗余是那些成功的CNN的重要特...

PolarMask：如何使用极坐标表示对单镜头实例进行分割?​ PolarMask: Single Shot Instance Segmentation with Polar Representation (作者自译，转载需本人经许可)​ _arXiv:1909.13226v2 [cs.CV] 10.Oct.2019Abstract：​ 在本文中，我们介绍了...

如何基于DCGAN网络模型使用tensorflow生成仿真的人脸图像？(CelebA数据集)1.GAN网络模型的设计思想？GAN中的核心网络结构：生成器(Generator)：记作G，通过对大量样本的学习，能生成一些以假乱真的样本。判别器(Discriminator)：记作D，接受真实样本和G生成的样本，并进行判别和区分。G和D相互博弈，通过学习，G的生成能力和D的判别能力都逐渐增...

使用SSD网络模型进行Tensorflow物体检测?（V1.2视频识别）1.模型的加载和utils库环境的配置？​ 1.准备好ssd_mobilenet_v1网络模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt文件。(文中所涉及文件和代码均已上传，链接提取码：mztu)​ 2.配置好utils库文件以及pycache环境，将准备好的lab...

使用SSD网络模型进行Tensorflow物体检测?（V1.1摄像头识别）1.模型的加载和utils库环境的配置？​ 1.准备好ssd_mobilenet_v1网络模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt文件。(文中所涉及文件和代码均已上传，链接提取码：mztu)​ 2.配置好utils库文件以及pycache环境，将准备好的la...

使用SSD网络模型进行Tensorflow物体检测?（图片识别）1.模型的加载和utils库环境的配置？​ 1.准备好ssd_mobilenet_v1网络模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt文件。(文中所涉及文件和代码均已上传，链接提取码：mztu)​ 2.配置好utils库文件以及pycache环境，将准备好的label_...

如何实现简单的图片人脸检测—基于Haar特征提取的Adaboost强化分类器实现分类器的测试结果：Ⅰ.背景知识了解：​ 1.什么是Haar特征提取？​ Haar特征很简单，分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。​ 缺点：==矩形...

对于CNN卷积神经网络的前向传播和反向传播的理解前向传播示意图：​ 咋一看这张图，作为初学者可能会**不知所云(￣ω￣=)**？但是想要很好的理解前向传播的原理，我们得从这张图细说。1.首先我们从x，w的参数组成说起？​ 如图左下角所示，x[编号n,通道c,高h,宽w]，这里需要的注意的是通道c和编号n的作用。如图，这里输入的图片格式采用3通道，即R，G，B可以看作是输入图片的深度为3。...

如何实现Tensorboard对CNN神经网络的可视化Ⅰ.参数可视化：Ⅱ.结构可视化：怎么使用Tensorboard实现这么professional又pretty(♥∀♥)的网络可视化操作呢？我们通过下面4个步骤进行对CNN网络t的可视化实现。1.命名空间​ 使用tf.name_scope(“空间名称”)进行空间的命名，scope即为范围的意思。同时可对x，y等自变量进行名...

Google Net Inception V3的上手报告1.如何下载inception-2015-12-05.tgz文件？下载地址为：http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz（需要注意的是,inception-2015-12-05.tgz在inception_model文件夹目录...

TensorFlow:如何保存和载入神经网络模型？1.如何保存完成训练的神经网络模型？​ 第一步，在构建的神经网络的最后添加Saver()。#添加saver，保存训练好的神经网络saver = tf.train.Saver()​ 第二步，在执行训练的结束的最后添加运行S=saver.save()。（路径最好选择与.py源文件同一目录下新建文件夹。）#保存模型saver.save(...

构建简单网络和优化方法—手写数字识别1,如何构建初始的“手写数字识别”神经网络？​ 1.下载MNIST_data集并把该数据集放在源.py/.ipynb文件的相同路径位置，并载入数据集。​ ​ 2.自定义batch_size(每个批次读取图片的数量大小)，并计算n_batch(总共的批次数)。​ 3.定义x和y，使用feed方法进行数据输入。​ 4.创建一个简单的神经网络...

TensorFlow—上手篇1，关于import tensorflow的报错问题：根据显示的文件路径找到相应的文件，采用sublime_text编辑（因为用这个可以看到行号，用其他的文本编辑也可以显示行号找到对应位置即可），找到行号为523的位置，将如下内容：_np_qint8 = np.dtype([(“qint8”, np.int8, 1)])修改为：_np_qint8 = np...

数学建模方法——主成分分析法Ⅰ.主成分分析：​ 主成分分析（Principal Component Analysis，PCA）， 将多个变量通过线性变换以选出较少个数重要变量的一种 多元统计分析方法。主成分与原始变量之间的关系：​ （1）主成分保留了原始变量绝大多数信息。​ （2）主成分的个数大大少于原始变量的数目。​ （3）各个主成分之间互不相关。​ （4）每个主成分都是原始变量...

阶梯形矩阵分为行阶梯形矩阵（Row Echelon Form）和列阶梯形矩阵（Column Echelon Form），行阶梯形矩阵应用更多，一般说阶梯形矩阵指行阶梯形矩阵。需满足的条件：1，所有非零行（矩阵的行至少有一个非零元素）在所有全零行的上面。即全零行都在矩阵的底部。2，非零行的首项系数（leading coefficient），也称作主元，即最左边的首个非零元素，严格地比上面行的...

置换矩阵与转置矩阵之间的联系置换矩阵（Permutation matrix）：矩阵的每一行和每一列的元素中只有一个1，其余元素都为0。（不严谨的解释）转置矩阵（Transpose matrix）：矩阵的行变成对应的列，矩阵的列变成对应的行。（不严谨的直白解释）性质：置换矩阵p的逆等于其置换矩阵的转置T。即：P^(-1)= P^T举个栗子：如：3×3的置换矩阵群（共3! = 6个，补充4...

理解机器学习中的偏差与方差学习算法的预测误差, 或者说泛化误差(generalization error)可以分解为三个部分: 偏差(bias), 方差(variance) 和噪声(noise). 在估计学习算法性能的过程中, 我们主要关注偏差与方差. 因为噪声属于不可约减的误差 (irreducible error).首先抛开机器学习的范畴, 从字面上来看待这两个词:偏差.这里的偏指的是...

python环境：win10 64下anaconda4.2.0(python3.5)。安装tensorflow过程是在Anaconda Prompt中进行安装1：打开Anaconda Prompt在安装之前，说几个关于conda的小命令conda list：可以显示已经安装好的库。conda install 库名 ：可以直接安装想要的库。如：conda install tensorflow...

深度学习–神经网络入门知识点线性分类-得分：引入权重矩阵，进行线性映射,构造得分函数。实例：SVM损失函数:关键损失(hinge loss)：对不同的权重参数矩阵进行效果的评估，以确定分类效果最好的权重矩阵。个体样本的损失评估：全体样本的平均损失评估：正则化惩罚项：当存在不同的权重参数矩阵获得相同的较好分类效果时，对权重参数进行惩罚。惩罚原则：对分布集中不均匀的权重参...

数学分析与概率论目录：引例：e的引入：关于该函数极限收敛于e的证明：附：细节1的说明：符合极限运算法则的定理三推论1的应用：细节2的说明：符合两边加定理的应用：01.导数：常用公式：应用1-幂指函数的解题套路：X^x的极小值求解：附：细节1的说明：1.隐含条件：t！=0。2.等式左边为1/t*t’,当t’=0的时候，1/t不为0且t‘为0，所以等式左...

关于常见概率分布函数的记忆性定义及验证分析定义：附：证明部分（手写）:几何分布的无记忆性证明：指数分布的无记忆性证明：泊松分布的有记忆性证明：参考博客原文链接：https://blog.csdn.net/mohhao/article/details/81058734...

sinx的泰勒展开式求解过程思路：sin x 可以如何 “ 展开 ”?写成式子就是:最后以省略号结束，代表 “ 无穷 ”，需要求的就是 a0，a1，a2，…… 的值，准确地说就是通项公式。然后，我们就可以开始 “ 微分 ” 了，就是等式两边同时、不停地微分下去。左边的三角函数的微分，其实是四个一循环的:sin x ➜ cos x ➜ - sin x ➜ - cos x，再回到 sin x……...

KNN及加权KNN优化算法深度学习的常规套路：1.收集数据并给定标签2.训练一个分类器3.测试，评估K-近邻(KNN)算法：对于未知类别属性数据集中的点：1.计算已知类别数据集中的点与当前点的距离2.按照距离依次排序3.选取与当前点距离最小的K个点4.确定前K个点所在类别的出现概率5.返回前K个点出现频率最高的类别作为当前点预测分类。KNN算法：不需要使用训练集进行训练...

时间序列AIRMA模型平稳性要求:(1)经由样本时间序列所得到的拟合曲线在未来的一段时间内仍能顺着现有的形态“惯性”地延续下去。(2)平稳性要求序列的均值和方差不发生明显变化。严平稳与弱平稳：**严平稳：分布不随时间的改变而改变。**如白噪声(正态),期望始终为0，方差为1。**弱平稳：期望与相关系数(依赖性)不变。**未来某时刻的t值Xt就要依赖于它的过去信息，所以需要依赖性。差...

支持向量机算法（SVM算法）和软间隔支持向量机概述(01)决策边界：实现雷区与边界距离最大化（雷区就是边界上的点，找large margin）(02)距离的计算：注：第一步：构造超平面关系式：WTx+b=0得到WT*(x"-x’)=0,即W⊥(x’’-x’)。(W为向量，采用转置便于计算)第二步：dist(x,h)即为(x-x’)在W的单位方向上映射的模长。(03)数据标签定义：...

xgboost集成算法(Ⅰ)xgboost的基本原理:如图：基本原理:​ 采用集成思想，对目标进行不同基准的容器划分进行权值的相加计算,综合评估。项的权值公式：i为样本编号，j为叶子编号。目标函数：​ （yi）表示预测值，表示实际值。最优解函数： 、即：对一棵树的所有项的目标函数值相加求期望，并使得期望函数最小。采用集成的思想：、k为决策树编号。**...

贝叶斯算法贝叶斯公式：[外链图片转存失败(img-ytTj3qxO-1565086972621)(C:\Users\爱拼才会赢\Desktop\python\贝叶斯算法\图片\1.jpg)]实例1：拼写纠错：目标概率：​ p=(猜测输入者想输入的单词)/(输入者实际输入的单词)*p(h|D)=p(D|h)p(h)/p(D) // h:猜测输入者想输入的单词,D:输入者实际...

决策树与随机森林A–决策树：（*）决策树的结构：（*）决策树阶段：训练阶段：分类阶段：（*）熵原理分析：熵：物体内部的混乱程度。(01)熵的计算式:熵(n=i)的图像：例如：A={a,a,a,b,c}中的p(a)=3/5,p(b)=1/5,p©=1/5得到的熵：约为0.94而B={c,c,c,c,b}中的p©=4/5,p(b)=1/5得到的熵：约为0.49所以B...

回归和分类算法（Ⅰ）A-线性回归算法：如工资预测：（01）线性回归的公式：（02）线性回归误差分析：如上为线性回归误差公式。[外链图片转存失败(img-SNtXZdCC-1564833503390)(C:\Users\爱拼才会赢\Desktop\python\高斯分布.jpg)]条件：（1）样本预测结果相互独立。（2）样本预测结果处于于相同的误差范围。（3）均值为0，且方差为θ...

-Python_05-–seaborn可视化库–（未完待补）（1）库的导入和风格的选择：(*)导入numpy,matplotlib,matplotlib.plot,以及seaborn库；(*)numpy和plt库与seaborn库的调用对比：采用plot和numpy库对数据进行sin()变化的可视化处理;(*)采用seaborn库对数据进行sin()变化的可视化处理;采用sns....

-Python_day04-(1)Matplotlib_折线图操作：(*)pd.to_datetime()格式化时间：（*）plt.plot()和plt.show()_生成和显示图：导库:import matplotlib.pyplot as plt;plt.plot(xx[“Table1”],xx[“Table2”])，用于画图；“Table1”作为x轴，“Table2”作为y轴;...