cape的博客

转载：原贴地址非常感谢原作者，这个问题我从去年就遇到了，因为相对pycharm来说，我真的觉得spyder更好用，但是在ubuntu服务器上，spyder老是出现各种各样的问题，不胜其烦，典型的就是这个键盘无法输入的问题，导致我只能使用pycharm。今天终于看到一个帖子给出了一个我试验过后正确的解决方法，在这里非常感谢原作者。在Ubuntu 16 中安装好Spyder 后， 打开spyder无法输

链接：https://www.nowcoder.com/questionTerminal/504ad6420b314e5bb614e1684ad46d4d 来源：牛客网一个合法的括号匹配序列被定义为: 1. 空串”“是合法的括号序列 2. 如果”X”和”Y”是合法的序列,那么”XY”也是一个合法的括号序列 3. 如果”X”是一个合法的序列,那么”(X)”也是一个合法的括号序列 4. 每个合

关于PCA（主成分分析，Principal components analysis）,这里有非常通俗易懂的文章解释：主成份分析(PCA)最详细和全面的诠释，这里就不多啰嗦了，下面主要介绍PCA算法和LDA算法在MNIST数据集上的应用。   主要参考的是Kaggle上的一篇Kernel，也可以直接去看这篇Kernel，这里附上链接：Interactive Intro to Dimensionali

方差方差用来度量随机变量 X 与其数学期望 E(X) 的偏离程度。随机变量 X 的离差 X-E(X) 的平方的数学期望叫做方差，公式为： D(X)=E[(X−EX)2]\ D(X) = E[(X - EX)^2]   方差总是一个非负数，当随机变量的可能值集中在数学期望的附近时，方差较小；反之方差较大。所以由方差的大小可以推断随机变量分布的分散程度。   python代码举例：import

二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）fit_transform(partData)对部分数据先拟合fit，找到该part的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对该partData进行转换transform，从而实现数据的标准化、归一化等等。。根据对之前部分fit的整体指标，对剩余的数据（r

二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）fit_transform(partData)对部分数据先拟合fit，找到该part的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对该partData进行转换transform，从而实现数据的标准化、归一化等等。。根据对之前部分fit的整体指标，对剩余的数据（

Conda是一个包管理器；Anaconda才是一个python发行版。软件发行版是在系统上提前编译和配置好的软件包集合， 装好了后就可以直接用。包管理器是自动化软件安装，更新，卸载的一种工具。Conda，有命令”conda install”, “conda update”, “conda remove”, 所以很明显， conda是包管理器。conda和Anaconda名字相似，但没有必然关系

RMSERoot Mean Square Error,均方根误差是观测值与真值偏差的平方和与观测次数m比值的平方根。是用来衡量观测值同真值之间的偏差MAE Mean Absolute Error ，平均绝对误差是绝对误差的平均值 能更好地反映预测值误差的实际情况.标准差Standard Deviation ，标准差是方差的算数平方根是用来衡量一组数自身的离散程度

一、前言目前，深度学习已经广泛应用于各个领域，比如图像识别，图形定位与检测，语音识别，机器翻译等等，对于这个神奇的领域，很多童鞋想要一探究竟，这里抛砖引玉的简单介绍下最火的深度学习开源框架 tensorflow。本教程不是 cookbook，所以不会将所有的东西都事无巨细的讲到，所有的示例都将使用 python。那么本篇教程会讲到什么？首先是一些基础概念，包括计算图，graph 与 session

1、机器学习的定义广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。2、机器学习的范围模式识别=机器学习。模式识别源自工业界，而机器学习来自于计算机学科。数据挖掘=机器学习+数据库。大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。统计学习近似等于机器学习

1. findfind是最常见和最强大的查找命令，你可以用它找到任何你想找的文件。find的使用格式如下：　　$ find <指定目录> <指定条件> <指定动作>　　- <指定目录>： 所要搜索的目录及其所有子目录。默认为当前目录。　　- <指定条件>： 所要搜索的文件的特征。　　- <指定动作>： 对搜索结果进行特定的处理。如果什么参数也不加，find默认搜索当前目录及其子目录，并且不过滤任何结

中国人大都喜欢用武侠小说来比较软件开发，但是在实战武功中，只有葵花宝典才是最厉害的，也只有掌握了葵花宝典，才能称为“不败”。 　　但什么才是软件开发的葵花宝典？ 　 　让我们先从一些现象出发。我们的前提是，软件开发是一项智力密集型劳动。对于智力密集型劳动，我们观察到的现象是，个体的表现差异很大，团队的表现差异 很大，组织的表现差异很大，国家的表现差异很大。这不象体力占主要的劳动，象百米王跑百米的速度

gzip压缩后的格式为：*.gz 这种压缩方式不能保存原文件；且不能压缩目录命令举例：#压缩[root@localhost tmp]# gzip buodo[root@localhost tmp]# lsbuodo.gz#解压[root@localhost tmp]# gunzip buodo.gz [root@localhost tmp]# lsbuodotar命令选项：

cut命令　　cut [选项] 文件 　　　　　　-f 列号 （ --field 提取第几列 ）　　　　-d 分隔符 （ --delimiter 按照指定分隔符分割列 ）　　vi user.txt　　（ 行间分隔符为制表符Tab，cut的默认分割符是制表符 ）　　提取系统的用户名和uid： 　　cut -d ":" -f 1,3 /etc/passwd　　与grep组合使用：

源码包与RPM包的区别1、概念上的区别 软件包分类 源码包 RPM包 包的形式 C源文件包 编译之后的二进制包 优点 开源；可以自由选择所需功能；可看源代码；卸载方便（直接删除安装位置）； 使用简单，只需要几个命令就可以实现包的安装、升级、查询、卸载；安装速度快； 缺点 安装步骤过多；编译时间过长； 不能看源代码；功能选择不如源代码灵活；依赖性；2、安

前面讲过了“RPM包之rpm命令”： http://blog.csdn.net/capecape/article/details/78529159本节讲”RPM包之yum命令”我们的yum源的目录/etc/yum.repo.d/下有几个文件： 如果系统能联网，则使用的是默认的网络yum源文件CentOS-Base.repo，若不能联网，则使用的光盘yum源文件为CentOS-Media.repo

RPM包与源码包的区别1、软件包分类源码包：C源代码包rpm包：编译之后的二进制包2、源码包优点：开源；可以自由选择所需功能；可看源代码；卸载方便（直接删除安装位置）；缺点：安装步骤过多；编译时间过长；3、RPM包优点：使用简单，只需要几个命令就可以实现包的安装、升级、查询、卸载；安装速度快；缺点：不能看源代码；功能选择不如源代码灵活；依赖性；RPM包命名和依赖性1、RPM包的命名

centos6是通过修改/etc/inittab来修改默认运行级别的：[root@localhost ~]# vim /etc/inittab在centos7下运行vim /etc/inittab结果如下： 可以看到，里面除了注释，什么也没有，并没有centos6中设置默认运行级别的方式。注释内容大意是说，# multi-user.target类似于runlevel 3;# graphical

linux 系统是由 crond这个系统服务来控制的。Linux 系统上面原本就有非常多的计划性工作，因此这个系统服务是默认启动的。我们可以看下crond这个系统服务的状态： 从这里可以看出来crond服务是自启动（enabled），且正在运行的（active）另外, 由于使用者自己也可以设置计划任务，所以， Linux 系统也提供了使用者控制计划任务的命令 :crontab 命令。cront

为方便查询和记忆，现简要总结一下查看系统资源的一些命令。free作用：查看内存使用状态[root@localhost ~]# free [-b|-k|-m|-g]选项: -b: 以字节为单位显示 -k: 以KB为单位显示，默认就是以KB为单位显示 -m: 以MB为单位显示 -g: 以GB为单位显示 -h: 以合适单位显示（huma