chanleoo的博客

原创 预处理到底做了什么

编译 链接 执行编译：预处理--编译-目标文件预处理：将那些头文件包含的库那进来，然后什么事都不干，编译：将拿进来的库开始编译成二进制文件，生成目标文件链接：链接上那些编译的二进制库文件...

原创 通用性

用具体数字执行程序，只能得到一个具体结果，用通用性的变量，可以拓宽程序的通用性。问题：why变量比数字的通用性好？因为变量的范围是所有具体数字的集合，代表了所有数据，所以变量通用性更好...

原创 事物产生的原因

原创 流程控制深入理解

概率的指导意义：不可能事件，必定事件，小概率事件、大概率事件、赌一把事件设计过程：三维空间，一维时间，在某个时间点的三维空间下做出多个选择语句，而执行阶段，是把每个个体的时间全部给了空某个条选择语句强制关联的路径下。解读：是因为在某一点时间下（某个一小段或者还在考虑的时间范围内）某个空间范围内不清楚具体走向情况下，才会做出多个选择（被迫），被迫性，鲁棒性执行过程：我觉得分两块，一块...

原创 运算符理解

是两个对象之间的粘剂，这种操作对象，只有碰到两个才生效

原创 字节

字节：是数据存储的单位，是硬件所能访问的最小单位=8个二进制位。如地址short int 2字节 int 4字节 long int 8字节 char 1字节 float 1字节 double 2字节 如何实现对位的控制，那也是向外扩展，cpu访问硬件后取出以字节为单位的值，再在软件层面进行位操...

原创 计算机存储的什么

计算机存储的是二进制补码

原创 C语言中的绕不过去的深入概念理解

变量流程控制函数指针具体看维基百科，不要看百度百科例如： 维基百科爱好者交流群（Telegram：@wikipedia_zh_n、Discord及IRC：#wikipedia-zh连线互联）欢迎大家加入。 [关闭] 变量 (程序设计)[编辑]维基百科，自由的百科全书跳到导航跳到搜索此条目介绍的是程式设计中的变数。关于数学中的变数...

原创 数据类型的深入理解

从基本类型走起，到无限扩充，从数字类型区分，到中英文类型区分，从简单到组合、复杂类型区分，从静态类型到动态类型区分，类型由有限的不同存储结构上面划分而提炼出的概念，而这个概念又用于指导无限类型的生成。有限提炼-指导无限变量因为数据类型的赋予力量而变得拥有不同的魔法，魔法的具体内容就是所占机器二进制位的数量，和他所能表示的数值范围。类型：只包含静态属性的数据类型，只包含动态属性的数据...

原创 查参考文献

李威2019/12/2517:12:29有些论文是没正式发表的，很多都是发表在这个上面，比如yolov3：https://dblp.uni-trier.de/rec/bibtex/conf/iclr/RamachandranZL18还有谷歌学术，百度学术...

原创 算法的产生

算法是为数据所服务的好的算法可以不受制与数据的类型

原创 静态变量—堆（不能跨函数使用）；动态变量-堆（可跨函数使用，手动释放）

动态内存在堆里边，函数结束后并没有自动释放变量值，可手动释放静态变量在函数结束后，出栈，值释放，里边定义的变量（嵌入的变量）与其他函数无关...

原创 数组、函数的必要性

第一因素，从实践中来。定义多个变量时候，反复使用同一个功能时候，需要定义大量变量、需要重复多次写同样的一段语句，这样用数组简化，函数的形式简化操作，节省...

原创 再读变量

搞清楚变量与变量名的区别？还有变量地址、存储值、变量类型。一共五个的关系这是两个不同的对象，变量是一段存储空间，还有类型，那么变量值即存储的东西，变量名是相当于引用，格外的副产物；变量可以存储值，有地址值；例如int i=9;变量名是i,引用的是整型的存储空间，空间内放置的是9，这一切在运行时候发生你所规划的程序。总结，先有变量，即内存，变量有三个属性，对内：具有空间类型，...

原创 再读流程控制

学习的过程，都是众多抽象出一个把握概念，如果你能从一个看出体现更牛逼；不论是选择还是循环、还是顺序语句，她都是随着时间的变化，对空间对象的控制（执行阶段）；顺序：随着时间的变化，依次执行不同的空间对象，选择，随着时间的变化，执行某一个空间对象，循环：随着时间的变化，执行一个或者一串重复的空间对象这其中还蕴含着计划-执行的抽象过程，只不过选择的安排比执行多出最少一个路径，（安排阶...

原创 动态内存分配

在程序执行期间，可以操作所分配的 内存空间，数组不可以，，可以对内存空间进行改变吗，资源最小化（int*）malloc（内存空间大小），malloc函数返回所分配的第一个字节内存空间的四个字节地址，前面用于强制类型转换，是转换所指向地址内存空间的大小为int类型，malloc不能返回包含内存空间大小信息p = new tfree（P）释放所指向的地址的内存空间，指针的操作大部分定义在内...

原创 常量指针

常量指针：指向常量的指针，特点：不能通过间接的使用指针修改常量的值，地址的值可以改变 直接-间接能不能的问题，相当于自家亲戚可以使唤我儿子，我可以打我儿子，而自家亲戚不可以指针的重要作用：给任何事物分配一个地址，这个地址管一段连续的空间...

原创 引用

引用：等价（别名），不论哪个改，一起改，相当于改1就是改2常量：不可改变的量，const int，再具体常量类型动态内存分配，在时间上做空间上的及时充分利用，物尽其用的道理，以时间换空间，最简化时空const和define区别，const可以定义类型，方便做检测，方便程序编译时候报错内联函数：以空间换取时间，提升效率的表现...

原创 位操作

位操作与，要求较高，需要两个同时是1，才得1，0.25的概率 或，要求较低，只需要出现一个1，就得1，0.75的概率 异或，不同出1,指定了要求，其实也是要求较高，0.5的概率 非，取反 左移， 右移 判断与修改的区别，判断是模拟是否能够达到那样的操作，而修改是根据判断做出的实施；...

原创 命令行参数

命令 文件 参数1 参数2，空格决定前后参数独立，若一个参数或者命令中间有空格，则用双引号括起来这时，操作系统知道总共有4个，并且按顺序，操作系统再把这个信息分别传递给代码里边的主函数里边的argc argv这么两个参数，前一个表示个数，后一个为指针数组数组指针，定性指针，说明一个，数组表指向数组类型的指针数组，定性是数组，说明多个，指针类型的数组，多个指针（从定性-数量上做可能性区...

原创 点滴感悟

如何完美推进问题的发展：找准问题对象在哪，指出问题的优、劣势，给出具体可行的办法所有万物都是对象（状态）+操作（方法），都是用操作对对象状态的改变，原来对象好坏不知，下一步对象好坏取决于什么操作；原始对象-操作实现对象-目标对象事物都是随着时间发展的，所谓重复也只是在后面看到了前面时间流逝的再发生。有用，有什么用？再具体的过程最简化时空对事物的操作走向（时间轴）：...

原创 C++再读-函数指针

起因：所有的事物都占据时间、空间，例如体现：数值数组、函数等等，而人为的规定数组名、函数名为变量的地址初始值，把值向外传给某个变量，在引用变量时就是引用了这个地址，有个默认机制，利用这个常规性，将这个默认顺序地址向增大地址方向执行，这样就执行到最后，上面也即引用了数组或者函数这个过程。变量名称为：函数指针（其实就是函数的指针）。定语：是进一步的区分，同类的区分，范围的进一步缩小（指定），例...

原创 贝叶斯决策理论

引言：一般来说，人们生活中所说的概率，是指描述某件事物发生的概率，而不考虑其他因素对事件发生概率的影响。比如说：投掷一枚骰子，正常情况下它出现每一面的概率都是1/6。若考虑稍周全点，骰子的体积小的和大的概率一定不一样。可知骰子的体积大小、质量密度等都会对出现结果的概率产生影响。后段话，用数学语言讲就是后验概率，即具有条件性。所谓先验概率，顾名思义，是前人总结好的概率，自己照搬。贝叶斯概...

原创 统计和概率的区别

概率：是表达某件事情发生的情况;或者严格点讲，是把影响事件发生结果的其他方面因素考虑进去后发生的概率。例子：已知模型和参数，预测模型。比如约漂亮女生打羽毛球，场馆开馆，会预测下赴约的概率。而统计：是给出一堆数据，从数据中推断出一些最可能出现的一些信息。例子：已知数据，预测模型和参数。比如给出长头发，短裙，高跟鞋等数据，那么会更大可能的推断为是一个女生，进而可以推断她的身高等参数。一...

原创 最大似然估计和最大后验概率估计（贝叶斯参数估计）

举个例子：偷盗的故事，三个村庄，五个人偷。村子被不同小偷偷的概率：P(村子|小偷1)、P(村子|小偷2)、P(村子|小偷3)小偷1的能力：P(偷盗能力)=P(村子1|小偷1)+P(村子2|小偷1)+P(村子3|小偷1)+P(村子4|小偷1)+P(村子5|小偷1)小偷2：...'''小偷5：...函数的其中一个要素：必须具有变量。概率函数：P(村子I小偷)里边的村...

原创 非度量方法（判定树和熵）

首先，来看下什么叫有度量方法。如下：生活中，有些事物可以用数字去衡量或者代为表示，用于比较同性质的量，这叫度量方法。 可是，对于整体来讲。不能用量化表示这个整体，比如2两的苹果，它并不等于苹果。所以呢，只能用非度量方法-语义（文字或符号）表示。而对于语义，判定树是一个很好的模型去给它和其他类型标记分类。判定树兼容数字和文字选择方式。熵的定义：表示不纯度，即混沌程度。对于分类来讲...

原创 初识机器学习

1.监督学习，即有输入、有输出的数据集学习一个模型，再次给类似数据集的输入，得到对应的输出，用于预测连续值和离散值2.无监督学习，即有输入，但是无输出的数据集，从某种衡量角度关注数据集的数据分布结构学习出模型，用于分类3.强化学习，对于之前的所有输出带有回报奖励函数去影响下一次输入的学习互属性：监督学习有分类和回归；无监督学习有分类；回归有无监督学习，分类有监督和无监督学习；选择大...

原创 单变量线性回归

·认识一下函数：x相对于上次变了，y相对于上次也变；通过关系找到的自变量和应变量认识下两数相乘：两者互为斜率和输入，不同的斜率/不同的输入模型：函数的大致模型由变量和幂次决定，函数的参数只能影响函数的走势，不能影响函数的固定大致外形方向代价（损失另一种叫法）：付出的代价值，真实的输出与预测的输出造成的心理误差梯度下降:是一种求局部极小值得方法，可在多处使用...

原创 矩阵乘法的认识

第一个矩阵按行看，第二个矩阵按列看；行/列都可看成人或者次数。矩阵的发明，可以简洁数学书写；求和也是一种简写，每项有1-n的参数如何拆分数学数字加法为简洁矩阵写法，第一个矩阵按行排，第二个按列排在编程方面的优势体现，两个矩阵可解决大量的数学加乘法运算，并行计算速率高思路：思考难的实现时，可由简单实现类比，...

原创 多元线性回归

元即变量，变量即对应于某一类不同的输入值，多元即多个不同类参数：即斜率或者单价（互相性可看作输入）梯度下降：特征缩放便于快速求解，如何实现均值归一化：,将原始数据的波动限制在-0.5~0.5之间掐学习率（绝对不能过大，过小也不好）两个变量各自对输出都有影响，从开始下手，整合成一个对输出影响是一样的多项式：多个项例如一元多项式：多个项（可以是单个项），一个变量经过加减乘除、幂...

原创 数据集的重要性

线性回归中，预测的输出必定需要输入数据集的影响，不然这样没有关联的数据预测没有意义

原创 逻辑回归-监督学习-分类

复合函数：变量是某个函数的输出，是某个函数的输入，g-z-x=h-x代价函数：心理落差，两行变一行简写多元分类：目标是识别出所有类，我可以用二分类一个个识别哲学：看待问题的角度...

原创 正则化-过拟合

欠拟合-高偏差-模型选择误差大，数据再多无用过拟合-高方差，变量过多，次方高，波动大，数据过少的限制曲线数学手段解决过拟合问题疑问：加入正则化项后对于原有线性代价函数的影响，即拟合函数更复杂，但是可由参数来控制，以小代价的退找到进的条件...

原创 神经网络

用于分类，解决逻辑回归解决不了特征庞大的图像特征（复杂非线性假设模型）虽然逻辑回归可以将非线性函数改成线性，但是由于非线性组合太多，所以即使改过来，那么线性特征将太多，加剧运算量（线性化也行不通）例：一幅照片当有2500个特征时候，即x1、x2、x3........x2500,所有二次项有2500*2499/2=300万个，换成线性化。。。300万个特征合适的权重很重要代价函数用于...

原创 检测重要性（准确且节约时间）-评估

对结果进行验证或纠正或调整，指导下一步操作的重要性，能够准确的找出结果所对应的原因用新样本去检测，好不好训练集用来拟合参数，验证集用来选择模型，测试集作为泛化误差（无人为选择参与过程）一般出现误差=过拟合（方差大-数据集过少，特征过多，）+欠拟合（偏差大-模型选择不好）坐标的横轴重要性，变化如何影响输出（灵敏度）验证集代表即使用非训练集旁边的点（结合图原因）作图技巧，不同的...

原创 支持向量机（是逻辑回归的资源最大化）-复杂非线性

简化了优化目标函数，曲线分两段直线，计算上具有优势，具体是使得优化问题变得简单如果有两个人，那么另外一个人可以使得某个人很强，让剩下一个人很弱。也可以使得某个人很弱，让剩下那个人很强不是恰好能分类就行了，还需要准确无误，代价为0，没有概率一说C参数的设置，使得代价函数朝着相反的方向变化，C很大，代价为0，等价于在图中来看，对于所有类使得最大间隔，这种办法的缺点：对于异常点，就不能够最大...

原创 降维

主成分分析：挑出主要的维度

原创 异常检测系统设计

从互斥面做算法，好的情况知道，坏的情况无限的情况下，可以做个相对来说可以包含好的情况数据集的算法，测到好的，就表示不坏；做不到测到坏的数据集相反，若数据集一半好一半坏，...

原创 机器学习拐弯点

1.线性回归：满足齐次，满足可加性2.多项式线性回归：变量代替法换成一元3.验证集误差不能作为测试集误差的原因？答：验证集选模型时，人为选最高，而测试集是自然的选择过程，为了方便，做一次测试集误差就代表了多次，效果都差不多4.不对称类数据：坏的数据少，好的数据多，为防止模型测试效果不太好，所以用测试了多少个病人，还有测的准确率，双重标准，使得结果可信度一定可信数据对称：好的和坏...

原创 深度学习-自动训练参数

卷积核：明显化特征最大池化：提取特征，去掉不需要的特征卷积层：普通神经网络的特殊化-未全连接-连接后未参数不同（训练参数缩小，对应数据集小的情况，防止过拟合，有利于提升计算速度）全连接：普通神经网络（训练参数众多）...