chenzhiwen1998的博客

在安装pytorch的时候因为源的问题折腾了非常久，在这记录以下。问题报错：(video_env) D:\profession\code\model\SAAT-master>conda install pytorch-cpu==1.1.0 torchvision-cpu==0.3.0 cpuonly -c pytorchCollecting package metadata (current_repodata.json): failed# >>>>>>&

折腾了好几天，终于算是有了最后的结果了，哈哈，暂时本人实现了滑动抖音视频，同时用很笨的方法躲过抖音的反爬，最后将抖音视频的链接保存下来。一、准备工作安装appium可视化软件(翻墙可能回安装快一点，下载很快，安装可能比较慢，因为安装的时候好像要从github上面下载一些依赖项)安装夜神模拟器安装基本的python环境，依赖项的话 ，在运行代码的时候 根据报错挨个安装吧大概就这些。二、安装模拟器和appium连接模拟器在安装完夜神模拟器后桌面回有两个快捷方式，分别是多开器和模拟器，默认安

问题：在Django中新插入一条数据之后，后面还需返回其自增的主键(ID)的值，从而完成后面的操作修改前：sign_id = models.IntegerField(primary_key=True)解决：将IntegerField 换成 AutoField修改后：sign_id = models.AutoField(primary_key=True)用法：例如对象名为Bookbook = Book(name='C语言', price=25.5)book.save()print('

Transformer从整体框架来讲，Transformer其实就是encode-decode框架，即就是编码解码。只不过在编码和解码的内部比较复杂，经过了多次复杂计算。比如说，encode编码阶段，其内部整体框架如图所示。在图上可以看出，首先输入所有的向量，然后经过多次block的计算，最终得到相同数量的输出结果向量。其中每个block内部包含一层自注意力机制、一层全连接层。同样，在自注意力机制中，计算每个向量时都会考虑其他元素。区别是，在transformer的自注意力机制结束后，.

自注意力机制(Self-attention)背景最近，学了好多东西，今天看了一下李飞飞老师讲解的自注意力机制，因此在这记录一下，以供日后复习，同时自己学习消化知识也好。综述一般来说，模型的输入输出有三种： N个输入，经过模型计算后，输出N个结果，也就是对输入向量进行计算，从而得到每个向量对应的输出值。 N个输入，送入模型进行计算，最终得到一个结果。这就是平时常见的比如，文本分类、情感分析等。 任意个输入，输出任意个输出。这种在生活中也较为常见，比如机器翻译，对于一句

集束搜索(Bean Search)背景​ 场景一：如果说，你想实现：输入一段语音片段，经过一一列操作，实现最后输出语音的内容。再此过程中，假如你不想随机输出一些结果，而想得到最好最优的输出结果，此时，则需要本算法。​ 场景二：实现机器翻译，输入一段法语，输出一段最有的翻译结果。方法：1. 使用的网络：2.词典3.思想与贪心算法不同，集束算法含有一个变量b(bean width), 用来存放在一次搜索中，搜索多少个可能的结果。例如：第一步：在搜索第一个词时，

ResnetResnet即就是残差网络，本文主要是对于resnet给出的网络结构图进行简单解释。网络结构图以上就是34层网络的网络结构图。以上是18层、34层、50层、101层以及152层网络所对应的残差块。我刚开始在网上看到这两张图片的时候，感觉一点都不懂，后面学了一下，稍微懂了，所以写下这篇博文做个记录。个人理解比如说第一张34层的网络结构图，它对应的是第二张图片的第四列。在第四列中，每一行的大概解释如下：第二行表示，从18层到152层的conv1都使用了64个7*7的卷积核，

梯度下降adagrad每次学习率都会除以一个值，所以会更新越来越慢。所除的那个值恰好为函数的二次微分vanilla gradient descentstochastic只考虑一次的lossfeature scaling

机器学习概述机器学习是从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测。数据集的构成存储类型：文件格式（如csv）可用的数scikit-learnKaggleUCI常用数据集数据的结构组成结构：特征值 + 目标值处理：pandas：一个数据读取非常方便以及基本的处理格式的工具sklearn: 对于特征的处理提供了强大的接口特征工程概念将原始数据转换为更好地代表预测模型的潜在问题的特征的过程，从而提高了对位置数据的预测准确性意义直接影响预测

Pandas常用数据类型Series 一维，带标签数组用法：import pandas as pd# 法一b = pd.Series([1,3,4,5,2,3,2], index=list("abcdefg")) # index指定索引值，与数组一一对应，b.dtype的值为int64# 法二a = {'name':'zhangsan', 'age':30} # a.dtype的值为objectpd.Series(temp_dict) # 索引=键 索引对应的值=键对应的

numpy概念科学计算基础库，多作为数值计算、在大型、多维数组上执行数值运算。创建数组import numpy as npa = np.array([1,2,3,4,5])b = np.array(range(1,6))c = np.arange(1,6)# 其中 a = b = cnp.arange的用法：arange([start], stop[, step,], dtype=None)c.dtype获取c中数据的类型c.astype(‘int8’)修改数据类型np.ro

数据分析流程提出问题 --> 准备数据 --> 分析数据 --> 获得结论 --> 成果可视化conda 环境安装conda: data science package & environment manager创建环境：conda create --name python3 python=3切换环境：windows: activate python3linux/macos: source activate python3matplot

正则表达式概念用实现定义好的一些指定字符及这些特定字符的组合，组成一个“规则字符串”， 这个“规则字符串”而能来表达对字符串的一种过滤。常用方法re.compile (编译)pattern.match (从头找一个)pattern.search (找一个)pattern.findall (找所有)pattern.sub (替换)符号. 匹配任意字符，不能匹配
,要匹配
需要加re.DOTALL或re.S\ 转义字符[…] 匹配括号里某一个字符\d 数字[0-9]\D

haystack(全文检索框架)和whoosh(全文检索引擎)的使用后端安装与配置1）在虚拟环境中依次安装需要的包。pip install django-haystackpip install whooshpip install jieba​ 2）修改settings.py文件，安装应用haystack。INSTALLED_APPS = ( ... 'haystack',)​ 3）在settings.py文件中配置搜索引擎。...HAYSTACK_CONNECTIO

操作系统一. 概述1. 操作系统的概念、功能和目标1.1 操作系统的概念1.2 操作的功能1.2.1 作为系统资源的管理者提供的功能操作系统的目标1.2.2 作为用户和计算机硬件之间的接口提供的功能操作系统的目标1.2.3 作为最接近硬件的层次提供的功能和目标2. 操作系统的特点2.1 并发(最基本特点)2.2 共享(最基本特点)2.3 虚拟2.4 异步3. 操作系统的发展和分类3.1 手工操作阶...

[end_label]7.2 调用存储过程和函数7.2.1 调用存储过程call proc_name([paramter[,...]])7.2.2 调用存储过程select fun_name([paramter[,...]])7.3 查看存储过程和函数使用show status 语句查看存储过程和函数的状态show {procedure|function} status{lik...

1.表操作1.1 表的设计理念第一范式：每个列不可分割第二范式：实体的每个属性都和主键完全依赖第三范式：每列都和主键列直接相关1.2 表操作查看数据库show databases;选择数据库use dname;创建表结构create table tname{属性名 数据类型 完整性约束条件}查看表详细定义show create table tname查看表定义...

笔记记一次在搭建SSM框架时遇到的一个小问题：在搭建完SSM框架之后，使用测试类测试时测试成功，完全没问题，但是在启动tomcat过程中，出现错误，这也是以前在eclipse中常见的一个问题：org.springframework.web.filter.CharacterEncodingFilter 这个类找不到，这个是全局的字符过滤类，在Spring-web的jar包里提供。...

二叉树本文包括二叉树的创建（满二叉树的方式）、先序遍历（递归、非递归）、后序遍历（非递归）、中序遍历（非递归）、层次遍历等操作。运行环境：VC++ 6.0以下程序可直接复制至编译器运行。#include<stdio.h>#include<stdlib.h>#define MaxSize 20#define MAX_NODE 50typedef ...

二分查找思想：先确定待查记录所在范围（区间），然后逐步缩小范围直到找到或找不到该记录为止。代码：#include<stdio.h>#include<stdlib.h>#define LIST_SIZE 12typedef int ElemType;typedef struct{ ElemType *elem; int length;}SSTa...

堆排序本次排序结果为非递减，采用的是大顶堆。思想小顶堆调整： 假设输出堆顶元素之后，以堆中最后一个元素替代之，此时根节点的左右值比较，由于左子树根节点的值大于右子树的根节点的值且大于根节点的值，则将27和97交换，由于97替代了27之后破坏了右子树的堆，则需要进行上述相同的调整，直至叶子节点，此时堆顶为n-1个元素中的最大值，重复上述过程，将堆顶元素27和堆中最后一个...

归并排序思想：假设出示序列含有n个记录，则可看成是n的有序的子序列，每个子序列的长度为1，然后两两归并，得到n/2个长度为2或1的有序子序列；再两两归并，……，如此重复，直至得到一个长度为n的有序序列为止。代码：#include<stdio.h>#define MAXSIZE 20 //数组大小typedef int KeyType; //关键字类型typed...

简单选择排序算法：一趟选择排序：通过n-i次关键字间的比较，从n-i+1个记录中选择出最小的记录，并和第i（1<= i <= n)个记录交换之。代码：#include<stdio.h>#define MAXSIZE 20 //数组大小typedef int KeyType; //关键字类型typedef int InfoType; //元素信息...

插入排序 ：C语言编写的插入排序，思想在程序注释中体现。代码如下#include<stdio.h>#define MAXSIZE 20 //数组大小typedef int KeyType; //关键字类型typedef int InfoType; //元素信息类型//数组中元素的信息typedef struct{ KeyType key; //元素排...

快速排序算法:思想：附设两个指针low和high，他们的储值分别为low和high，设枢轴记录的关键字pivotkey,则首先从high所指位置起向前搜索找到第一个关键字小于pivotkey的记录和枢轴记录互相交换，然后从low所指位置向后检索，找到第一个关键字大于pivotkey的记录和枢轴记录互相交换，重复这两步直至low=high为止。优化:先将枢轴记录暂存在r[0]的位置...

用C语言编写的基本操作：冒泡排序。思想都已在代码注释中注明，可直接复制粘贴运行：本人用的环境是vc++6.0#include<stdio.h>void swap(int *p,int *q){ int temp = *p; *p = *q; *q = temp;}/*冒泡排序：升序，从前往后冒泡。最多进行n-1次冒泡，第i次冒泡会将前n-i+1个元素的最大...

1.DOS条件下虚拟机运行.class文件时，在当前位置和classpath路劲下都有一个.class文件，则虚拟机首先找classpath下    的.class文件。2.在设置classpath变量时，    a.如果路径后加分号，则说明在classpath所指定的路径下没找着.class文件后，再从当前路径下找；    b.如果路径后不加分号，则说明在classpath所指定的路径下...

一、准备工作1.将文件IK Analyzer 2012FF_hf1、apache-tomcat-7.0.47.tar.gz、jdk-7u55-linux-i586.tar.gz、solr-4.10.3.tgz.tgz、      zookeeper- 3.4.6.tar.gz拷贝并解压到服务器。2.在/usr/local/路径下新建文件夹solr-cloud:mkdir /usr/lo...

一.在VMware上安装虚拟机及系统VMware官方网站：http://www.vmware.com工具：VMware 15CentOS-6.10-x86_64-bin-DVD1.isoCentOS 6系统下载链接：http://mirrors.aliyun.com/centos/6.10/isos/x86_64/CentOS-6.10-x86_64-bin-DVD1.is...