Cybenko

原创 中国计算机学会（CCF）推荐中文科技期刊目录

CCF 推荐中文科技期刊目录A 类序号期刊名称主办单位网址1软件学报中国计算机学会;中国科学院软件研究所http://www.jos.org.cn/2计算机学报中国计算机学会;中国科学院计算技术研究所http://cjc.ict.ac.cn/3中国科学：信息科学中国科学院;国家自然科学基金委员会https://www.sciengine.com/4计算机研究与发展中国科学院计算技术研究所;中国计算机学会https://crad.ict

原创 874文章资源

十字链表法快速排序算法详解最大堆构造和堆排序归并排序算法数据结构与算法教程

原创 范式的理解

第一范式：字段不可分割，数据库默认支持第二范式：消除对主键的部分依赖，可以在表中加上一个与业务逻辑无关的字段作为主键，比如用自增id第三范式：消除对主键的传递依赖，可以将表拆分，减少数据冗余...

原创 个人考研复习过程

最近有不少想考CUMT-CS的学弟学妹加我咨询，现在以刚上岸的过来人的身份分享一下我去年复习的经历吧，希望能给你们带来一点帮助。大概是从七月份确定要考研的，之前一直是准备就业，因为是疫情的原因，找的几个实习都没去，感觉直接就业可能有点亏吧，就想着继续读研了。

原创 Windows使用命令行快速批量删除大量文件

Windows服务器如果需要删除的文件夹中文件数目很多，如果通过鼠标选择文件夹再直接删除会响应得非常慢。用下面两个命令则可以比较快速删除大量文件夹和文件。命令分别如下：rmdir [drive:]path [/S] [/Q]或者del [drive:]path [/S] [/Q]其中rmdir 与rd命令相同。/S 表示除目录本身外，还将删除指定目录下的所有子目录和文件。/Q 表示安静模式，删除时不需要经过确认。如删除 D:\temp\目录下的所有文件的写法如下：rmdir d:\t

原创 redis和rabbitmq启动

redis启动先cd到你所在redis路径e:cd E:\cs\Redis-x64-3.0.504然后启动redis-server.exe redis.windows.confwindows下安装Redis第一次启动报错：[2368] 21 Apr 02:57:05.611 # Creating Server TCP listening socket 127.0.0.1:6379: bind: No error解决方法：在命令行中运行redis-cli.exe127.0.0.1:6

原创 Java中DAO层、Service层和Controller层的区别

DAO层：DAO层叫数据访问层，全称为data access object，属于一种比较底层，比较基础的操作，具体到对于某个表的增删改查，也就是说某个DAO一定是和数据库的某一张表一一对应的，其中封装了增删改查基本操作，建议DAO只做原子操作，增删改查。Service层：Service层叫服务层，被称为服务，粗略的理解就是对一个或多个DAO进行的再次封装，封装成一个服务，所以这里也就不会是一个原子操作了，需要事物控制。Controler层：Controler负责请求转发，接受页面过来的参数，传给S

原创 基于DQN的快速避障路径规划

全文内容：基于DQN的快速避障路径规划基础知识：Q-learningDeep Q-Network（DQN）代码详解：initialisingtarget.pytraining2.py

原创 Tensorflow——tf.nn.conv2d

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)除去name参数用以指定该操作的name，与方法有关的一共五个参数：input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量,图片高度,图片宽度,图像通道数]，注意这是一个4维的Tensor，要

原创 Word 2016表格三线表制作

1、打开word，点击插入，插入一个表格。2、选中表格，点击设计，在边框中的笔画粗细选择1.5磅，然后在边框下拉框先选择无框线，再选择上框线和下框线。然后笔画粗细选择0.5磅，选中第一行后，在边框中选择下框线。3、然后选择表格，单击设计，主要是对其方式，选择布局中的水平居中。4、属性设置好后，选中表格，依次单击 插入→表格→快速表格→将所选内溶保存到快速表格库，命名为三线表，确定，关闭的时候点击确定。之后，就可以从插入→表格→快速表格 快速新建三线表。...

原创 batch size设置技巧

深度学习中经常看到epoch、 iteration和batchsize这三个的区别：（1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；（2）iteration：1个iteration等于使用batchsize个样本训练一次；（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；举个例子，训练集有1000个样本，batchsize=10，那么训练完整个样本集需要：100次iteration，1次epoch。1.当数

原创 安装Anaconda3

【Anaconda教程01】安装Anaconda3

原创 MistGPU使用

官网地址：https://mistgpu.com/user/远程连接：gpu110.mistgpu.xyz:31111账号：mist

原创 基于深度强化学习的路径规划笔记

感谢知乎周思雨博主；此方法同源借鉴于ICIA一篇强化学习paper源码github地址：https://github.com/a7b23/Autonomous-MazePathFinder-using-DQN该程序将由几个封锁（由块颜色表示）组成的图像作为输入，起始点由蓝色表示，目的地由绿色表示。 它输出一个由输入到输出的可能路径之一组成的图像。 下面显示的是程序的输入和输出。输入图像被馈送到由2个conv和2个fc层组成的模型，其输出对应于底部和右侧动作的Q值。 代理根据哪个Q值更大而向右或向.

原创 深度强化学习博客阅读

深度强化学习（Deep Reinforcement Learning）入门深度强化学习——Dueling-DDQN强化学习导论

原创 人工智能学习规划

一、数学基础和机器学习算法相结合的数学知识。上面两部分是理论层面的数学，机器学习算法中会对这些数学进行应用。链接：https://zhuanlan.zhihu.com/p/25197792，知乎专栏上的一篇好文章，囊括了很多应用知识点。二、经典算法知识2.1、机器学习现实中机器学习算法应用，强推。书籍及课后代码：链接：https://pan.baidu.com/s/15XtFOH18si316076GLKYfg 密码：sawb2.2、深度学习说到深度学习，我们不得不提斯坦福的另一门王牌课程C

原创 【Python】常用函数——tf.truncated_normal

tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。例如：import tensorflow as tf;import numpy as

原创 【Python】常用模块（一）——shutil

模块介绍shutil是shell utility的缩写，实现了在Python中实现文件复制、移动、压缩、解压等高级功能，是Python的系统模块，不需要额外安装。常用函数shutil.copyfile( src, dst) 从源src复制到dst中去。当然前提是目标地址是具备可写权限。抛出的异常信息为IOException. 如果当前的dst已存在的话就会被覆盖掉shutil.move( src, dst) 移动文件或重命名shutil.copymode( src, dst) 只是会复制其权限其他

原创 深度学习基础知识

神经网络1. 感知机感知机（Perceptron）是 Frank Rosenblatt 在1957年提出的概念，其结构与MP模型类似，一般被视为最简单的人工神经网络，也作为二元线性分类器被广泛使用。通常情况下指单层的人工神经网络，以区别于多层感知机（Multilayer Perceptron）。尽管感知机结构简单，但能够学习并解决较复杂问题。假设我们有一个n维输入的单层感知机，x1至 xn为 n 维输入向量的各个分量， w1j至 wnj为各个输入分量连接到感知机的权量（或称权值），theta 为

原创 3*3小卷积的优势

我们知道现在在构建CNN时大家喜欢用33的卷积，而不是早期的55，77等更大尺寸的卷积，如vgg系列网络中全部使用了33的卷积。这里既然用3*3卷积来替代更大尺寸的卷积，那么有一个前提，就是要保证两者具有同样大小的输出和感受野。两个33的卷积才能代替一个55的卷积；三个33的卷积才能代替一个77的卷积。以stride=1，padding=0我们来看看为何。我们首先看一下采用55卷积的方案。假设图像大小为nn，采用5*5的卷积核其输出为(n-5)/1+1=n-4。我们再看一下采用3*3卷积的方案

原创 图像处理中的卷积核kernel

kernel 中的卷积核介绍：简介卷积核（kernel），也叫卷积矩阵（convolution matrix）或者掩膜（mask），本质上是一个非常小的矩阵，最常用的是 3×3 矩阵。主要是利用核与图像之间进行卷积运算来实现图像处理，能做出模糊、锐化、凹凸、边缘检测等效果。卷积运算卷积在通俗上理解是把原始矩阵中的每一个元素，都与其相邻的元素根据卷积核的权重分布做加权平均，卷积运算的公式如下：其中，g(x,y)是被处理后的矩阵，w 是卷积核，f(x,y)是原始矩阵，-a≤s≤a 并且 -b≤t≤b

原创 卷积核（kernel）和过滤器（filter）的区别

之前就遇到过类似的问题，但是没有在中文社区中找到一种通俗易懂的答案，于是决定写下这篇文章，希望能给有类似困惑的人一个比较清晰的解释。卷积核就是由长和宽来指定的，是一个二维的概念。而过滤器是是由长、宽和深度指定的，是一个三维的概念。过滤器可以看做是卷积核的集合。过滤器比卷积核高一个维度——深度。下面结合一个多通道的例子马上就能理解了：图1是对一个3通道的图片做卷积操作，卷积核的大小为 3 × 3 ，卷积核的数目为3，此时过滤器指的就是这三个卷积核的集合，维度是 3 × 3

原创 小程序基础

text 相当于以前web中的 span标签 行内元素 不会换行view 相当于以前web中的 div标签 块级元素 会换行checkbox 以前的复选框标签取消注释快捷键：ctrl+k+u列表循环1 wx:for="{{数组或者对象}}" wx:for-item="循环项的名称" wx:for-index="循环项的索引"2 wx:key="唯一的值" 用来提高列表渲染的性能 1 wx:key 绑定一个普通的字符串的时候 那么这个字符串名称 肯定是 循环数组 中的 对象的 唯一.

原创 小程序学习

整体知识体系WXML语法介绍及常用组件一、WXML的语法特点1.布局结构和HTML是一模一样的。2.标签不如HTML的全面，没有延续HTML的标签名称，自定义了一些更加便捷实用的标签。3.WXML的标签可以直接绑定事件是HTML做不到的，WXML的标签不只是简单的布局标签，而且还实现了很多的功能。4.传统的HTML和PHP数据传递和小程序的前后端代码分离的对比。二、视图容器viewhover-class的使用方法<view class="out" hover-class="outH

原创 mathtype注册表

原创 TensorFlow 安装总结

TensorFlow 安装总结TensorFlow 简介：TensorFlow 是 Google 公司人工智能团队谷歌大脑（Google Brain）研发和维护的开源深度学习框架，世界上由成千上万个开发者为该项目贡献代码，框架能够随着对深度学习的研究进展及时更新。TensorFlow 核心组件包括：最底层的设备层、内核应用、执行器、分发中心。主要是对张量进行运算，有适用于高阶神经网络的Estimators接口。而且 TensorFlow 可轻松移植到网页端和移动设备上。目前最新版是TensorFlow

原创 SVM原理详解

SVM 原理详解转自：http://www.blogjava.net/zhenandaci/category/31868.html（一）SVM的简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习

原创 数据预处理之One-Hot（独热编码）编码

数据预处理之One-Hot（独热编码）编码为什么使用One-Hot编码对于机器学习任务中，特征并不总是连续值，很多是分类值。这些分类值本身没有大小的意义。为了将数据集中一个分类变量替换为一个或多个新特征，我们使用One-Hot编码对数据进行预处理。独热编码（哑变量 dummy variable）是因为大部分算法是基于向量空间中的度量来进行计算的，为了使非偏序关系的变量取值不具有偏序性，并且到圆点是等距的。使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点

原创 Python进阶笔记

函数式编程面向对象变量方法(存储在内存中)属性（@property def func(self)）创建类的两种方法使用枚举类(枚举类不可比较大小，但是同一枚举类的成员可以做等值is / not is判断)定义枚举类高级面向对象元类types元类type构造对象使用Slot限制添加属性装饰器python垃圾回收机制python 异常（Exception）、调试（Debug）、回溯（Traceback)异常（Exception）调试（Debug）回溯（Trace.

原创 Python科学计算

Python 科学计算NumPy(MatLab 替代品之一)数组的算数和逻辑运算傅立叶变换和用于图形操作的例程与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数frmemetaSciPy（科学计算）SciPy是一个开源的算法库和数学工具包。其包含最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程常用的计算。Matplotlib（科学绘图）Matplotlib是Numpy的数值可视化包，它利用通用的图

原创 Matplotlib 学习笔记

MatplotlibMatplotlib 是Python2D绘图领域使用最广泛的套件。能导出多种格式的图片。Matplotlib中文显示Matplotlib默认是不支持中文的，如果出现中文会以方框代替。但是经过测试国外字体中部分可以支持。goodfont=[ 'Adobe Heiti Std', 'Arial Unicode MS', 'DengXian', 'SimHei', 'STKaiti', 'STXihei',]使用fontproperties指定字体import

原创 NumPy 高维数组降维方法详细分析

numpy的flat、flatten、ravel、reshape四个函数都是对多维数组进行降维（降至一维）使用方法：import numpy as npa = np.arange(64).reshape([4,4,4])print(a)#对三维数组a进行降维打击b = a.reshape(-1)print('reshape方法：\n',b)c = []for x in a.flat: c.append(x)print('flat迭代器：\n',c)d = a.flatt

原创 深入理解Java虚拟机笔记---底层原理分析与性能优化

概念虚拟机：指以软件的方式模拟具有完整硬件系统功能、运行在一个完全隔离环境中的完整计算机系统 ，是物理机的软件实现。常用的虚拟机有VMWare，Visual Box，Java Virtual Machine（Java虚拟机，简称JVM）。Java虚拟机阵营：Sun HotSpot VM、BEA JRockit VM、IBM J9 VM、Azul VM、Apache Harmony、Google Dalvik VM、Microsoft JVM…启动流程基本架构Java运行时编译源码(.java)

原创 HTTP

前言HTTP入门1. 为什么要学HTTP？2. HTTP基础概念3.网站通信粗略过程4. 告知服务器请求的意图5. HTTP是不保存状态的协议6.持久连接7.提升传输效率8.常用的状态码简述2XX3XX4XX5XX9.服务器与客户端之间的应用程序10. HTTP首部简述10.1 HTTP请求报文10.2 HTTP响应报文11.HTTPS简述HTTP/2 && HTTPS1. HTTP协议的今生来世1.1 HTTP1.0和HTTP1.1区别1.2 H

原创 leetcode刷题笔记

排序两个数组的交集class Solution {public: vector<int> intersection(vector<int>& nums1, vector<int>& nums2) { unordered_set<int> nums1_set(nums1.begin(),nums1.end()); unordered_set<int> ans; for(in

原创 有关结构体typedef struct Node{ }Node, *LinkedList；的解惑

在数据结构中会看到：typedef struct QNode{QElemType data; //数据域 struct QNode *next; //指针域 }QNode,*QueuePtr;typedef struct{QueuePtr front; //队头指针QueuePtr rear; //队尾指针 };先来解释下上面第一个结构体关键在于后面的那个部分如何理解就是QNode,*QueuePtr这两个如何理解；可以这样来理解typedef stru

原创 二次探测法

设哈希表长为11，哈希函数为Hash (key)=key%11。存在关键码{43,7,29,22,16,92,44,8,19}，采用二次探测法处理冲突，建立的hash表为（ ）二次探测法：采用开放定址法处理冲突中的二次探测再散列（也即是题目中的二元探测法）,则哈希函数变为Hash(key） = (Hash(key) + d) % 11其中d = 1^2, -1^2, 2^2, -2^2, 3^2,……，则开始计算。对于43，代入公式为Hash(43) = 43 % 11 = 10, 则地址为1

原创 一条sql语句在mysql中如何执行的

本篇文章会分析下一个 sql 语句在 MySQL 中的执行流程，包括 sql 的查询在 MySQL 内部会怎么流转，sql 语句的更新是怎么完成的。在分析之前我会先带着你看看 MySQL 的基础架构，知道了 MySQL 由那些组件组成已经这些组件的作用是什么，可以帮助我们理解和解决这些问题。一 MySQL 基础架构分析1.1 MySQL 基本架构概览下图是 MySQL 的一个简要架构图，从下图你可以很清晰的看到用户的 SQL 语句在 MySQL 内部是如何执行的。先简单介绍一下下图涉及的一些组件

原创 事务隔离级别(图文详解)

事务隔离级别(图文详解)什么是事务?事务的特性(ACID)并发事务带来的问题事务隔离级别实际情况演示脏读(读未提交)避免脏读(读已提交)不可重复读可重复读防止幻读(可重复读)参考事务隔离级别(图文详解)什么是事务?事务是逻辑上的一组操作，要么都执行，要么都不执行。事务最经典也经常被拿出来说例子就是转账了。假如小明要给小红转账1000元，这个转账会涉及到两个关键操作就是：将小明的余额减少1000元，将小红的余额增加1000元。万一在这两个操作之间突然出现错误比如.

原创 关于数据库存储时间的一点思考

我们平时开发中不可避免的就是要存储时间，比如我们要记录操作表中这条记录的时间、记录转账的交易时间、记录出发时间等等。你会发现这个时间这个东西与我们开发的联系还是非常紧密的，用的好与不好会给我们的业务甚至功能带来很大的影响。所以，我们有必要重新出发，好好认识一下这个东西。这是一篇短小精悍的文章，仔细阅读一定能学到不少东西！1.切记不要用字符串存储日期我记得我在大学的时候就这样干过，而且现在很多对数据库不太了解的新手也会这样干，可见，这种存储日期的方式的优点还是有的，就是简单直白，容易上手。但是，这是不