老猿Python

☞ ░ 前往老猿Python博文目录 ░一、3GPP规范文档及其他推荐阅读博文老猿学5G扫盲贴：3GPP规范文档命名规则及同系列文档阅读指南老猿学5G扫盲贴：3GPP规范中部分与计费相关的规范序列文档老猿学5G扫盲贴：R15/R16中计费架构和计费原则涉及的规范文档老猿学5G扫盲贴：3GPP规范中与计费相关的主要规范文档列表及下载链接老猿学5G扫盲贴：推荐三篇介绍HTTP2协议相关的文章老猿学5G扫盲贴：移动边缘计算（Mobile Edge Computing, MEC）二、5G中常用知识

☞ ░ 前往老猿Python博文目录 ░本部分为老猿CSDN全部博文的汇总（含转载部分），所有文章在此未进行归类，仅按文章标题排序。BloomFilte布隆过滤器简介CSDN-markdown编辑器使用方法HTTP请求头和响应头详解【转】HTTP响应报文应答状态码及含义IT人的5G网络架构视点：从网络架构演进的前世今生详解5G各NF网络功能体Model/View开发小结PyCharm中怎么将非当前工程文件的目录的文件加到当前工程中PyQt Designer中带参数的信号为什么匹配不到带参

本专栏为moviepy音视频开发的免费专栏，基于老猿阅读moviepy1.03版本的源代码以及大量测试验证的基础上，介绍moviepy主要音视频剪辑相关类的方法、以及一些音视频剪辑合成处理的场景化支撑能力和部分剪辑合成实现的案例或工具开发。

老猿Python博文目录专栏：使用PyQt开发图形界面Python应用老猿Python部分代码样例老猿Python重难点知识博文汇总老猿Python博客地址第1章 Python学习环境构建目录第2章 Python编程基础知识目录第3章 Python的数据类型目录第4章 基础知识进阶目录第5章函数进阶目录第6章 Python中的动态可执行方法目录第7章 Python类型、类...

第1章 学习环境构建第2章 Python编程基础知识

本文介绍了蒙特卡罗积分法近似求解定积分的方法，并举例说明了具体使用方法。

本文介绍了《统计学习方法》（李航著）第二章感知机学习中的Novikoff定理证明过程的隐含知识，好方便大家理解证明过程，相关知识总结起来就是两点，一是任何非零向量都可以标准化为模长为1的向量，二是对于线性映射函数，对权重向量进行标准化同时对截距进行相应变换后不影响映射函数其所表达的超平面，即权重向量标准化（含截距处理）前后所代表的超平面是同一个。

本文对比了秘塔和Kimi AI在资料查询和学习中的使用情况，从个人的观点来看，Kimi从界面和内容检索总结上都优于秘塔，但老猿对秘塔的特点不是很了解，是否有其他隐藏技能不了解，因此进行的对比可能不全面，欢迎大家指正。

P(z|x)给定输入 x 时，输出 z 的概率，p(x∣z) 给定输出 z 时，输入 x 的概率，这2种表示条件概率分布主要适合非监督学习的情况，但也可以在监督学习中适用，只是很少使用。

本文介绍了统计学习的各种分类，按基本分类，统计学习可以分为监督学习、非监督学习、强化学习，有时还包括半监督学习、主动学习，按模型分类，分为概率模型和非概率模型，按算法分类分为了在线学习和批量学习，按技巧分类为贝叶斯学习和核方法。这些分类方法是从不同视角进行的，因此各种分类方法之间对应的学习方法又是交叉的，正所谓条条大路通罗马。

本文详细介绍了贝叶斯学习（Bayesian Learning）计算公式的各个组成因子的含义及所代表的意义，贝叶斯学习基于贝叶斯定理和概率论的原理计算在给定数据条件下模型的后验概率，并应用这个原理进行模型的估计以及对数据的预测。

本文是老猿学习《统计学习方法》（李航 著）一书的感悟和总结，大部分内容来源与书本，之所以将原文的大部分内容在博客中呈现，是因为老猿觉得这些内容对新人学习非常重要，会起到提纲挈领的作用。统计学习是处理海量数据的有效方法，是计算机智能化的有效手段，更是计算机科学发展的一个重要组成部分，对应计算机科学系统、计算、信息三个组成部分的信息这个部分。统计学习是基于数据构建概率统计模型从而对数据进行分析和预测，统计学习的三要素为模型（model）、策略（strategy）和算法（algorithm）,模型是基础，定义

L1正则化通过给线性模型增加一个与权重参数的L1范数作为惩罚，并使得目标函数变为原线性模型加上λ倍惩罚，通过调节λ的值影响模型权重参数的值，最终压缩部分权重参数的值为0来减少部分特征（自变量）对模型的影响。

本文介绍了在统信UOS Linux下由于缺乏zlib和jpeg库导致的安装Pillow报错问题的解决过程和解决办法，之所以报错是因为缺省的统信UOS Linux未安装zlib和jpeg库导致的，只需要安装上述库即可解决。

本文介绍了模型陷阱中的过拟合、模型幻觉的概念以及二者的关系，可以看到过拟合、模型幻觉是两种不同概念，但二者又相互关联，过拟合会导致模型幻觉，模型幻觉也可能导致过拟合，二者都可能导致模型泛化能力差，但过拟合一般是型复杂度过高导致，模型幻觉更侧重于模型对于数据中的非实质性模式的错误理解。

本文介绍了人工智能特别是机器学习的一些基础知识，机器学习是人工智能的一个分支，而借助于机器学习中的神经网络，通过多层神经网络进行知识学习的深度学习是机器学习领域中的一个重要研究方向。

机器学习根据训练数据是否标注分为监督学习和非监督学习，监督学习按标注的数据是否连续细分为分类和回归，非监督学习按用途可分为聚类和降维，不同的学习方式适合不同的应用场景。

本文介绍了windows下如何通过命令行方式配置新增的热点、如何用命令行连接新增的热点的详细步骤。

在原来的形态学变换系列博文中，老猿针对形态学变换进行了相关从基础概念、到程序实现等的一系列文章介绍，本次回顾这部分知识过程中，重点分析了形态学变换适用的场景及其背后的原因，有助于大家进一步理解形态学变换的原理和应用场景。

本文将图像处理中常用的数学运算算法及其对图像的作用做了个汇总介绍，有助于图像处理时针对对应场景快速选择合适的数学算法。

本文针对笔者复习直方图均衡和匹配的知识的一些思考进行了说明，直方图均衡扩展可图像的灰度级（intensity scale）范围、增强了图像的对比度，而直方图匹配则使得图像具有与目标图像或指定直方图要求的对比度和亮度特性。

在整个过程中，老猿从开始使用国产笔记本电脑（浪潮+统信UOS）一头的包，通过反复备份+还原，到执行安装软件的升级，最终整台电脑越用越顺，应该说国产信创的笔记本电脑超出了笔者接触国产电脑之前的预期，并相信随着大家的进一步使用，整个信创的生态链会越来越好，用户体验也越来越好，期待我们自己的IT能迅速腾飞。在本专栏完结之后，也许以后还有少量体验感受会在本专栏发表，但主要的重心将转到OpenCV-python的继续学习，并计划人工智能的学习安排。》，这个专栏计划中要发表的内容都发表了，专栏的写作任务顺利完成。

本文介绍了在统信UOS Linux下用opencv-python捕获摄像头输入保存到视频文件的实现代码与windows的差别，opencv-python的windows版本和Linux版本的处理上还是有所不同的，windows下的容错性高一些，Linux下对参数要求更严格，因此相同的代码Linux下要更注意细节。

本文介绍了统信UOS Linux下安装OpenCV-Python库的过程以及安装过程遇到的问题，在UOS下通过升级pip3才能正常安装。

本文详细介绍了在统信UOS的linux操作系统环境下安装opencv库和构建opencv C++应用的编译环境过程中遇到的各种问题，通过解决这些问题，就可以最终成功安装opencv库和执行opencv C++应用的编译和测试了。

本文详细介绍了在统信UOS的linux操作系统环境下安装opencv库和构建opencv C++应用的编译环境的详细过程，通过下载安装包、调整cmake文件、执行cmake和make以及安装，调整环境变量等，最终构建了可以编译opencv C++应用程序的环境。上述安装过程是老猿反复多轮测试之后总结出来的，其实在测试过程中中遇到了各种问题，通过解决这些问题，才最终成功.

本文简单介绍了在vscode中调试C++程序的基本步骤，要调试程序时，首先要确保使用g++编译时带“-g”参数，然后进入vscode运行菜单按F5启动调试，如果程序带有参数等场景，还要配置launch.json调试配置文件。

本文介绍了一种基于知识图片的只能辅助需求管理体系，该体系借助需求处理各环节处理专家的知识，将其整理成知识库知识，结合需求处理各环节的平台支持，进行需求内容、分析设计、测试方案以及交付各阶段的输出内容的质量提升，从而提升整体需求的处理效率，这个过程是一个随需求处理不断循环往复、逐步完善的过程，颇为契合Devops的理念。

本文介绍了几个浪潮+统信UOS操作环境下常见的几个问题，能解决基本的几个问题，同时保持系统版本升级到最新是最好的解决办法。

大浪淘沙，唯有潮头拼搏，坚持不渝，方得始终。愿此与诸君共勉，携手并进，共迎丰收硕果。诚祝大家2024年阖家幸福安康！万事顺意！工作收获满满、学有成！

本文介绍了在linux机器网络环境无法直接访问GitHub的情况下，怎么绕开GitHub下载OpenCV安装源文件包，以及opencv包构建过程中，cmake无法访问GitHub获取ADE组件的解决办法，经过这些调整，可以将OpenCV源代码下载后顺利执行cmake以生成makefile文件，为后续执行代码完整构建打下了基础。不过离真正的完整构建还需要有段距离，我们将在后续博文中继续介绍。

本文介绍了在统信UOS 的linux Debian系环境下，通过设置环境变量、编译指令参数指定路径、pkg-config配置等方法设置opencv库的头文件和库文件路径的方法，通过这些方法可以是的gcc或g++编译器能顺利找到opencv的头文件和库文件。

本文介绍了通过vscode构建配置任务并手工调整配置文件后，生成用于编译多个文件的C++项目的生成任务过程及配置解释，有助于大家熟练使用vscode编译C++项目。实际上老猿认为，除了这种方法，也可以通过配置其他任务方式执行C++项目的编译，比如对于更复杂的需要makefile的工程，应该是用配置任务使用make指令来构建编译任务，具体等后面老猿验证后再介绍。

本文介绍了Visual Studio Code中tasks.json全局任务命令选项CommandOptions的详细内容，并通过配置案例来说明CommandOptions各个子配置项的作用。

本文介绍了tasks.json中任务配置选项的可选任务组tasks子配置项，tasks的类型是TaskDescription，文章介绍了TaskDescription的详细内容和用途。tasks配置项配置的任务是大多数任务的配置方式，理解相关子配置项的内容对于更好地配置vscode的任务有重要作用。

本文介绍了Visual Studio Code tasks.json中控制任务执行问题面板显示内容的PresentationOptions中的各元素的含义和使用方法，并举例说明了配置2个任务的presentation对输出的影响。

本文介绍了Kubernetes(K8S)的基本概念、主要功能、架构以及网络通信相关的基础知识，在K8S中Pod是最小的管理单元，Pod内的容器间处于同一个网络空间内可以相互通过localhost+端口直接访问，同一个Node的Pod通过虚拟以太网桥接进行相互访问，跨Node的Pod间通过虚拟以太网对桥接到节点的以太网卡实现跨节点访问。K8S中Service是对外提供服务的虚拟IP加端口映射到集群节点的静态端囗，集群外部可以通过:访问Service。

本文介绍了容器化技术的技术原理、特点优势以及容器的镜像管理和网络模式的关键技术，容器是镜像的运行时，同一主机运行的容器共用主机操作系统的内核，各容器将创建自己的用户空间，挂载rootfs文件系统。容器的文件系统来源于镜像，镜像分层管理，容器内的镜像层是只读的，对文件系统的更改通过在镜像层上面叠加container层来实现。

容器镜像是容器构建rootfs和用户空间的基础，容器是镜像的运行态。容器复用Linux内核，通过容器独立用户空间挂载的rootfs与Linux内核交互，这样既使得容器的镜像无需关注Linux内核的版本，又节省了空间，同时容器通过提供镜像构建的rootfs和用户空间又保持了容器的独立性和安全性。

本文介绍了Docke的证scratch镜像的概念、机制和原理，以及其使用优点，同时验证了scratch无法被拉取和创建，只能作为一个创建其他镜像的base镜像使用。