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

本文介绍了统信UOS下启动图形界面应用工具monitor由于JDK版本适配导致的报错：An error has occurred.的解决办法，避免该问题的解决办法是不单独安装JDK，而是要直接使用达梦数据库自带的JDK，并注意最终环境变量设置要指向达梦数据库自带JDK。

本文介绍了达梦数据库图形界面manager工具启动时报“No protocol specified”错的问题原因、解决办法，相关解决办法对其他达梦数据库图形工具类似问题同样有效。

本文详细介绍了在基于飞腾2000CPU+浪潮电脑+统信UOS下载、安装达梦数据库的详细过程，相关操作是笔者结合官方文档在实际操作过程的详细总结，对照该文档，相信大家就可以在飞腾2000CPU+统信UOS机器上顺利安装达梦数据库。

本文简约介绍了神经网络常用的激活函数计算公式，可以用于不记得激活函数定义者速查。

本文介绍了神经网络中常用的高级激活函数以及Keras中的具体函数，高级激活函数通常比基础激活函数更复杂，可能包含更多的参数或计算步骤，通常旨在解决基础激活函数的某些限制，如梯度消失或激活函数的非单调性。基础激活函数适用于大多数情况，但高级激活函数可能在特定任务或网络结构中表现更好。选择哪种激活函数通常取决于具体任务的需求、数据的特性以及实验的结果。在实践中，可能需要尝试不同的激活函数来找到最适合特定问题的激活函数。

本文介绍了使用mnist数据集和LeakyReLU高级激活函数训练神经网络示例代码，这个示例代码使用全连接层，激活函数在隐藏层使用的是LeakyReLU，输出层使用的是softmax。这个神经网络是比较简单的神经网络，根据训练后的测试情况，其识别精度接近98%。

在机器学习中，激活函数是神经网络中的一种函数，用于在神经网络的每个神经元中引入非线性。没有激活函数，神经网络就无法学习复杂的模式，因为线性变换的组合仍然是线性的。在Keras中，激活函数可以通过设置单独的 Activation 层实现，也可以在构造层对象时通过传递 activation 参数实现。本文介绍了11个激活函数，包括线性函数linear、线性指数激活函数elu、整流线性单元relu、可伸缩指数线性单元SELU、softmax函数、softplus函数、softsign函数、sigmoid函数、ha

本文介绍了机器学习方法的模型、策略和算法三要素的概念，模型就是所要学习的条件概率分布或决策函数，由决策函数表示的模型称为非概率模型，由条件概率表示的模型称为概率模型，模型存在于假设空间中。模型的假设空间有无穷多的模型，机器学习的目标就是要从假设空间中按一定的准则来学习或选择最优模型，这个准则就是学习的策略。策略是连接模型和算法的桥梁，它决定了如何使用算法来训练模型，以达到最佳的学习效果。策略涉及如何构建和训练模型，它包括损失函数的选择、正则化方法、学习速率的设定等，策略决定了模型的训练方式。策略有多种，其中

本文详细介绍了Keras中initializers模块常见模型初始化方法的含义，文章大部分内容来源于官网参考文档：[Keras初始化器的用法](https://keras-zh.readthedocs.io/initializers/) ，部分内容为笔者单独研究进行的补充，有助于深入理解各个初始化器的用法。最后使用keras提供了一个完整的简单模型进行训练的例子。

本文结合详细的案例介绍了似然函数和最大似然估计的概念，并通过典型案例说明了最大似然估计的计算过程，有助于大家理解似然函数和最大似然估计。

本文介绍了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。

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

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！