来知晓的博客

正则表达式是一种用来匹配字符串的强有力的武器，利用字符来匹配字符的思想，基于显示规则进行模式匹配，可以高效组合成不同样式的字符串，迅速处理字符串。

这期分享Python动图制作，可视化绘制动态图，主要用于分析数据的动态变化规律，非常好使，开干。

许多新晋研究生在迈入新的领域时，都要阅读大量相关领域论文，但在信息爆炸时代，如何读论文才能高效吸收呢？本文根据Reddit热议问题，对相关回答进行了整理，希望可以有所帮助。

本次作业任务是根据excel中的数据：身高、收入和喜欢程度，设计一个线性回归算法以进行预测（输入身高和收入，输出是否喜欢），并初步熟悉神经网络的基本流程。

兄弟们，Python啥也不会，如何画出一张最基本的图？相较其他文章，本文特色是体系化，搞清楚画图的来龙去脉，一文掌握画图的核心三板斧及高频操作。

CPU，Centeral Processing Unit（中央处理器）GPU，Graphics Processing Unit（图形处理器）VPU，Video Processing Unit（视频处理单元）NPU，Neural-netwok Processing Unit（神经网络处理器）TPU，Tensor Processing Unit（张量处理器）

语音处理：音频入门之基础概念总结基本概念过采样：超过音频本身实际带宽的采样率，如音频带宽12kHz，用96kHz采样属于过采样，用24kHz采样则较为合理。上采样，也属于过采样。常见采样率：16/32/48/44.1/48/88.2/96kHz。上采样：从较低采样率上升至高采样率，如16kHz采样提高至48kHz采样，本质采用的是插值方法。下采样：从较高采样率下降至低采样率，如48kHz采样下降至16kHz采样，本质采用的是抽样方法。上混：多个单声道混成多声道，类似于声轨处理。下混：

- 描述：精简的原子函数，外部整型/浮点数组均可调用。- 功能：计算数据中的最值、平均值便于统计分析。- 输入：数组元素，最值和均值指针地址- 输出：最值和均值

在项目中，许多时候需要将十进制（`DEC`）的浮点、整型数据，批量转换为十六进制（`HEX`）的数据。这里，提供下C语言的实现版本，有兴趣者，用Python实现可能会更方便些。

文件读写中，最常用到的是txt文本文件读写功能，有C语言基础后，上手Python的文件读写就容易许多了。

小规模代码中，可以利用二分法快速定位，不断切分代码模块，打印或查看关键变量是否符合预期，从而找到出现问题的代码，确定具体哪行报错。

前文单独浅析过算术编码霍夫曼编码的功能及实现，均属于熵编码，常用于无损压缩场合。本文将两者结合在一起，从专利角度、易用性、使用广度、压缩效率等角度进行对比分析，以加深对两种经典压缩算法的认识。

粉噪、白噪，全称为粉红噪声、白色噪声，是声学测试里常用到的概念，生活中电台搜不到信号时听到的就是白噪，瀑布水声就是一种粉噪。

由于部分项目有平台兼容性要求，为了使代码可移植，C代码中可能会利用宏命名，来控制类型定义。如何将当前代码数据类型，批量替换为重定义后通用类型，成了我们要解决的问题。于是编写了以下Python脚本。

THU青年AI自强计划，此门课程号称文科生也能看懂的零基础AI入门课程，是我看到过的，目前市面上唯一，既通俗易懂快速入门，且又不失内容水准的一门课程

本文无需了解任何AI先验知识（当然有更好），快速入门AI基本脉络，手把手教你一步步搭建神经网络，并解决一个分类手写数字的实际问题。

霍夫曼编码，属于熵编码的范畴，常用于各种信息压缩场合，如图像、视频、音频压缩领域。常与之对比的是算术编码，基本思想是一致的。霍夫曼本质是算术编码的一种特例。

算术编码，属于熵编码的范畴，常用于各种信息压缩场合，如图像、视频、音频压缩领域。基本原理：出现频率高的信息，分配少的比特，频率低的信息则分配多的比特。步骤过程简单来讲：将一串信息压缩到`[0, 1]`区间的一个浮点值。

音频信号中，许多特征变换如短时傅里叶变换，都要求一个前提：语音信号短时平稳性。那么语音信号短时稳定性这样一个假设，该如何直观理解呢？

这是最好的时代，也是最坏的时代。我们拥有海量高价值信息，却无法为我们所用。我们永远的被锁在了那些快餐信息中，似乎与束之高阁的智慧遥遥隔着一层幕布。