这里写代码片
# 欢迎使用Markdown编辑器写博客
本Markdown编辑器使用StackEdit修改而来,用它写博客,将会带来全新的体验哦:
- Markdown和扩展Markdown简洁的语法
- 代码块高亮
- 图片链接和图片上传
- LaTex数学公式
- UML序列图和流程图
- 离线写博客
- 导入导出Markdown文件
- 丰富的快捷键
快捷键
- 加粗
Ctrl + B
- 斜体
Ctrl + I
- 引用
Ctrl + Q
- 插入链接
Ctrl + L
- 插入代码
Ctrl + K
- 插入图片
Ctrl + G
- 提升标题
Ctrl + H
- 有序列表
Ctrl + O
- 无序列表
Ctrl + U
- 横线
Ctrl + R
- 撤销
Ctrl + Z
- 重做
Ctrl + Y
Markdown及扩展
Markdown 是一种轻量级标记语言,它允许人们使用易读易写的纯文本格式编写文档,然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]
使用简单的符号标识不同的标题,将某些文字标记为粗体或者斜体,创建一个链接等,详细语法参考帮助?。
本编辑器支持 Markdown Extra , 扩展了很多好用的功能。具体请参考Github.
表格
Markdown Extra 表格语法:
项目 | 价格 |
---|---|
Computer | $1600 |
Phone | $12 |
Pipe | $1 |
可以使用冒号来定义对齐方式:
项目 | 价格 | 数量 |
---|---|---|
Computer | 1600 元 | 5 |
Phone | 12 元 | 12 |
Pipe | 1 元 | 234 |
定义列表
-
Markdown Extra 定义列表语法:
项目1
项目2
- 定义 A
- 定义 B 项目3
- 定义 C
-
定义 D
定义D内容
代码块
代码块语法遵循标准markdown代码,例如:
function accuracy = myAdaboostMulticlass( Dtrain,Dtest,baseLearner,T,tag)
%myAdaboostMulticlass Summary of this function goes here
% input: Dtrain——training dataset
% Dtest——testing dataset(with label)
% baseLearner——base learner(0 represent decision stump, 1 represnet Naive Bayes)
% T——training rounds
% tag—— attribute discrete or continuous(0 represent discrete, 1 represent continuous)
% output:accuracy on the training set
%adaboost这个算法我是照着紫色的数据挖掘书写的,区别是在第4行不会break掉
pT=ones(size(Dtest,1),T); %every colomn is generated by a base learner
p=ones(size(Dtest,1),1); %every sample's final result
alphaT=zeros(T,1)*(-1); %weight of each base learner. Original value is -1.
weight_sample=ones(size(Dtrain,1),1)/size(Dtrain,1); %Originate the sampling weight of each training sample
for t=1:T
%sample from training set with withdrawal
sampleIndex = randsample(size(Dtrain,1),size(Dtrain,1),'true',weight_sample);
DtrainSample=Dtrain(sampleIndex,:); %traing set after sampling for this round
%compute the tth colomn of pT
train_predict=zeros(size(Dtrain,1),1);
if baseLearner==0 %base learner is dicision dump
pT(:,t)=computeDeision(DtrainSample,Dtest(:,1:(end-1)),tag); %remove the last attribute of Dtest
train_predict=computeDeision(DtrainSample,Dtrain(:,1:(end-1)),tag);
elseif baseLearner==1 %base learner is Naive Bayes
pT(:,t)=computeNB(DtrainSample,Dtest(:,1:(end-1)),tag);
train_predict=computeNB(DtrainSample,Dtrain(:,1:(end-1)),tag);
end
train_predict=train_predict(:); %transform to column vector
errorate= sum( weight_sample.* (Dtrain(:,end) ~=train_predict ) );
if errorate> 0.5 %threshold for originating weights of training samples
alphaT(t)=0;
%originate the sampling weight of each training sample
weight_sample=ones(size(Dtrain,1),1)/size(Dtrain,1);
continue;
end
alphaT(t)=0.5*log((1-errorate)/errorate );
%renew weight_sample
weight_sample=weight_sample.* exp(alphaT(t)*( (-2)*( Dtrain(:,end)==train_predict)+1));
weight_sample=weight_sample/sum(weight_sample);
end
%accumulate the result from each base learner. Add up the vote for each label.
for i=1:size(Dtest)
lable_vote=zeros(max(Dtrain(:,end)),1);
for t=1:T
lable_vote( pT(i,t) )=lable_vote(pT(i,t))+alphaT(t);
end
[~,p(i)]=max(lable_vote);
end
accuracy=sum((p==Dtest(:,end)))/size(Dtest,1);
end
脚注
生成一个脚注1.
目录
用 [TOC]
来生成目录:
数学公式
使用MathJax渲染LaTex 数学公式,详见math.stackexchange.com.
- 行内公式,数学公式为: Γ(n)=(n−1)!∀n∈ℕ 。
- 块级公式:
更多LaTex语法请参考 这儿.
UML 图:
可以渲染序列图:
或者流程图:
离线写博客
即使用户在没有网络的情况下,也可以通过本编辑器离线写博客(直接在曾经使用过的浏览器中输入write.blog.csdn.net/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。
用户写博客的过程中,内容实时保存在浏览器缓存中,在用户关闭浏览器或者其它异常情况下,内容不会丢失。用户再次打开浏览器时,会显示上次用户正在编辑的没有发表的内容。
博客发表后,本地缓存将被删除。
用户可以选择 把正在写的博客保存到服务器草稿箱,即使换浏览器或者清除缓存,内容也不会丢失。
注意:虽然浏览器存储大部分时候都比较可靠,但为了您的数据安全,在联网后,请务必及时发表或者保存到服务器草稿箱。
浏览器兼容
- 目前,本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
- IE9以下不支持
- IE9,10,11存在以下问题
- 不支持离线功能
- IE9不支持文件导入导出
- IE10不支持拖拽文件导入
- 这里是 脚注 的 内容. ↩