qq_35437792的博客

原文链接：点击查看 UE4学习总结（5） 相机基础 相机种类控制自由相机定义Input事件配置各个按键的控制效果转换到相机的视角 控制摇臂相机摇臂相机搭载子相机配置各个按键的控制效果 控制滑轨相机滑轨相机搭载子相机控制相机位置控制滑轨相机对

原文链接

代码解决思路：分支限界法常以广度优先或以最小耗费（最大效益）优先的方式搜索问题的解空间树。常见的两种分支限界法：队列式(FIFO)分支限界法按照队列先进先出（FIFO）原则选取下一个结点为扩展结点。优先队列式分支限界法按照优先队列中规定的优先级选取优先级最高的结点成为当前扩展结点。本例题采用广度优先+优先队列式分支限界法进行求解首先为每个结点建立一个邻接表，邻接点按照概率从大到小进行排列，这样可以保证概率大的最先被遍历到，同时也方便后面结合maxPath数组进行快速剪枝。然后进行广度优先

点击下面链接查看方法1（和2结合）方法二

<p>网上很多相关的教程，但并没有写需要注意的事项，<br> 相信很多新手会踩坑，</p> GENERATED_USTRUCT_BODY() 解决方案：添加 #include “类名.generated.h”

当我们使用如下方式创建一个二维列表时：l = [[0]*3]*31 如果尝试给其中一个元素赋值 l[0][1] = 11 会发现整个列表的第二列都被赋值了 这种情况的原因是创建列表时第2，3行其实是第一行的一个浅拷贝，它们的地址是一样的，给任意一个赋值其余的也会被赋值，解决方法是使用如下方法建立二维列表 l = [[0]*3 for i in range(3)]1 赋值结果： l[0][1] = 11 ...

感觉最近好像anaconda navigator很经常出现加载不进去的问题，在这里综合一下博主这几天收集并最终解决的办法：（建议可以直接尝试方法5）1、重装anaconda（普遍的方法，但是不一定能解决问题，我就没解决问题） 2、关闭网络（是由于一些防火墙的原因好像，可以试一下但是我觉得不能联网太麻烦了还是去找其他解决办法） 3、reset Spyder setting（好像并没有什么用） 4、更新navigator（博主这里尝试了好像没用，不过评论里有人成功了大家可以试试看）更新navigator 5、

点击查看原文split_data.py的代码如下，在用到自己的数据集时，可以简单修改代码中的文件夹名称进行数据集的划分import osfrom shutil import copyimport randomdef mkfile(file): if not os.path.exists(file): os.makedirs(file) # 获取 flower_photos 文件夹下除 .txt 文件以外所有文件夹名（即5种花的类名）file_path

首先说下pytorch中的Tensor通道排列顺序是：[batch, channel, height, width] 我们常用的卷积（Conv2d）在pytorch中对应的函数是： torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, ...

python对于1MN的伪三维矩阵变换成二维直接去掉第一维即可如 a是一个1MN的矩阵，直接a=a[0]即可

原文链接：点击查看原文目录　　一维Full卷积　　一维Same卷积　　一维Valid卷积　　三种卷积类型的关系　　具备深度的一维卷积　　具备深度的张量与多个卷积核的卷积　　参考资料一维卷积通常有三种类型：full卷积、same卷积和valid卷积，下面以一个长度为5的一维张量I和长度为3的一维张量K（卷积核）为例，介绍这三种卷积的计算过程  一维Full卷积Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，对应位置的值相乘再

原文链接：点击查看 在卷积神经网络中我们通常需要输入 in_channels 和 out_channels ，即输入通道数和输出通道数，它们代表什么意思呢？本文将给出一个形象的理解。 对于通道的理解可以参考下面的这篇文章： 【CNN】理解卷积神经网络中的通道 channel 这里我稍微总结一下核心观点： 对于最初输入图片样本的

原文地址：点击查看一维卷积不代表卷积核只有一维，也不代表被卷积的feature也是一维。一维的意思是说卷积的方向是一维的。 近日在搞wavenet，期间遇到了一维卷积，在这里对一维卷积以及其pytorch中的API进行总结，方便下次使用 之前对二维卷积是比较熟悉的，在初次接触一维卷积的时候，我以为是一个一维的卷积核在一条线上做卷积

原文地址：点击查看 一维卷积 一维卷积的输入是一个向量和一个卷积核，输出也是一个向量。 通常状况下，输入向量长度远大于卷积核的长度。 输出向量的长度取决于卷积操作的填充方案，等宽卷积的输出向量的和输入的向量长度相等。 卷积核的长度通常是奇数，这是为了对称设计的。 一个例子： 一维卷积示例 注意相乘的顺序是相反的，这是卷积的定义决定的。 输出长度是7，卷积核长度是3，输出的长度是7-3+1 = 5。 也就是说这里的卷积操作若输

卷积神经网络（CNN）是深度学习中常用的网络架构，在智能语音中也不例外，比如语音识别。语音中是按帧来处理的，每一帧处理完就得到了相对应的特征向量，常用的特征向量有MFCC等，通常处理完一帧得到的是一个39维的MFCC特征向量。假设一段语音有N帧，处理完这段语音后得到的是一个39行N列（行表示特征维度，列表示帧数）的矩阵，这个矩阵是一个平面，是CNN的输入。应用在图像问题上的CNN通常是二维卷积（因为图像有RGB三个通道），而语音问题上的CNN输入是一个矩阵平面，可以用一维卷积。本文就讲讲一维卷积是怎么处理.

**Numpy库学习——向量表示在机器学习和深度学习的编程过程中，为了提高程序的运行速度，通常将模型表达式转换为向量表达式（向量化），即利用矩阵运算思想提高运行效率。那么，在Python中究竟如何利用Numpy库定义一个向量，以及如何判断否为向量呢？ （一）Python中向量的特征 通常情况下，Python中向量和数组之间界限比较模糊，很多时候是通用的，但是在有时候数组不一定能够表示向量，比如，利用Numpy中random模块中的randn函数生成的一维数组，既不是行向量，也不是列向量，而是秩

建议直接点击原文链接：https://blog.csdn.net/hao5335156/article/details/81029791 均方损失函数： loss(xi,yi)=(xi−yi)2loss(xi,yi)=(xi−yi)2 这里 loss, x, y 的维度是一样的，可以是向量或者矩阵，i 是下标。 很多的 l

复制过来很乱，直接看原文吧，原文地址：https://www.cnblogs.com/jaysonteng/p/12554161.html1、进入setting，选择解释器-->show All2、点击右边的+号3、选择Existing environment-->点击省略号 4、选择conda环境目录（在annaconda安装目录的envs下面），进入环境文件夹后选择python即可5、选择好后，一路点击ok，直到setting界面，选择好刚载入的环境

anaconda3\Lib\site-packages\anaconda_navigator\api\conda_api.py 行1364 把 data = yaml.load(f) 改为 data = yaml.safeload(f)

原文地址：https://blog.csdn.net/weixin_34910922/article/details/116721774 清华源、中科大源大部分时间能用，但没事也会被封。最近发现的北外源挺好用。推荐使用： 北外镜像（推荐）： conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/free/conda config --add channels https://m