- 博客(21)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 数据结构与算法（邓俊辉清华大学2013版书）学习笔记4-向量-接口与实现
首先就是提到两个概念：抽象数据类型，数据结构。我们首先介绍了ADT的规范，并且基于这种规范，给出了向量的接口定义我们也实现了，作为一个数据结构而言，最最基本的构造与析构接口向量ADT：构造与析构向量模板类，直接用他们的接口，实现我们的应用。。。。上面完成了向量这种最基本的结构，作为一种模板类，它的最基本的一些接口。练习题目：...
2018-04-22 10:51:21
506
原创 数据结构与算法-不会的题目汇总-每日更新
若是有小伙伴知道的，请方便留言告诉我一下结果，菜鸟转变记从现在开始！！！上面就是还是不会算时间复杂度，我感觉时间复杂度就是CPU执行的次数。...
2018-04-21 16:49:18
265
原创 数据结构与算法（邓俊辉清华大学2013版书）学习笔记3-绪论-动态规划
什么叫做动态规划？ 动态规划是一种通过“大而化小”的思路解决问题的算法。区别于一些固定形式的算法，如二分法，宽度优先搜索法，动态规划没有实际的步骤来规定第一步做什么第二步做什么。所以更加确切的说，动态规划是一种解决问题的思想。这种思想的本质是，一个规模比较大的问题（假如用2-3个参数可以表示），是通过规模比较小的若干问题的结果来得到的（通过取最大，取最小，或者加起来之类的...
2018-04-21 16:27:43
627
原创 算法工程师的一道面试题目
今天师兄去面试了一家公司（从腾讯工作出来创业），面试的是算法工程师，要他做一道题目，写出算法步骤，然后求出复杂度，然后优化。题目：大概是，从100w的字符串中如何快速的找到兄弟字符串。师兄的思路是：1.先算出各字符串的数字和，然后进行从小到大的排序 2.然后求出这个兄弟字符串师兄666，思考了10多分钟，写出了算法，算了时间复杂度，优化，师兄说不会。(...
2018-04-20 22:29:03
1567
原创 数据结构与算法（邓俊辉清华大学2013版书）学习笔记2
一、简而治之。。。。。递归最简单的示例：线性递归。对于线性递归的时间复杂度，A、B两位同学有不同的看法。 A同学赞同视频中的算法，由于单个递归实例需要O（1）时间完成，共有n个实例，所以整个算法的复杂度是O（n）。 但B同学认为，当sum（A,n）函数中调用sum(A,n-1)时，sum(A,n)仍在执行，因此sum（A,n）的完成时间不是O(1)而是O（n），依此计算，整个算法的复杂度应该为...
2018-04-20 10:11:10
2622
原创 #define DEBUG
#define DEBUG，定义没有值的DEBUG主要是用于控制调试程序的运行。当定义了DEBUG时"#ifdef DEBUG" 则执行某些调试用的代码，若把"#define DEBUG"删除了后，"#ifdef DEBUG" 就可以使程序不执行某些代码。把DEBUG替换成空字符串，只是表示有DEBUG这个东西，使#if defined DEBUG 可以编译其它编译器不清楚，VC下会经常出现，在...
2018-04-19 18:57:53
9227
1
原创 数据结构与算法（邓俊辉清华大学2013版书）学习笔记1
今天立一个flag： 6小时/周，学习时段：上午8：30-9:30.若不执行，不准buybuy，玩玩。其他都没有记住，就三张图很深刻：关于在大o记号后定量描述算法，封底估算其一是：埃拉托色尼估算赤道周长：50*787km=393...
2018-04-19 15:31:18
4590
3
原创 Linux的基本了解
一、Linux 基本指令 ls 和 cdLinux 的深度玩家, 基本上都是用 Terminal 和指令 (command) 来超控电脑的.有些时候甚至你的电脑没有屏幕, 也只能用指令来超控. 比如服务器, 树莓派(raspberry pi).如果你只是为了想 “轻度使用” Linux, 前面的教程就已经够了, 不过如果你想要 “重度使用”, 哈哈, 就接着看吧.其实计算机指令大部分都是和文件打交...
2018-04-15 23:26:34
871
原创 梯度下降（Gradient Descent）小结
在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。1. 梯度 在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x,∂f/∂y)T,...
2018-04-13 19:34:58
129
原创 在cmd下运行python脚本
1.打开cmd 2.cd /d E:\ (脚本所在的盘）3.cd 脚步路径4.python xx.py必须按照上面的三步来，否则出错想用加入环境变量的方法，但是不行。。。。。用他的第二种方法失败了。https://blog.csdn.net/field_yang/article/details/50905587...
2018-04-13 00:00:40
2595
原创 pip install jupyter 常见出错的解决方案
Exception:Traceback(mostrecentcalllast):File"/usr/lib/python3/dist-packages/pkg_resources.py",line2482,in_dep_mapreturnself.__dep_mapFile"/usr/lib/python3/dist-packages/pkg_resource...
2018-04-11 23:17:15
17375
4
原创 机器学习速成课程笔记10：使用TF的基本步骤
快速翻阅，快速学习TensorFlow 是一个用于人工智能的开源神器TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设...
2018-04-01 22:46:55
544
原创 机器学习速成课程笔记9：降低损失 (Reducing Loss）-Playground 练习
快速翻阅，快速学习学习速率和收敛 这是一系列 Playground 练习中的第一个练习。Playground （链接为：http://playground.tensorflow.org/#activation=tanh&batchSize=10&dataset=circle&regDataset=reg-plane&learningRate=0.03&...
2018-04-01 22:30:14
367
原创 机器学习速成课程笔记8：降低损失 (Reducing Loss）-随机梯度下降法
快速翻阅，快速学习 1.在梯度下降法中，批量指的是用于在单次迭代中计算梯度的样本总数。到目前为止，我们一直假定批量是指整个数据集。就 Google 的规模而言，数据集通常包含数十亿甚至数千亿个样本。此外，Google 数据集通常包含海量特征。因此，一个批量可能相当巨大。如果是超大批量，则单次迭代就可能要花费很长时间进行计算。 2.包含随机抽样样本的大型数据集可能包含冗余数据。实际...
2018-04-01 20:02:59
278
原创 机器学习速成课程笔记7：降低损失 (Reducing Loss）-优化学习速率
快速翻阅，快速学习尝试不同的学习速率，看看不同的学习速率对到达损失曲线最低点所需的步数有何影响。请尝试进行图表下方的练习。练习 1 在滑块上设置 0.1 的学习速率。不断按下“STEP”（步）按钮，直到梯度下降法算法到达损失曲线的最低点。一共走了多少步？梯度下降法到达曲线的最低点需要 81 步。练习 2 您可以使用更高的学习速率更快地到达最低点吗？将学习速率设为 1，然后不断按“STEP”（步...
2018-04-01 19:44:22
598
原创 机器学习速成课程笔记6：降低损失 (Reducing Loss）-学习速率
快速翻阅，快速学习正如之前所述，梯度矢量具有方向和大小。梯度下降法算法用梯度乘以一个称为学习速率（有时也称为步长）的标量，以确定下一个点的位置。例如，如果梯度大小为 2.5，学习速率为 0.01，则梯度下降法算法会选择距离前一个点 0.025 的位置作为下一个点。超参数是编程人员在机器学习算法中用于调整的旋钮。大多数机器学习编程人员会花费相当多的时间来调整学习速率。如果您选择的学习速率过小，就会花...
2018-04-01 19:32:21
560
原创 机器学习速成课程笔记5：降低损失 (Reducing Loss）-梯度下降法
快速翻阅，快速学习迭代方法图1（https://blog.csdn.net/qq_37791134/article/details/79779016）包含一个标题为“计算参数更新”的华而不实的绿框。现在，我们将用更实质的方法代替这种华而不实的算法。假设我们有时间和计算资源来计算 w1的所有可能值的损失。对于我们一直在研究的回归问题，所产生的损失与 w1的图形始终是凸形。换言之，图形始终是碗状图，如...
2018-04-01 17:46:39
585
原创 机器学习速成课程笔记4：降低损失 (Reducing Loss)
快速翻阅，快速学习上一个笔记中介绍了损失的概念。在本单元中，您将了解机器学习模型如何以迭代方式降低损失。为了训练模型，我们需要一种可降低模型损失的好方法。迭代方法是一种广泛用于降低损失的方法，而且使用起来简单有效。学习目标 了解如何使用迭代方法来训练模型。全面了解梯度下降法和一些变体，包括：小批量梯度下降法、随机梯度下降法尝试不同的学习速率。如何降低损失？...
2018-04-01 17:00:38
997
原创 机器学习速成课程笔记3：深入了解机器学习 (Descending into ML)-训练与损失
快速翻阅，快速学习简单来说，训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值。在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化。损失是对糟糕预测的惩罚。也就是说，损失是一个数值，表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确，则损失为零，否则损失会较大。训练模型的目标是从所有样本中找到一组平...
2018-04-01 16:07:10
394
原创 机器学习速成课程笔记2：深入了解机器学习 (Descending into ML)-线性回归
快速翻阅，快速学习 人们早就知晓，相比凉爽的天气，蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来，专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录。Ruth 阿姨将她喜爱的蟋蟀数据库作为生日礼物送给您，并邀请您自己利用该数据库训练一个模型，从而预测鸣叫声与温度的关系。首先建议您将数据绘制成图表，了解下数据的分布情况：图 1. 每分钟的鸣叫声与温度（摄氏度）的关系。毫无...
2018-04-01 15:46:24
187
原创 机器学习速成课程笔记1：机器学习术语
快速翻阅，快速学习什么是（监督式）机器学习？简单来说，它的定义如下： 机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。 下面我们来了解一下机器学习的基本术语。标签标签是我们要预测的事物，即简单线性回归中的 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。特征特征是输入变量，即简单线性回归中的 x 变量。简单的机器学习项目可能会使用单...
2018-04-01 15:36:44
278
orl_faces.zip
2020-07-01
transfer-learning code.zip
2020-04-21
kinectV2.0深度图像与彩色图像的坐标映射
2018-06-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人