qq_40819197的博客

原创 线程同步的重要原则 常见并发模型

1．首要原则是尽量最低限度地共享对象，减少需要同步的场合。一个对象能不暴露给别的线程就不要暴露；如果要暴露，优先考虑immutable对象；实在不行才暴露可修改的对象，并用同步措施来充分保护它。2．其次是使用高级的并发编程构件，如TaskQueue、Producer-Consumer Queue、CountDownLatch等等。3．最后不得已必须使用底层同步原语（primitives）时，只用非递归的互斥器和条件变量，慎用读写锁，不要用信号量。

原创 向Jupyter中添加conda虚拟环境以及Kernel链接不上问题

jupyter notebook 中添加新kernel 以及 kernel链接失败问题解决方案

原创 view、reshape和resize的一些注意点

对tensor操作时，view、reshape和resize的一些注意点1.view、reshape和resize都可以改变tensor的形状，不会改变原来tensor的形状，且返回的新tensor都会与原来的tensor共享内存。x = torch.ones(3,5)y = x.view(15)print(x)z = x.reshape(-1,15)b = x.resize(1,15)print(b.shape)print(id(y))print(id(x))y += 1print(

原创 python实现禁忌搜索算法

禁忌搜索算法实现订单接收与调度在按订单生产的制造系统中，有限的生产能力与严格的订单交货期要求决策者从若干候选订单中选择接受某些订单并编制生产计划。决策者需在订单收益与拖期惩罚之间进行权衡，以所有接受订单的实际收益之和最大为目标进行优化。提出了一种禁忌搜索算法用于求解考虑发布日期和队列准备时间的单机环境下的订单接受与调度问题。数据文件如下：订单序号惩罚系数Wj库存费用Kt收益Qj交货期DJ处理时间Pj10.1420.00255022820.1320.00

原创 latex常用数学符号

原创 2020 泰迪杯数据 文本挖掘入门

1.数据预处理对于中文文本，在进行NLP，最重要的一步就是对文本进行合理的分词。这一步的好坏对后面模型的精确与否有深刻的影响。我们对留言文本分词采用的工具是jieba。Jieba是python的一个中文分词模块，GitHub上称其为最好的中文分词组件。这里我们注意到对于问政系统的留言中存在着大量的地名以及机构名。仅仅使用jieba分词，很容易将这些比较长的地名以及机构名拆分成一个个词语，这样很容易破坏留言原本的语言，给模型的训练带来困难。因为这些地名与机构名是在留言中往往以高频词出现的。基于上面的问

原创 python 数据预处理时的标准化Standardization，归一化normalization

标准化（Standardization），又叫做mean removal and variance scaling。从名字上可以看出就是移出平均值，将方差化为1。在概率统计中，我们学过

原创 Python实现遗传算法

遗传算法属于一种优化算法。如果你有一个待优化函数，可以考虑次算法。假设你有一个变量x，通过某个函数可以求出对应的y，那么你通过预设的x可求出y_pred，y_pred差距与你需要的y当然越接近越好，这就需要引入适应度（fitness）的概念。假设fitness = 1/(1+ads(y_pred - y)),那么误差越小，适应度越大，即该个体越易于存活。设计该算法的思路如下：（1）初始化种群，即在我需要的区间如[-100,100]内random一堆初始个体[x1,x2,x3...],这些个体

原创 FDTD PDMS光学参数txt文档

FDTD solutions光学仿真中PDMS材料的（n,k）复折射率光学参数（0.2um-23um）：23.2558 1.37 0.03422.9885 1.387 0.02722.7273 1.4 0.02422.4719 1.411 0.0222.2222 1.423 0.01921.978 1.431 0.01921.7391 1.437 0.01921.5054 1.444 0.019...

原创 电影推荐系统

用python实现一个简单的电影推荐系统电影推荐系统进行简单的数据分析user-based KNNBasic 协同过滤算法模型生成调整超参数电影推荐系统常见的电影推荐系统算法有协同过滤和矩阵因子分解。而协同过滤算法有基于item和基于user两种不同的形式。数据来自：here.部分数据展示如下：movies.csv（shape:103293）和ratings.csv（shape:1053394）进行简单的数据分析Most Viewed Movies Visualization：we wil