qq_43583123的博客

原创 Gitee的基本使用

原创 简略的学习了下使用allocator实现自己的低配Vector

allocator中使用四大件：1、construct（对象的创建）2、allocate（空间的申请）3、destroy（对象的销毁）4、deallocate（对象空间的释放）

原创 使用模板实现堆排序（三种方法自定义比较规则：重载比较运算符、命名空间进行扩展&模板的特化、自定义函数对象）

1、重载比较运算符2、命名空间进行扩展，模板的特化3、自定义函数对象。

原创 使用template封装log4cpp实现传入多个参数

【代码】使用template封装log4cpp实现传入多个参数。

原创 Linux下安装第三方库

Linux中安装C++第三方库

原创 log4cpp的使用

lo4cpp的使用

原创 机器学习心得（六）

文章目录前言一、数据集划分二、评价指标前言一、数据集划分训练集（Training Set）：帮助我们训练模型，简单的说就是通过训练集的数据让我们确定拟合曲线的参数。验证集（Validation Set）：也叫做开发集（ Dev Set ），用来做模型选择（model selection），即做模型的最终优化及确定的，用来辅助我们的模型的构建，即训练超参数，可选；测试集（Test Set）： 为了测试已经训练好的模型的精确度。三者划分：训练集、验证集、测试集机器学习：60%，20%，20

原创 机器学习心得（五）

文章目录前言一、贝叶斯方法二、贝叶斯公式三、朴素贝叶斯原理四、朴素贝叶斯案例总结前言朴素贝叶斯一、贝叶斯方法贝叶斯分类：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。先验概率：根据以往经验和分析得到的概率。我们用𝑃(𝑌)来代表在没有训练数据前假设𝑌拥有的初始概率。后验概率： 根据已经发生的事件来分析得到的概率。以𝑃(𝑌|𝑋)代表假设𝑋 成立的情下观察到𝑌数据的概率，因为它反映了在看到训练数据𝑋 后𝑌成立的置信度。联合概率： 联合概率是指在多元的概率分布

原创 浅谈卷积神经网络及实现

文章目录前言一、CNN原理二、卷积神经网络三、Pytorch构建模型总结前言卷积神经网络CNN是深度学习中的基础知识。本文对CNN的基础原理及常见的CNN网络进行了详细解读，并介绍了Pytorch构建深度网络的流程。最后对Pytorch构建CNN模型进行实现。一、CNN原理CNN，又称卷积神经网络，是深度学习中重要的一个分支。CNN在很多领域都表现优异，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。1. 卷积如下图所

原创 机器学习心得（四）

文章目录前言一、分类问题（Classification）二、Sigmoid函数三、逻辑回归求解总结前言逻辑回归一、分类问题（Classification）分类问题是监督学习的主要类型，主要分为二分类和多分类问题。二分类问题：我们先从用蓝色圆形数据定义为类型1，其余数据为类型2；只需要分类1次步骤：①→\rightarrow→②多分类问题：我们先定义其中一类为类型1，其它的数据为负类；然后我们类型1去除，剩下其他，其他部分再次进行二分类，分成类型2和负类；如果有𝑛类，那就需要分类𝑛-

原创 机器学习心得（三）

机器学习

原创 机器学习心得（二）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、梯度下降的概念二、梯度下降的主要三种形式1.批量梯度下降（Batch Gradient Descent,BGD）2.随机梯度下降（Stochastic Gradient Descent）3.小批量梯度下降（Mini-Batch Gradient Descent）4.数据归一化/标准化总结前言一、梯度下降的概念梯度下降顾名思义就是不停的向下推进，比如，我们正在山顶现在需要快速回到山下，那么我们就需要找到一条安全且可.

原创 机器学习心得（一）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、线性回归的概念二、线性回归中常用的符号三、线性回归的算法流程四、线性回归的最小二乘法(LSM)总结前言深度学习的小总结（一）一、线性回归的概念线性回归（Linear Regression）：是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。如下图所示，在一堆看似毫无规则的数据中去找到一条直线来拟合（表示）这些数据的规律。二、.