- 博客(51)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 Android studio中实现CANVAS（用JAVA绘制各种图形以及渐变动画）
方法一：直接在JAVA类中写图形定义（4个参数均为坐标，指的是以上边界和左边界为原点的坐标，即边界距离）public class DrawView extends View { public DrawView(Context context) { super(context); } @Override protected void onDraw(Canvas canvas) { super.onDraw(canvas); /* * 方法 说明 drawRect 绘制矩形
2022-03-10 15:40:54
2291
原创 用硬币抛掷模型进行置信度区间T-校验的EXCEL TINV和PYTHON的综合模拟
我了解了如上的置信度区间计算方法，其中Xn为样本采样数量的平均值（即mean），A为EXCEL TINV求出的偏离中心值，Sn为方差，n为采样样本总数。我决定用硬币抛掷模型进行EXCEL TINV和PYTHON的综合模拟。首先我在EXCEL上对自由度为10和56765439的情况进行了计算结果分别为：P1=2.22813884% P2=1.959963942% P3=1.962339%利用python进行分别用P1=2.22813884% P2=1.959963942% P3=1.96.
2022-03-07 10:54:36
580
原创 对经济学中规模效应（马太效应）的排队论及运筹学理解，超市为什么总是把收银员柜台排在一起，食堂打饭为什么总是多个阿姨一个窗口，医院为什么永远只有一个门诊咨询台
在学习了排队模型后，我对医院门诊咨询台的排队系统进行了思考：通常咨询台只设置一个有多个护士的咨询台，而不是多个咨询台各一个护士。为了探寻其中的原因，我希望将M / M / S 排队模型(S ≥ 2) 与S 个M / M /1模型比较。不妨设S = 2 时，比较M / M / 2(λ = 5, µ = 4) 与两个M / M /1模型。也就是要比较排一个队列及排两个队列两者服务效果的优劣。解：排一个队列的情况指一个M / M /2 模型。关于此模型的各数量指标可由公式求得，如下表第一行所示。如果每个服务台
2022-03-07 10:30:12
388
原创 基于TensorFlow深度学习框架，运用python搭建LeNet-5卷积神经网络模型和mnist手写数字识别数据集，设计一个手写数字识别软件。
本软件是基于TensorFlow深度学习框架，运用LeNet-5卷积神经网络模型和mnist手写数字识别数据集所设计的手写数字识别软件。具体实现如下：1.读入数据：运用TensorFlow深度学习框架，下载并读入mnist手写数字识别数据集。2.构建模型：用神经元构建神经网络，定义神经网络的权重和偏置项来进行前向计算，并使用Softmax Regression模型来进行Softmax分类，即可得到每一类图像特征所对应数字的概率。3.训练模型：设置训练参数（训练轮次、训练样本量、训练批次、显示力度、学
2022-03-01 15:22:07
3395
原创 基于机器学习中集成学习的stacking方式进行的金线莲质量鉴别研究（python进行数据处理并完成建模，对品种进行预测）
1.前言金线莲为兰科开唇兰属植物，别名金丝兰、金丝线、金耳环、乌人参、金钱草等，是一种名贵中药材，国内主要产地为较低纬度地区如：福建、台湾、广东、广西、浙江、江西、海南、云南、四川、贵州以及西藏南部[1]，被当地人民誉为“药中之王”，福建品种和台湾品种更是其中的上等品种，在治疗肺部炎症、糖尿病、癌症、肾炎、膀胱炎、重症肌无力、风湿性及类风湿性关节炎、高血脂、毒蛇咬伤有着很大的作用[2-3]。由于野生金线莲的自然繁殖率低、生长条件受限制等原因导致数量有限，市面上出售的金线莲大多为人工培育品种。不同品系金线莲
2022-03-01 15:13:57
452
原创 生活中的泊松分布（为什么你等的公交车总不来）Python模拟的结果图直观展示
深圳湾公交车总站，每6分钟发出一辆开往天水围站的公交车．由于随机因素的干扰，汽车到达天水围站时，两车之间的间隔时间成为独立同分布，服从指数分布的随机变量．设乘客甲等可能地到达车站候车，计算（1）他在深圳湾站候车时的平均候车时间；（2）他在天水围站候车时的平均候车时间．解（1）用T表示甲到达深圳湾站的时间．对于任何长度为6分钟的发车间隔（0，6]，已知T∈（0，6]时，T在（0，6]中均匀分布．所以平均候车时间是3分钟．（2）根据题意，公交车按照强度为λ的泊松过程{N（t）}到达天水围站．由于这路公交
2022-02-28 11:09:58
2642
原创 利用泊松过程和泊松分布对香港股票交易所服务器容量大小的估计和分析，python模拟仿真判断它能够抵御多强的DDOS攻击，评估它的安全系数。
在互联网中的电机访问事件通常可以被看作互相独立的泊松过程。而利用泊松过程的特性，结合香港证券交易所发布的数据，我们便可以对其服务器的设计容量进行分析，并因此判断它能够抵御多强的DDOS攻击，评估它的安全系数。首先查得2022年1月份的平均日交易量为2131405次，交易时间为每天6.5小时。因此将一秒钟作为泊松过程的时间间隔，进行访问次数的强度参数估计为：lambda=2131405/6.5/60/60=910.85利用Python进行该泊松过程的画图分析：from scipy import st
2022-02-22 15:47:49
315
原创 对香港天气预报的马尔科夫链性质分析及python模拟
查阅香港天文台的数据后发现，香港的雨量预报包括9天的预报情况，下雨的机率大致分为3个等级：高=0.7/中=0.5/低=0.3。因此，我把 3 状态建立为如下图所示的马尔可夫链进行模拟。然后我在 python 中对这个马尔可夫链进行了 100 次模拟。我发现不管start_matrix是什么，也就是初始状态的矩阵，得到的矩阵都会收敛到一个固定的矩阵。这完全符合马尔可夫链的无记忆特性。所以我认为天气预报确实是由一个马尔可夫链系统组成的。import matplotlib.pyplot as plti
2022-02-22 15:37:07
977
原创 深度学习中提高训练速度的办法，降低显存的技巧（适合没有太多计算资源的入门trick）
1、提高batchsize直到GPU RAM达到满负荷：显卡利用率不足经常有程序跑得非常慢，但是一看占用率才3%，10%，这往往是因为CPU和GPU之间的速度不是很匹配。因为模型的计算基本都是在GPU上的，所以一般问题都出在载入数据的速度太慢了，当载入数据花了很久但模型计算飞快的解决，相对于GPU要等待很久才会工作，这样的占用率自然就不高了。当然也有可能不是数据的问题，而是模型本身就太简单了。batch_size变大。这样可以一次性多载入数据到显存中，可以提高它的占用率，并且可以尽量占满GPU的内存。
2022-02-13 16:52:29
6009
原创 炼丹心得（深度学习的模型训练）对于一些情况及时进行训练参数调整的必要性（学习率LR的调整是首要）归纳一些涨点方法
前言在训练网络的时候，常常会出现loss出现非常明显的剧烈抖动情况，虽然大多数情况可以继续训练下去，但是实际上还是预示着问题存在。而且，有不同维度的问题，这也需要不同的解决方法，但是具体究竟是哪一种，还得具体情况具体分析。无过拟合是否找到合适的loss函数：在深度学习里面，不同的loss针对的任务是有不同的，有些loss函数比较通用例如L1/L2等，而如perceptual loss则比较适合在图像恢复/生成领域的任务上。当loss出现问题的适合，想一想，是不是loss设置的有问题，别人在此领域的任务
2022-02-06 15:45:48
3726
1
原创 大数据时代的采样定理：马尔可夫链蒙特卡洛(MCMC)与其python实现
大数据时代的特点是数据除了数量多、维度也将变多。那么传统的采样定理如果要构造合适的概率分布函数耗时且耗费大量算力。因此引入马尔科夫链的遍历性（Ergodicity）、常返性（recurrency）特点以及蒙特卡洛方法的大量实验逼近真实概率分布的原理实现多维的数据采样。从而构造概率分布函数。假设我们要采样的是一个二维正态分布 N（U,SIGMA），其中： U=（5，-1）， 方差sigma=（1,11,4 ）;而采样过程中的需要的状态转移条件分布为：from mpl_toolkits.mplot
2022-02-06 15:14:13
3230
原创 基于概率论的随机过程，用泊松分布对香港猖獗的电话诈骗进行模拟，python实现并且经过实验验证
考虑到香港猖獗的电话诈骗。我将研究电话诈骗是否满足某个概率分布。于是查了维基百科和香港警队的资料：数据显示，2021年电话诈骗案将有1193宗，平均每天有3.27宗诈骗案。香港748.2万人口约750万。基于手机通常是个人拥有的手机，假设每个案例只有一个人接听并被骗，则每天被骗人数为 3.27 除以 7,500,000 等于 0.000000436。1 除以 0.000000436 约为 2,300,000。因此，每天大约有 2,300,000 个电话是电话诈骗电话。11.png假设诈骗者的电话是泊松流，泊
2022-02-03 14:51:10
1192
原创 用PYTHON规整图片文件夹后图片转为视频，解决图片传视频时候播放顺序不对的问题（opencv2实现）并且实现将视频按照任意帧率转化为图片
python版本3.8
2022-01-30 13:12:34
3885
1
原创 目标检测中的评价指标知识点总结：IOU交叉重叠单元、map/AP/TP/FP/NP的归纳
在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。代码实现import numpy as np# box:[上, 左, 下, 右]box1 = [0,0,8,6]box2 = [2,3,10,9]def IoU(box1, box2):
2022-01-29 15:49:08
3188
原创 对泊松分布和泊松过程已经爱尔朗分布的理解和他们的联系（排队论和运筹学中的重要理论）
泊松分布大家已经很熟悉了，其实它作为2项分布的大数情况在某些情况下是存在偏差的，并不是说泊松分布不正确，而是在离散点采样时我们并不是等概率采集到每个时间点的样本。因此泊松过程产生了：利用前一次采样时间段和这一次时间段的差值作为平均等待时间能够很好地消除BIAS。而多个泊松过程就构成了airlang过程。如下的经典例子：现在让我们随机选择的狂热者去黄石国家公园旅游，那里最受欢迎的景点是老忠实喷泉，它以经常喷发而闻名，大约每90分钟就会发生一次。因此，当我们的朋友们到达时，他们会等待45分钟才会爆发。就在他
2022-01-28 10:19:51
1454
原创 百度paddle和aistudio系列分析（人工智能产业生态发展前景全聚焦）国产人工智能产业的升级，并且与Google对比下未来的展望
###最近在研究深度学习，发现神经网络涉及的领域几乎涵盖了所有能用的到计算机的场景。而百度的部署更是多点发力，导致所有的领域几乎都在开发百度的应用化场景，相比于google和微软，百度的研究性相对弱了一些，但是工业应用做的还是不错的，特别是对英语不太好，又上不了Github的DP爱好者来说，真是福音。下面就介绍百度的应用开发场景都有哪些。1、神经网络以及模型的搭建工具最左边这一类涵盖了数据集构造、数据清洗、模型训练（PGL图神经网络、FLfederal learning联合学习、PALM: PAll
2022-01-25 20:56:38
748
原创 随机过程、遍历性、排队论与电信网络的课本（附带家庭作业）
本书的目的是为学生提供随机模型的基本知识特别关注可能适用于电信主题的排队模型，例如流量建模、性能评估、资源配置和流量管理。这些话题包含在称为远程交通的字段中。本书假设您具备编程知识语言和数学通常在电气工程学士学位课程中教授。本书旨在增强对其理论概念的直观和物理理解介绍。著名数学家皮埃尔-西蒙·拉普拉斯（Pierre-Simon Laplace）被引述说：“概率是常识简化为计算”[18]；因为本书的内容属于该领域关于应用概率，拉普拉斯的名言非常适用。因此，本书旨在链接对它使用的数学模型和
2022-01-21 10:41:51
839
原创 用python画洛伦兹吸引子，蝴蝶效应的混沌演示
import matplotlib as pltfrom mpl_toolkits.mplot3d import Axes3Dimport numpy as npimport matplotlib.pyplot as pltxs, ys, zs = [], [], []def mkPoints():a, b, c = 10.0, 28.0, 8.0 / 3.0h = 0.01x0, y0, z0 = 0.1, 0, 0for i in range(10000):x1 = x0 + h *
2022-01-17 15:23:31
1554
原创 排队论和随机过程（性能优化CPU、服务器调度，软硬件开发者都需要知道的理论）
或许你对概率统计和排队论有点发怵，但这些内容是必须学会的，因为它们很重要。因为它们是性能测试和优化这座高楼大厦的地基。地基打不好，性能测试和优化也不会做得很好。性能优化有关排队论的有随机过程stochastic process、markov ergodicity马尔科夫遍历性、OPTIMAL IDEL优化闲置三大基础定律法则。而且我想强调的是：你完全没有必要惧怕，因为你只需要学习一部分最基础的知识，这些知识对多数人和多数场合大体就够了。还记得上一讲的帕累托法则吗？根据帕累托法则，这一讲的内容或许占不到平时
2022-01-15 13:02:57
1100
原创 使用HPC的一点心得（基于windows的putty）
#修改PIP的下载位置：打开bash文件修改sudo gedit ~/.bashrc#在最后一行添加如下命令：alias pip=/home/horsetif/anaconda3/bin/pipalias pip3=/home/horsetif/anaconda3/bin/pip#更新bash文件source ~/.bashrc配置环境变量vim ~/.bashrci #插入export PATH=/home/yupeng/anaconda3/bin:$PATH:wq #保存退出so
2022-01-14 20:46:40
340
原创 linux系统指令（基于putty的高性能计算机HPC使用）
首先用putty登陆 ：你的EID@burgundy.hpc.cityu.edu.hk.上传本地文件到服务器(新开一个cmd窗口，在本地cmd操作)传输单个文件scp，传输文件夹scp -r (-r： 递归复制整个目录). 上传下载通用scp 本地绝对路径 jichawang2@burgundy.hpc.cityu.edu.hk:/home/jichawang2scp -r 本地文件夹路径 你的EID@burgundy.hpc.cityu.edu.hk.:wanttoputloglinux命令
2022-01-14 18:54:30
1026
原创 python安装cython_bbox for paddle detection gui的debug
1.下载cython_bbox包，安装visual studio build tools 进行编译2.激活anaconda环境，并切换到 *\cocoapi-master\PythonAPI 目录3.进入steup.py 中，把extra_compile_args=[’-Wno-cpp’, ‘-Wno-unused-function’, ‘-std=c99’],修改成extra_compile_args={‘gcc’: [’/Qstd=c99’]},4.打开bulid tool的命令行界面，进入到cy
2022-01-12 14:54:44
732
原创 tensorflow的配置：anaconda的默认python内置版本是3.8已经能够被TensorFlow支持。
网上总是有人说tensorflow只能支持3.6和3.7的python，而anaconda的默认python内置版本是3.8，因此需要配置虚拟环境。这句话一年前是对的，但是现在是错的。因为tensorflow已经更新到了3.8python版本了。...
2022-01-05 13:11:39
1114
原创 计算机网络 通信网络笔记（自顶向下的方法）from top to the botton of MIT
网络利用率大并不是好事：会导致网络很堵，速度变慢。时延变长。第一章计算吞吐量：考虑下图，其中有一个机构网络连接到互联网。假设平均对象大小为900,000位，并且从机构的浏览器到原始服务器的平均请求速率为每秒15个请求。还假设从接入链路互联网上的路由器转发HTTP请求到收到响应所需的时间平均为3秒。对于平均接入延迟(access delay)，即从互联网路由器到机构路由器的延迟，可以建模为,ta是通过访问链路发送对象所需的平均时间(也就是机构网络到原始服务器网络的时间，圈起来的部分)，b是对象到达访问链路
2022-01-01 15:53:12
2196
原创 基于小世界网络的Cov-19扩散问题可视化研究
摘要：近年来，疾病传播问题得到了广泛的研究。一般来说，疾病的传播被认为是从一个人到另一个人的过程。目前，关于传染病在复杂网络上传播的研究很多。事实上，在现实生活中，传染病在人群网络中的传播是极其复杂的。由于社交网络呈现了一定的小世界网络特性，基于对现实中Covid-19传染病传播案例的研究，大部分大规模扩散的案例均是由于社交引起的，因此本文根据以上分析，基于WS小世界网络构建传染病传播模型并进行了可视化的传播分析，发现了病毒在小世界网络中的传播特点，并且以此为依据提出了防止新型冠状病毒疫情再次爆发的一些措施
2022-01-01 15:50:45
1117
2
原创 如何为MP3文件创建url直接可以打开，无需下载
方法第一种：使用 Google 云端硬盘以Create a Download Link for MP3 Step 1为标题的图片1打开 Google 云端硬盘网站。在您的网络浏览器中访问https://drive.google.com。如果您已登录 Google 帐户，这将打开您的云端硬盘主页面。如果您尚未登录 Google 帐户，请单击页面右上角的转到云端硬盘，然后输入您的 Google 电子邮件地址和密码。以Create a Download Link for MP3 Step 2为标题的
2022-01-01 14:51:34
2852
原创 安卓开发中bundle的作用（类似于java中的hashmap用来在类与类之间传递键入的值）
Bundle经常使用在Activity之间或者线程间传递数据，传递的数据可以是boolean、byte、int、long、float、double、string等基本类型或它们对应的数组，也可以是对象或对象数组。当Bundle传递的是对象或对象数组时，必须实现Serializable或Parcelable接口。Bundle提供了各种常用类型的putXxx()/getXxx()方法，用于读写基本类型的数据。（各种方法可以查看API）在activity间传递信息Bundle bundle = new B
2021-12-31 15:48:54
353
原创 XML在安卓移动应用开发中的应用（与java结合在android studio中）
众所周知，安卓开发中XML文件和JAVA文件是一同存在的。我们可以把java理解为创建对象和定义对象的方法，而XML文件则是和使用者的可视化交互（即UI界面）。XML包括了以下的交互功能：动画视频、图片（透明度、大小、位置）、布局、按钮、文字显示、主题、菜单等。一、anim目录anim目录下的xml主要是用于android中的动画，包括Frame animation（逐帧动画）与Tween animation（补间动画 ）。1.逐帧动画逐帧动画是一系列图片按照一定的顺序展示的过程，和放电影的机制很
2021-12-31 12:39:54
2310
原创 常用的windows dos命令
##请注意 REM只能删除空的文件夹常用部分：dir (directory) ：列出当前目录下的文件以及文件夹md (make directory)： 创建目录rd (remove directory)：删除目录cd (change directory)：进入指定目录cd… : 退回到上一级目录 （重要）cd\ : 退回到根目录del：删除文件exit：退出dos命令行cls (clear screen): 清屏有关某个命令的详细信息，请键入 HELP 命令名ASSOC 显示或修
2021-12-30 10:30:58
134
原创 JAVA后端相关知识（主要是针对各部分特性的应用）
###包括多态、重载、抛出等功能的理解与使用重载和重写的区别重载：重载就是同一个类中多个同名方法根据不同的传参来执行不同的逻辑处理。方法名必须相同，参数类型不同、个数不同、顺序不同。返回值类型可以相同也可以不同。（因为返回值类型不是方法签名的一部分）重写：重写是子类对父类的方法的实现过程进行重新编写。方法名，参数列表和返回值类型都不能改变。抛出的异常范围小于等于父类，访问修饰符范围大于等于父类。构造器是否可以被重写，是否可以被重载？答：构造器不能被重写，可以被重载。静态方法不能被重写，可
2021-12-28 21:06:07
230
原创 对intell idea中常用快捷键的总结
必备功能是常用的：Ctrl类快捷键 介绍Ctrl + F 在当前文件进行文本查找 （必备）Ctrl + R 在当前文件进行文本替换 （必备）Ctrl + Z 撤销 （必备）Ctrl + Y 删除光标所在行 或 删除选中的行 （必备）Ctrl + X 剪切光标所在行 或 剪切选择内容Ctrl + C 复制光标所在行 或 复制选择内容Ctrl + D 复制光标所在行 或 复制选择内容，并把复制内容插入光标位置下面 （必备）Ctrl + W 递进式选择代码块。可选中光标所在的单词或段落，连续按
2021-12-28 20:08:23
706
原创 信息安全的密码学基于sagemath的python实现（RES、AES、RSA、ECC、哈希算法以及数字签名）
Mono-alphabetic Cipheralpha="abcdefghijklmnopqrstuvwxyz"def is_alpha_char(c):return (c.lower() in alpha)def get_alpha_index(c):return alpha.index(c.lower())def get_key_index(c,key): return key.index(c.upper())def encrypt_ma(k, plaintext): cip
2021-12-24 15:19:32
2565
原创 用IDEA写的第一个JAVA程序
纪念一下，也给其他想要入门的程序员一个demo。配置好JDK后就可以写程序了。新建一个Project命名为my world然后再创建一个新的子类名叫hi，如果是新版软件会出现在子文件夹main的里面然后写下代码public class hi { public static void main(String[] args) { System.out.println("hallo world!!"); }}点击首行代码左边的红点 运行MAIN函数就可以让计算机
2021-05-19 12:12:50
115
原创 基于stacking集成学习的金线莲质量鉴别方法研究：人工智能与医疗的结合与发展
目前国内外对金线莲的品质鉴定通常依赖于化学分析方法，其中一种是分离成分鉴定法于2008年由曹扬远提出，将金线莲黄酮类成分和甾醇类成分的分离，测定金线莲中三种黄酮醇类物质的含量，可以作为衡量该药材质量的一个指标，以控制金线莲及其制剂的质量[5]。另一种化学分析方法即高效液相色谱法在2017年由邹舒鹏提出：利用金线莲HPLC测定法，主峰在供试品溶液中的保留时间与金线莲苷对照品峰应该相同，制订了金线莲苷HPLC鉴别法。最终采用薄层、高效液相色谱的鉴别[6]。随着我国科技实力不断增强，生产力水平日益提高，除了化学
2021-05-07 10:38:32
333
原创 对SVM分类算法进行可视化呈现：接上文SVM的python实现对分类结果进行可视化呈现，画支持向量机平面的分类图
接上文SVM的python实现，接下来对分类结果进行可视化呈现，画支持向量机平面的分类图：fig = plt.figure()ax = fig.add_subplot(111)cm_dark = mpl.colors.ListedColormap(['g', 'r','b'])ax.scatter(array(dataMat)[:,0],array(dataMat)[:,1],c=array(labelMat).squeeze(),cmap=cm_dark,s=30)x = arange(-2.
2021-05-07 10:31:42
1918
原创 SVM支持向量机方法python实现（非调用sklearn包）：alpha的选取，随机选择一个不等于i值的j
项目场景：alpha的选取，随机选择一个不等于i值的j代码：def selectJrand(i,m): j=i while (j==i): j = int(random.uniform(0,m)) return j </font># 进行剪辑：def clipAlpha(aj,H,L): if aj > H: aj = H if L > aj: aj = L ret
2021-05-07 10:28:41
1070
原创 PCA主成分分析降维方法的原理及其实现，并且通过python编程实现可视化，利用matplotlib进行降维前后对比
PCA 降维的本质是，尽量保证数据在空间中的相对位置不变，通过旋转坐标系，换一个在某些维度能表达更多数据信息的坐标系去刻画数据。PCA降维方法极有成效地降低了实验数据的维度数，对解决信息冗余的问题有着积极作用，并且尝试建立精度最佳的集成学习模型并寻得最优的分类器组合。以下是代码及其输出结果```pythonimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.decomposition import PCA# 原始数据X
2021-05-02 12:19:44
807
原创 对机器学习各个经典算法的总结：KNN、高斯贝叶斯、随机森林、梯度增强、SVM支持向量机、Adaboost、逻辑回归算法
（1）K近邻分类器算法（K Neighbor）: 存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据 与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征与样本集中数据对应的 特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们 只选择样本数据集中前K个最相似的数据，这就是K-近邻算法中K的出处,通常来说K是不大于20的整数。 最后 ，选择K个最相似数据中出现次数最多的分类，作为新数据的分类。（2）高斯朴素贝叶斯分
2021-05-02 11:31:14
1378
原创 关于对python多线程处理数据的理解（以进程为例相对比）
定义：线程是指进程内的一个执行单元,也是进程内的可调度实体.与进程的区别:(1) 地址空间:进程内的一个执行单元;进程至少有一个线程;它们共享进程的地址空间;而进程有自己独立的地址空间;(2) 资源拥有:进程是资源分配和拥有的单位,同一个进程内的线程共享进程的资源(3) 线程是处理器调度的基本单位,但进程不是.(4) 二者均可并发执行.简而言之,一个程序至少有一个进程,一个进程至少有一个线程.线程的划分尺度小于进程，使得多线程程序的并发性高。另外，进程在执行过程中拥有独立的内存单元，而多个
2021-04-24 10:53:47
198
原创 机器学习：人工智能分支中的探索
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器
2021-04-22 11:11:24
1293
机器学习 深度学习 人工智能代码（python）adaboost 和xgboost 还有梯度下降算法的实现
2022-01-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人