原创 深度学习_数学基础_NP相关问题

P类问题、NP类问题、NPC问题、NP难问题P类问题：能在多项式时间内可解的问题。NP类问题：在多项式时间内“可验证”的问题。也就是说，不能判定这个问题到底有没有解，而是猜测出一个解来在多项式时间内证明这个解是否正确。即该问题的猜测过程是不确定的，而对其某一个解的验证则能够在多项式时间内完成。P类问题属于NP类问题，但NP类问题不一定属于P类问题。NPC问题：存在这样一个NP问题，所有的N...

转载 机器学习_经典模型_SVM（支持向量机）

SVM简介SVM（Support Vector Machine）即支持向量机，它是一类算法，可以用来做分类器（Classifier），也可以用来做回归（Regression）。SVM一直被认为是效果最好的现成可用的的分类算法之一。学术界里有很多超前沿的模型或者很复杂的算法，在工业界中遇到实际问题使用的效果并不好，不鲁棒，可能只是有趣的“玩具”。而SVM不仅在工业界有广泛的应用，在学术界也有持续...

原创 深度学习_GAN_CycleGAN

非匹配数据的图像转换Pix2Pix可以很好地处理匹配数据集的图像转换，但是在很多情况下匹配数据集是没有的或者说非常难收集到。在实际生活中，我们却可以很容易的拿到两个领域的大量非匹配数据。下图展示了匹配数据和非匹配数据的区别：CycleGAN就是解决非匹配数据集的图像转换的一种非常好用的网络。对于照片风格的转换，传统CNN网络是通过将某个画作中的风格叠加到原始图片上，如下图所示：上面的方...

原创 深度学习框架_PyTorch_torchvision.transforms.functional.pad()函数

torchvision.transforms.functional.pad(img, padding, fill=0, padding_mode='constant')这个函数用于用指定的填充模式和填充值填充PIL图像。参数：img（PIL图像）-- 要填充的图像。padding（int或tuple）-- 各边的填充值。如果指定为int，表示所有边都按照这个值进行填充。如果指定为长为2...

原创 Python_random中常见函数整理

在学习过程中对random的各个函数有点混淆，所以就总结了一篇博客，希望也能给大家带来收获。以下，enjoy：random.randint(a,b)：产生一个一定范围内的整数型随机数。>>> import random>>> print(random.randint(20,40))34random.random()：产生0到1之间的随机浮点数。&g...

原创 工程实践_windows10下安装ubuntu16.04双系统教程

一.电脑类型首先我们需要先搞清楚我们的电脑类型：MBR传统bios + 单硬盘MBR传统bios + 双硬盘（SSD固态硬盘 + 机械硬盘）UEFI新式bios + 单硬盘UEFI新式bios + 双硬盘（SSD固态硬盘 + 机械硬盘）以上任意一种情况 + 电脑有特殊独立显卡（这种情况一般不考虑，只有少数电脑会遇到在Linux系统下没有显卡的驱动导致Linux装的过程中或装好后重启过...

原创 Python_ __getitem__()方法

如果在类中定义了__getitem__()方法，那么他的实例对象（假设为x）就可以有P[key]这种形式的取值。当实例对象做P[key]运算时，就会调用类中的__getitem__()方法中的内容。接下来我们举一个例子：class Examle: def __init__(self,first,second): self.first = first self.second = sec...

原创 深度学习框架_PyTorch_os.listdir()函数

os.listdir()函数用于返回指定的文件夹包含的文件或文件夹的名字的列表。语法：os.listdir(path)参数：path – 需要列出的目录路径。返回值：返回指定路径下的文件和文件夹列表。...

原创 深度学习_PyTorch_os.ptach.join()函数

os.path.join()函数的作用是把目录和文件名合成一个路径。语法：os.path.join(path1[,path2[,path3[,…[,ptahN]]]])。注意：会从第一个以‘/’开头的参数开始拼接，之前的参数会全部舍弃。在上一种情况下，如出现‘./’开头的参数，会从‘./’开头的参数的上一个参数开始拼接。print(os.path.join('root','example'...

原创 深度学习_GAN_Pix2Pix

匹配数据的图像转换Pix2Pix在图像到图像的转换这个领域中有很好的应用，它能够面向所有匹配图像数据集的训练和生成。匹配数据集是指在训练集中两个互相转换的领域之间有很明确的一一对应数据。比如下面的三个例子：在工程实践中研究者需要自己收集这些匹配数据，但有时同时采集两个不同领域的匹配数据是非常麻烦的，通常采用的方案是从更完整的数据中还原简单数据。有了匹配数据集的存在，深度学习领域的研究...

原创 深度学习_GAN_SRGAN论文详解及优化

一.超分辨率的定义超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可以分为两类：从多张低分辨率图像重建出高分辨率图像。从单张低分辨率图像重建出高分辨率图像。深度学习中主要是基于单张低分辨率的重建方法（Single Image Super-Resolution，SISR）。...

原创 算法题_二叉搜索树与双向链表

题目：输入一颗二叉搜索树，将该二叉搜索树转换成一个排序的双向链表。要求不能创建任何新的节点，只能调整树中节点指针的指向。思路：在二叉树中，每个节点都有指向左右两个子节点的指针。并且二叉搜索树是排序的二叉树，它的左子节点小于跟节点，跟节点小于右子节点，所以可以用中序遍历的方法遍历二叉树的每个节点。先排序左子节点，在连接根节点，在排序右子节点，这显然可以用递归的方法来做。接下来我们用C++进行编程...

原创 深度学习框架_PyTorch_torch.squeeze()函数和torch.unsqueeze()函数的用法

torch.squeeze()函数的用法主要是对数据的维度进行压缩，去掉维数为1的维度。torch.squeeze(x)是去掉x中所有维数为1的维度；x.squeeze(n)是去掉x中指定的维数为1的维度。接下来我们在具体代码中了解：>>> ctensor([[[1., 1., 1.], [1., 1., 1.], [1., 1., 1...

原创 深度学习框架_PyTorch_torch.stack()函数和torch.cat()函数

torch.stcak()函数对多个张量在维度上进行叠加。其中参数dim代表不同的维度。具体如下代码所示：>>> a = torch.ones(3,3)>>> atensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])>>> b = torch.ones(3...

原创 算法题_礼物的最大价值(滚动数组思想)

题目：在一个m * n的棋盘的每一格都放有一个礼物，每个礼物都有一定的价值（价值大于0）。你可以从棋盘的左上角开始拿格子里的礼物，并每次向右或者向下移动一格，直到到达棋盘的右下角。给定一个棋盘以及上面的礼物，请计算最多能拿到多少价值的礼物？思路：这是一个典型的动态规划题目。我们定义函数f(i,j)表示到达坐标(i,j)的格子时能拿到的礼物总和的最大值。我们可以通过格子(i-1,j)和(i,j-1...

原创 工程实践_MAC上删除UPEdit

打开系统偏好设置–用户与群组–登陆项–删除UPEdit。打开活动监视器–找到UPEdit进程–关掉。点击访达–找到UPEdit–删除到废纸篓。完毕！！！

原创 C/C++_to_string()函数

函数原型：string to_string (int val);string to_string (long val);string to_string (long long val);string to_string (unsigned val);string to_string (unsigned long val);string to_string (unsigned long ...

原创 算法题_把数字翻译成字符串

题目：给定一个数字，我们按照如下规则把它翻译为字符串：0翻译成“a”，1翻译成“b”，11翻译成“1”，25翻译成“z”。一个数子可能有多个翻译。例如，12258有5种不同的翻译，分别是“bccfi”、“bwfi”、“bczi”、“mcfi”、“mzi”。请编程实现一个函数，用来计算数字有多少种不同的翻译方法。思路：我们以12258为例分析如何从数字的第一位开始一步步计算不同翻译方法的数目。我们...

原创 深度学习框架_PyTorch_torch.view()函数

用法：torch.view()返回的数据和传入的tensor一样，只是形状不一样。注意：返回的tensor和传入的tensor共享内存，也就是修改其中一个，数据都会变。接下来我们举一个例子：>>> a = torch.ones(6,3)>>> atensor([[1., 1., 1.], [1., 1., 1.], [1...

原创 深度学习框架_PyTorch_torch.size()函数

作用：查看Tensor的维度。具体例子如下：>>> import torch>>> a = torch.Tensor([[[1,1],[2,2]],[[3,3],[4,4]]])>>> a.size()torch.Size([2, 2, 2])

原创 Python_math.log()函数

math.log()函数不能直接访问，需要导入math模块。log(x，base)参数：x - 数值表达式base - 可选，底数，默认为e。接下来我们看一个例子：>>> import math>>> a = math.log(10,100)>>> a0.5>>> a = math.log(100,100...

原创 每日一句_《临江仙·夜登小阁忆洛中旧游》

原创 C/C++_qsort()函数

qsort()函数的原型为：void qsort(void *base, size_t nitems, size_t size, int (*compar)(const void , const void))对数组进行排序参数：base - 指向要排序的数组的第一个元素的指针。nitems - 由base指向的数组中元素的个数。size - 数组中每个元素的大小，以字节为单位。co...

原创 C/C++_sprintf()函数

sprintf()函数的原型为：int sprintf(char *str, char * format [, argument, …]);[参数]：str为要写入的字符串；format为格式化字符串，与printf()函数相同；argument为变量。除了前两个参数类型固定外，后面可以接任意多个参数。而它的精华，显然就在第二个参数–格式化字符串–上。 printf()和sprintf()都...

原创 算法题_把数组排成最小的数

题目：输入一个正整数数组，把数组里所有数字拼接起来排成一个数，打印能拼接出的所有数字中最小的一个。例如，输入数组{3,32,321}，则打印出这3个数字能排成的最小数字321323。思路：两个数字m和n能拼接成数字mn和nm。如果mn<nm，那么我们应该打印出mn，则我们定义n小于m；如果mn=nm，则m等于n。那么我们怎么去拼接数字呢，直接用数值去计算不难办到，但是需要考虑大数问题：m和...

原创 Python_argparse.Argumentparser()

argparse模块简介官方文档argparse是一个Python模块：命令行选项、参数和子命令解析器。argparse模块可以让人轻松编写用户友好的命令行接口。程序定义它需要的参数，然后argparse将弄清楚如何从sys.argv解析出那些参数。argparse模块还会自动生成帮助和使用手册，并在用户给程序传入无效参数时报出错误信息。argparse使用流程1. 创建解析器pars...

原创 机器学习_经验风险和结构风险

在假设空间、损失函数以及训练集确定的情况下，经验风险函数就可以确定。假设给定一个数据集：模型f(x)关于训练数据集的平均损失成为经验风险或者经验损失：经验风险最小化（empirical risk minimization，ERM）的策略认为，经验风险最小的模型是最优的模型。按照经验风险最小化求最优模型就是求解最优化问题：当样本容量足够大时，经验风险最小化能保证很好的学习效果，在现实中...

原创 机器学习_权重初始化

权重初始化一.全都初始化为0或同样的值​权重初始化陷阱： 都初始化为一样的值或0。产生陷阱原因：因为并不知道在训练神经网络中每一个权重最后的值，但是如果进行了恰当的数据归一化后，我们可以有理由认为有一半的权重是正的，另一半是负的。令所有权重都初始化为相同值或者0，如果神经网络计算出来的输出值是一样的，神经网络在进行反向传播算法计算出来的梯度值也一样，并且参数更新值也一样。更一般地说，如果权重...

原创 深度学习框架_PyTorch_AdaptiveMaxPool2d函数

函数原型为：torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False)对于输入信息，提供2维的自适应最大池化操作。对于任何输入大小的输入，可以将输入尺寸指定为H * W，但是输入和输出特征的数目不会变化。参数：output_size：输出信息的尺寸，可以用（H，W）表示 H * W的输出，也可以用数字H表示H * H大小的输出...

原创 算法面试_数字序列中某一位的数字

题目：数字以0123456789101112131415…的格式序列化到一个字符序列中。在这个序列中，第5位（从0开始计数）是5，第13位是1，第19位是4，等等。请写一个函数求任意位对应的数字。接下来我们用C++进行编程：int digitAtIndex(int index){ if(index < 0) return -1; int digits = 1; while(...

原创 算法面试_1-n整数中1出现的次数

题目：输入一个整数n，求1-n这n个整数的十进制表示中1出现的次数。例如，输入12，1-12这些整数中包含1的数字有1、10、11和12，一共出现了5次。接下来我们用C++进行编程：int NumberOf1Between1AndN(int n){ if(n <= 0) return 0; char strN[50]}...

原创 算法面试_丑数的相关问题

题目：我们把只包含因子2、3和5的数称为丑数（Ugly Number）。求按从小到大的顺序的第1400个丑数。我们把1当作第一个丑数。思路：我们可以创建一个数组，里面的数字是排好序的丑数，每个丑数都是前面的丑数乘以2、3活着5得到的。这种思路的关键在于怎么样确保数组里面的丑数是排好序的。我们把几个特定的丑数分别乘以2、3和5，再从中找到最小的数便是下一个丑数。对于乘以2而言，肯定存在某一个丑数T...

原创 算法面试_两个链表的第一个公共节点

题目：输入两个单向链表，找出它们的第一个公共节点。思路：因为是两个单向链表，所以如果这样的两个链表有公共节点，那么这两个链表从某一节点开始，它们的指针都指向同一个节点。因为单向链表只有一个指针，因此从第一个公共节点开始，之后它们所有的节点都是重合的，不可能再出现分叉。我们可以首先遍历两个链表得到它们的长度，就能知道哪一个链表比较长，以及长的链表比短的链表多几个节点。在第二次遍历的时候，在较长的...

原创 深度学习_硬件知识_共阳极数码管与共阴极数码管

共阳极数码管是指八段数码管的八段发光二极管的阳极（正极）都连在一起，而阴极对应的各段可分别控制，如下图（B）中所示。共阴极数码管是指八段数码管的八段发光二极管的阴极（负极）都连在一起，而阳极对应的各段分别控制，如图（C）所示。共阴极数码管输入高电平有效，共阳极数码管输入低电平有效。...