![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法
柱哥神人
这个作者很懒,什么都没留下…
展开
-
判断是否和牌
算法思路概要描述:如题:对于一副牌判断是否和牌,在此算法中认为 "要有一对做将,其他四个三张一样的或顺子" ,满足此条件的认为是和牌,否则没有和.算法思想就是找出任意一种和牌的可能,若一种都没有判断 false.详细描述:1 编码 牌的编码1 - 36 万37 - 72 筒73 - 108 条109 - 124 风115 -原创 2015-07-16 23:27:42 · 558 阅读 · 0 评论 -
字典树 c++ 实现
字典树又称单词查找树,Trie树,是一种树形结构,是一种哈希树的变种。典型应用是用于统计,排序和保存大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频统计。它的优点是:利用字符串的公共前缀来减少查询时间,最大限度地减少无谓的字符串比较,查询效率比哈希树高(摘自百度百科)好了现在描述我现在要解决的问题:在一个词库里原创 2015-09-13 16:16:04 · 3614 阅读 · 0 评论 -
滴水算法小结
滴水算法概述 滴水算法是一种用于分割手写粘连字符的算法,与以往的直线式地分割不同 ,它模拟水滴的滚动,通过水滴的滚动路径来分割字符,可以解决直线切割造成的过分分割问题。以下将分别叙述:传统滴水算法惯性滴水算法大水滴惯性滴水算法1. 传统滴水算法滴水算法滴落规则 滴落规则如图[1-1]所示 图[1-1]滴水算法滴落规则 水滴周围像素编号如图[1-2]所示 图[1-2]水滴周原创 2016-07-05 00:53:16 · 18648 阅读 · 8 评论 -
赫尔德不等式详细证明
赫尔德不等式详细证明∑k=1n|akbk|⩽(∑k=1n|ak|p)1/p(∑k=1n|bk|q)1/q(1)\sum_{k=1}^{n} {\left | a_{k} b_{k} \right |} \leqslant (\sum_{k=1}^{n} {\left | a_{k} \right |}^p)^{1/p} (\sum_{k=1}^{n} {\left | b_{k} \rig原创 2016-11-03 15:50:09 · 36252 阅读 · 2 评论 -
为什么要深入数学的世界?
在过去的一年中,我一直在数学的海洋中游荡,research(研究)进展不多,对于数学世界的阅历算是有了一些长进。 为什么要深入数学的世界?作为计算机的学生,我没有任何企图要成为一个数学家。我学习数学的目的,是要想爬上巨人的肩膀,希望站在更高的高度,能把我自己研究的东西看得更深广一些。说起来,我在刚来这个学校的时候,并没有预料到我将会有一个深入数学的旅程。我的导师最初希望我去做的题目转载 2016-11-02 02:10:38 · 668 阅读 · 0 评论 -
平面上任意椭圆与点的位置关系
平面上任意椭圆与点的位置关系标签(空格分隔): 未分类问题描述 : 如上图所示,我们的目的是判断在二维空间中任意一椭圆与任意一点pi(xi,yi)p_i(x_i,y_i)pi(xi,yi)的位置关系,这样的位置关系有三种 : 1 点在椭圆上; 2 点在椭圆中; 3 点在椭圆外。解决思路 :从最简单的开始讲起, 在初中时候学到过,对于一个焦点在xxx轴或yyy轴的椭圆来讲有标准方程...原创 2019-05-07 16:09:46 · 9141 阅读 · 1 评论 -
随机梯度下降和梯度下降的简单实现
import numpy as np""" 使用最简单 lms 模型作为用例 ,使用了梯度下降法 和 随机梯度下降法作为拟合 损失函数 : E = \frac{1}{2} \sum_{d \in D}(o_d -t_d)^2 模型 : \vec{w}\vec{x} = 0 , 齐次方程组的解空间是一个线性空间,在几何意义上这个解空间表示一个恒过原点的超平面 梯度下降算法 : 关...原创 2019-08-02 11:12:32 · 211 阅读 · 0 评论 -
反向传播算法推导
反向传播算法推导标签(空格分隔): 机器学习前言 : 从感知机模型开始,一步步推导出前馈神经网络,最后给出前馈神经网络在数据集MNIST上的一个实现.感知机模型约定数据格式如下 : 输入向量 x⃗={1,x1,x2...xn}\vec{x} = \{ 1,x_1,x_2...x_n \}x={1,x1,x2...xn} ,输入向量 y⃗∈Rm\vec{y} \in R^my∈Rm...原创 2019-08-09 15:01:49 · 213 阅读 · 0 评论