Multiangle's Notepad

冒泡排序索引 清华数据结构公开课 02E-1基本介绍冒泡排序可以算是最简单的排序算法。假设有N个数，那么所谓冒泡排序，就是指将数组从第0个元素开始，依次将第n个元素与第n+1个元素比较，如果data[n]>data[n+1] 表示顺序不对（正序排序），需要将data[n]与data[n+1]交换。以此类推，最后循环结束时data[N-1]中的值肯定为这N个数中的最大值。然后再遍历前N-1个数，找出

这个系列主要记录我在学习各个深度学习算法时候的笔记，因为之前已经学过大概的概念，所以这轮学习比较着重于公式推导和具体实现，而对概念上的描述不多，因此比较适合对此有一定基础的同学。 在正式开始写深度学习的知识之前，会有两节传统神经网络的内容，因为深度学习中大量运用了以往神经网络的知识。搞懂传统的神经网络如何工作是很有必要的，有助于对之后的学习打下坚实的基础。1. logistic分类几乎所有的教材都是

在之前的深度学习笔记(一):logistic分类 中，已经描述了普通logistic回归以及如何将logistic回归用于多类分类。在这一节，我们再进一步，往其中加入隐藏层，构建出最简单的神经网络2.简单神经网络及后向传播算法2.1 大概描述和公式表达神经网络的大概结构如图所示， 从左往右，分别是输入层，隐藏层，输出层，分别记为x\mathbf x,h\mathbf h, y\mathb

这一部分来探讨下激活函数和损失函数。在之前的logistic和神经网络中，激活函数是sigmoid, 损失函数是平方函数。但是这并不是固定的。事实上，这两部分都有很多其他不错的选项，下面来一一讨论3. 激活函数和损失函数3.1 激活函数关于激活函数，首先要搞清楚的问题是，激活函数是什么，有什么用？不用激活函数可不可以？答案是不可以。激活函数的主要作用是提供网络的非线性建模能力。如果没有激活函数，那么

深度学习笔记(一)：logistic分类 深度学习笔记(二)：简单神经网络，后向传播算法及实现 深度学习笔记(三)：激活函数和损失函数 深度学习笔记(四)：循环神经网络的概念，结构和代码注释本文的概念和结构部分摘自循环神经网络惊人的有效性（上），代码部分来自minimal character-level RNN language model in Python/numpy 我对代码做了详细的注

之前使用爬虫获取到了微博上粉丝数大于2000的用户，大概在10W左右，并获取了他们的关注用户列表。现在，需要利用这些节点和节点间的关系网来进行社区探测(community detection)，以进行进一步分析。不过在此之前，需要攫取一些小样本进行简单的可视化。使用networkx(python)导出gexf格式文件这边使用gephi来进行分析。而使用gephi需要有gexf或者gephi格式的数

本文转自http://blog.csdn.net/itplus/article/details/9286905社区发现（Community Detection）算法用来发现网络中的社区结构，也可以视为一种广义的聚类算法。以下是我的一个 PPT 报告，分享给大家。 从上述定义可以看出：社区是一个比较含糊的概念，只给出了一个定性的刻画。 另外需要注意的是，社区是一个子图，包含顶点和边

最近在刷leetcode,碰到这样一道题这题并不难，如果用递归的话半分钟就能搞定。不过感觉递归效率比较低，因为递归可以用栈来实现，于是琢磨能不能用栈来搞定。 这是用递归的解法:// 递归算法 public TreeNode invertTree(TreeNode root) { if (root==null) return null ; TreeNode t

本文转自： http://blog.csdn.net/cywosp/article/details/23397179   一致性哈希算法在1997年由麻省理工学院提出的一种分布式哈希（DHT）实现算法，设计目标是为了解决因特网中的热点(Hot spot)问题，初衷和CARP十分类似。一致性哈希修正了CARP使用的简 单哈希算法带来的问题，使得分布式哈希（DHT）可以在P2P

本文转自知乎 https://www.zhihu.com/question/34681168 科研君 的回答神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。早期感知机的推动者是Rosenblatt。（扯一个不相关的：由于计算技术的落后，当时感知器传输函数是用线拉动变阻器改变电阻的