Architect_0-CSDN博客

原创 Linux多线程编程基础入门（二）线程的属性

线程的属性在线程的创建接口 pthread_create 的参数列表中有一个类型为 pthread_attr_t 的参数 attr，该参数用于指定新建线程的相关属性。一个线程的主要属性包括：线程栈的地址及大小，线程的调度策略与优先级，还有线程是否处于分离状态等。线程属性的相关接口：属性的初始化与销毁#include <pthread.h>int pthread_attr_init(pthread_attr_t *attr);int pthread_attr_destroy(pthre

2021-09-14 14:42:03 116

原创 Linux多线程编程基础入门（一）线程的基本概念

线程是操作系统能够进行调度运算的最小单位，它被包含在进程之中，是进程中的实际运作单位。一条线程指的是进程中一个单一顺序的控制流，一个进程中可以并发多个线程，每条线程并行执行不同的任务。linux 操作系统使用符合 POSIX 线程作为系统标准线程，该 POSIX 线程标准定义了一整套操作线程的 API。线程的创建一个线程的生命周期起始于它被创建的那一刻，创建线程的接口：#include <pthread.h>int pthread_create(pthread_t *thread, c

2021-09-12 06:22:03 137

原创 Linux入门学习笔记（一）环境配置、文件系统简述、一些命令

1.环境配置Virtualbox虚拟机1.开源免费2.跨平台使用（Linux、Windows）3.支持多种虚拟机网络设置：虚拟机网络模式NAT模式网桥模式Internal模式Host-only模式CentOS8安装centos8下载centos.org/downloadcentos8安装新建（名称/文件夹/类型/版本）- 内存大小（2048M）- 虚拟硬盘（创建新的虚拟硬盘，选择VirtualBox磁盘镜像）- 存储在物理硬盘上（动态分配）- 文件位置和大小（10G）设置-存

2021-09-08 04:44:39 258

原创 python刷题笔记之双指针

167. Two Sum II - Input array is sorted (Easy)Given an array of integers numbers that is already sorted in non-decreasing order, find two numbers such that they add up to a specific target number.Return the indices of the two numbers (1-indexed) as an in

2021-08-05 15:38:00 214

原创 K-Means聚类算法中可能出现的问题 python

K-Means聚类尝试将样本数据集分成具有相同方差的n个类。详解K-Means:https://zhuanlan.zhihu.com/p/787982511.sklearn建立K-Means聚类算法首先看一个简单且典型的的K-Means聚类算法的所得到的效果。可以看到数据集被正确的分成了三类。接下来开始分析K-Means聚类方法随着迭代次数的分步演变过程。2.分步演变过程伪代码如下获取数据 n 个 m 维的数据随机生成 K 个 m 维的点while(t) for(int i

2021-06-23 03:47:38 4673 1

原创支持向量机SVM分类实现（Kernel-Tricks, 正则化，Gridsearch） python

1. 线性划分从最简单的开始，即存在超平面可以完美分割两个label的数据。此时不需要使用正则化（C取很大）就可以通过一个线性核函数训练SVM。即点不会出现在分离超平面以内。2. 核技巧 Kernel-Tricks当线性核函数无法满足数据分类的情况时（例如同心圆数据集），SVM允许使用核技巧Kernel-Tricks，也就是说选择适当的核函数，使得数据可以线性分割。最常用的核函数就是径向基核函数RBFhttps://baike.baidu.com/item/%E5%BE%84%E5%90%91

2021-06-22 20:06:11 842

原创梯度提升Gradient Boosting进行正弦函数回归&浅析损失函数和学习率影响

1. 正弦函数回归# coding: utf-8# - https://scikit-learn.org/stable/modules/ensemble.html#gradient-boosting# [1] J. Friedman, Greedy Function Approximation: A Gradient Boosting Machine, The Annals of Statistics, Vol. 29, No. 5, 2001.# [2] T. Hastie, R. Tibs

2021-06-22 14:55:15 564

原创 Adaboost实现手写数字数据集的分类(sklearn)，浅析分类器数目、学习率的影响

使用Adaboot对手写数字数据集sklearn.datasets.load_digits进行分类。1.首先对前五个数字进行了展示2.训练AdaboostClassifier，使用AdaBoostClassifier.stagend_predict(x)可以获得分阶段的预测结果。求得对数据集的随着迭代次数增加（弱分类器的增加）的误差变化情况。观察可知，随着分类器的增加，Adaboost模型的分类的表现会更好。3.最后研究了学习率对Adaboost模型的影响。在Adaboost中，学习率即每次新训

2021-06-22 05:50:36 1124

原创使用Adaboost实现make_circles数据集的分类(sklearn)

使用Adaboost进行分类的基本思想是基于弱分类器的Boosting, 在每次迭代的样本中，增加上一次迭代中分类错误的样本的权重。下面是基本的使用Adaboost和决策树(层数为1)对make_circle进行分类。# coding: utf-8# Referenzen# - https://scikit-learn.org/stable/modules/ensemble.html#adaboost# - https://xavierbourretsicotte.github.io/AdaBo

2021-06-22 04:35:40 451

原创代码：非参数密度估计的三种python实现 (直方图，核密度估计，K近邻)

我们经常不知道数据是根据什么类型的函数进行分布，此时就需要非参数密度估计的方法。本文对同一组数据进行了三种不同的非参数密度估计，即直方图，核密度估计，K近邻。使用数据集：https://download.csdn.net/download/weixin_42388833/19418489?spm=1001.2014.3001.55011. 直方图计算并画出数据分布的直方图（size of bin = 0.02, 0.5, 2.0）import numpy as npimport matpl

2021-06-15 21:06:07 3429

原创梯度下降法中学习率的影响（附代码实现）

Rosenbrock’s 函数是优化问题的基准问题：f(x)=∑i=1n−1[100(xx+1−xi2)2+(xi−1)2]f(x)=\sum_{i=1}^{n-1}[100(x_{x+1}-x_{i}^2)^2+(x_i-1)^2]f(x)=i=1∑n−1[100(xx+1−xi2)2+(xi−1)2]本文实现了一个基本的梯度下降法的算法，并且实现了两种学习率的确定方式，即Line Search 和 Constant Learning Rate。代码末尾。Constant Learnin

2021-06-15 21:05:41 2024

原创 Batch\Stochastic\Mini-Batch 梯度下降法

梯度下降法存在一些变体，本文讨论三种，即vanilla(batch)，stochastic 和 mini-batch。不同之处在于，我们使用多少数据来计算目标函数的梯度。1. 批量梯度下降法（Vanilla\Batch Gradient Descent)Vanilla指的是某一事物标准，通常或者未修改的版本。所以批量梯度下降法就是基本的梯度下降法，即在整个数据集上对每个参数求目标函数的偏导数。优点：当目标函数为凸函数，批量梯度下降法必然会在全局最小值处收敛（否则可能会在局部极小值处收敛）缺点：

2021-06-15 21:04:53 211

原创数据库系统：使用例子解释B树中元素的添加和删除

在计算机科学中，B树（英语：B-tree）是一种自平衡的树，能够保持数据有序。这种数据结构能够让查找数据、顺序访问、插入数据及删除的动作，都在对数时间内完成。B树，概括来说是一个一般化的二叉查找树（binary search tree）一个节点可以拥有2个以上的子节点。与自平衡二叉查找树不同，B树适用于读写相对大的数据块的存储系统，例如磁盘。B树减少定位记录时所经历的中间过程，从而加快存取速度。B树这种数据结构可以用来描述外部存储。这种数据结构常被应用在数据库和文件系统的实现上。——维基百科每个B树存.

2021-06-02 03:38:38 475

原创三个参数对随机森林分类结果的影响（附代码）

使用手写数据集研究集成规模，树的最大深度以及特征数对随机森林分类结果的影响。代码在末尾。使用交叉验证，返回accuracy，折数为101. 集成规模n_estimators集成规模即树的数量。为了观察其影响，分别对数量1～40进行交叉验证，返回得到准确率并绘图。观察可得，集成规模的增加可以提高模型在训练集和测试集上的准确度，这是因为增加树的数量可以减少偏差和方差，还可以发现模型不会随着复杂度的增加而过度拟合训练数据。2. 树的最大深度max_depth树的最大深度反映了单个树的复杂度，将集成

2021-05-31 02:59:52 2067

原创决策树vs随机森林简单对比

为了进行决策树与随机森林的简单实现与对比，使用一组分类和回归数据集。from sklearn import datasets# Get the data loaderloader_classification = [ ("Iris", datasets.load_iris), ("Digits", datasets.load_digits), ("Wine", datasets.load_wine), ("Breast Cancer",

2021-05-31 01:40:15 3415

原创使用try-catch-finally处理异常

用法一览try{ //需要被检测的异常代码} catch（Exception e）{ //异常处理，即处理异常代码}finally{ //一定会被执行的代码}可以在catch部分加上一句打印异常System.out.println(e.ToString());try+catch+finallyJava通过面向对象的方法来处理异常。在一个方法的运行过程中，如果发生了异常，则这个方法生成代表该异常的一个对象，并把它交给运行时系统，运行时系统寻找相应代码来处理这一

2020-11-22 18:56:15 2345

原创算法题笔记：统计数字 (Python3实现)

计算数字k在0到n中出现的次数，k可能是0~9之间的一个值1.暴力法从0到n对每个数进行逐个检测。class Solution1: """ @param k: An integer @param n: An integer @return: An integer denote the count of digit k in 1..n """ def digitCounts(self, k, n): # write your code he

2020-07-30 17:28:57 211

原创基于dijkstra算法的AGV路径规划 (C++实现)

dijkstra算法经典Dijkstra算法是一种贪心算法，根据路径长度递增次序找到最短路径，通常用于解决单源最短路的问题。Dijkstra算法的基本思想是：首先根据原有路径图，初始化源点到与其相邻节点的距离，选出与源点最短距离的节点进行松弛操作，即比较判断若经过该点，是否能找到比源点到其他点更短的距离，若有更短的距离则更新原有距离，直至遍历初始图中的所有节点。Dijkstra算法可找出源点到初始图中所有点的最短距离，任意最短路径的子路径仍为最短路径。Dijkstra算法是以标号为基础的标签算法，设一个

2020-05-12 11:33:37 3167 2

weixin_42388833的博客