- 博客(41)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 LFM算法——推荐系统
在日常生活中，人们实际上经常使用这种方法，如你哪天突然想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，最近有什么好看的电影，而我们一般更倾向于从兴趣或观点相近的朋友那里得到推荐。这就是协同过滤的思想LFM（latent factor model 隐语义模型）算法背景https://www.cnblogs.com/ventlam/p/6296255.html，这里有详细介绍https://blog.csdn.net/codes_first/article/details/807
2020-05-31 22:03:42
2756
原创 天池-街景字符编码识别4-模型训练与验证
4 模型训练与验证构造验证集在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低，但测试误差的走势则不一定。在模型的训练过程中，模型只能利用训练数据来进行训练，模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好，模型就会记住训练样本的细节，导致模型在测试集的泛化效果较差，这种现象称为过拟合（Overfitting）。与过拟合相对应的是欠拟合（Underfitting），即模型在训练集上的拟合效果较差。如图所示：随着模型复
2020-05-30 23:45:50
198
原创 CF——推荐算法
推荐算法首先要介绍的一定是协同过滤算法了(collaborative filtering，CF)，CF算法的汇总的是所有的<user,item>行为对，有点像朋友推荐，比如用户A和用户B都喜欢差不多的东西(item相似)，用户B喜欢某样东西，但是用户A还没有喜欢，那么此时就将用户B喜欢的item推荐给用户A。(User-Based CF)，还有一种协同推荐，即对比数据(item)，发现itemA和itemB类似(即被差不多的users喜欢)，就把某user的所有喜欢的item的类似item过滤
2020-05-29 10:05:55
1232
1
原创 django的视图与模板
一、概述一个视图就是一个页面，通常提供特定的功能，使用特定的模板。例如：在一个博客应用中，你可能会看到下列视图：博客主页：显示最新发布的一些内容每篇博客的详细页面：博客的永久链接基于年的博客页面：显示指定年内的所有博客文章基于月的博客页面：显示指定月内的所有博客文章基于天的博客页面：显示指定日内的所有博客文章发布评论：处理针对某篇博客发布的评论一个视图函数（类），简称视图，是一个简单的Python 函数（类），它接受Web请求并且返回Web响应。响应可以是一张网页的HTML内容，一个重
2020-05-26 22:38:47
384
转载 Django--模板语言
一、模板模版是纯文本文件，可以生成任何基于文本的文件格式，比如HTML，XML，CSV等。下面是一个小模版，它展示了一些基本的元素。{% extends "base_generic.html" %}{% block title %}{{ section.title }}{% endblock %}{% block content %}<h1>{{ section.title }}</h1>{% for story in story_list %}<h2&g
2020-05-26 11:42:31
344
原创 天池-街景字符编码识别3-字符识别模型
3 字符识别模型3.1常用CNN网络模型LeNet-5——CNN经典网络模型详解（pytorch实现）AlexNet–CNN经典网络模型详解（pytorch实现）VGG——CNN经典网络模型（pytorch实现）GoogLeNet——CNN经典网络模型详解（pytorch实现）ResNet——CNN经典网络模型详解(pytorch实现)DenseNet——CNN经典网络模型详解(pytorch实现)MobileNet(v1、v2)——CNN经典网络模型详解（pytorch实现）3.2
2020-05-24 22:34:03
599
原创 edu汇编语言——实训课程
汇编语言程序设计实验一：顺序结构第1关：加法、减法运算任务描述本关任务：编写一个能进行加、减运算的小程序。编程要求在寄存器AX，BX，CX，DX中分别存放了四个变量A,B,C,D的值，均为8位无符号数。请编写汇编代码，计算Z=(A+B)-(C-D)的结果，并将结果ZZ保存到AX中。输入数据由评测系统读取，并存放到指定寄存器中，程序运行结果也由评测系统读取并输出，学员只需要实现任务逻辑即可。测试说明平台会对你编写的代码进行测试：测试输入：30201005预期输出：0045测
2020-05-22 23:58:45
5308
1
原创 天池-街景字符编码识别2-数据读取与数据扩增
本此使用【定长字符识别】思路来构建模型赛题地址零基础入门CV赛事- 街景字符编码识别关于更详细的数据预处理可=可以参考我的另一篇博文：卷积神经网络性能优化（提高准确率）2 数据读取与数据扩增2.2 图像读取由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。2.2.1 PillowPillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见
2020-05-22 23:01:58
264
原创 django无法生成自定义表（mysql）
按照网上的教程先执行python manage.py makemigrations再执行python manage.py migrate但是数据库里却没有生成那俩张表解决办法再第一条命令后面加上APP名字python manage.py makemigrations web再执行第二条命令python manage.py migrate...
2020-05-21 11:11:39
602
1
原创 天池-街景字符编码识别1-赛题理解
赛题地址零基础入门CV赛事- 街景字符编码识别前期环境运行环境及安装运行环境python3.7pytorch1.3.1有GPU首先在Anaconda中创建一个专门用于本次练习赛的虚拟环境。$conda create -n pytorch_gpu python=3.7激活环境，并安装pytorch1.3.1$source activate pytorch_gpu$conda install pytorch=1.3.1 torchvision cudatoolkit=1
2020-05-20 22:01:25
523
原创 pycharm里创建django项目竟然没有django选项
首先，我当时出现的问题是newproject创建的时候没有django的选项，查了半天发现我安装的pycharm是社区版本目前我知道的有俩种方法方法一：安装专业版注册码官网网址 ：PyCharm: Python IDE for Professional Developers by JetBrains但是破解，又废了点功夫，我可没有破解的能力哈，直接找注册码呀。（可以在某宝买或者找破解，期限一年）对比下社区版与专业版：但你要是学生的话就不一样了，可以免费获取！参考这篇文章JetBrain
2020-05-20 13:58:21
19585
原创 《汇编语言》王爽—第八章实验七详解
方法一：四个循环assume cs:codesg,ds:data,es:tabledata segment db '1975','1976','1977','1978','1979','1980','1981','1982','1983' db '1984','1985','1986','1987','1988','1989','1990','1991','1992' db '1993','1994','1995' dd 16,22,382,1356,2390,
2020-05-20 10:43:21
948
原创 django路由介绍
一、路由系统理解1. 什么是路由在Web开发过程中，经常会遇到『路由』的概念。那么，到底什么是路由？简单来说，路由就是URL到函数的映射。2. router和route的区别route就是一条路由，它将一个URL路径和一个函数进行映射，例如：/users -> getAllUsers()/users/count -> getUsersCount()这就是两条路由，当访问 /users 的时候，会执行 getAllUsers() 函数；当访问 /users/co
2020-05-19 21:51:20
1603
转载 WSGI协议
在大家接触到一些WEB框架，例如Django,Flask,Torando等等，在开发过程中，看过一些文档总会介绍生产环境和开发环境服务器的配置问题，服务器又设计web服务器和应用服务器，总而言之，我们碰到最多的，必定是这个词 — WSGI。1 WSGI介绍1.1 什么是WSGI首先介绍几个关于WSGI相关的概念WSGI：全称是Web Server Gateway Interface，WSGI不是服务器，python模块，框架，API或者任何软件，只是一种规范，描述web server如何与web
2020-05-19 19:39:59
611
原创 Socket（套接字）简介
TCP/IP要想理解socket首先得熟悉一下TCP/IP协议族， TCP/IP（Transmission Control Protocol/Internet Protocol）即传输控制协议/网间协议，定义了主机如何连入因特网及数据如何再它们之间传输的标准，从字面意思来看TCP/IP是TCP和IP协议的合称，但实际上TCP/IP协议是指因特网整个TCP/IP协议族。不同于ISO模型的七个分层，TCP/IP协议参考模型把所有的TCP/IP系列协议归类到四个抽象层中应用层：TFTP，HTTP，SNMP
2020-05-18 23:52:32
3454
原创 《汇编语言》王爽—第七章实验六详解
编程，完成问题7.9中的程序assume cs:codesg,ds:datasg,ss:stacksgdatasg segment db '1. display ' db '2. brows ' db '3. replace ' db '4. modify 'datasg endsstacksg segment dw 0,0,0,0,0,0,0,0stacksg endscodesg se
2020-05-18 18:13:18
699
原创 卷积神经网络性能优化（提高准确率）
注：本文先讲解理论部分，之后会用pytorch给出示例神经网络是一种在很多用例中能够提供最优准确率的机器学习算法。但是，很多时候我们构建的神经网络的准确率可能无法令人满意，或者无法让我们在数据科学竞赛中拿到领先名次。所以，我们总是在寻求更好的方式来改善模型的性能。有很多技术可以帮助我们达到这个目标。本文将介绍这些技术，帮助大家构建更准确的神经网络。过拟合过拟合，典型的表现为训练集损失远远小于验证集损失。而欠拟合则表现为训练集损失大于验证集损失。保证神经网络在测试集上运行良好的第一步就是验证神经网络
2020-05-17 19:12:48
34090
3
原创 《汇编语言》王爽—实验五详解
由于我自己的没法复制，并且不带的更改了，所以可能会和其他人有些答案重合，但确保正确。（1）将下面的程序编译连接，用Debug加载、跟踪，然后回答问题。assume cs:code,ds:data,ss:stack data segment dw 0123h,0456h,0789h,0abch,0defh,0fedh,0cbah,0987h data ends stack segment dw 0,0,0,0,0,0,0,0 stack ends
2020-05-16 23:22:27
7748
4
原创 个性化推荐算法（推荐系统）概要
读者读完本文后，你会知道每类范式常用的算法有哪些、实现的思路是什么、以及常用的应用场景。本文也可以作为读者落地推荐算法到真实推荐场景的参考指南。一、推荐算法与产品介绍什么是推荐系统？在介绍推荐算法之前需要先介绍一下什么是信息过载。信息过载就是信息的数量远超于人手工可以遍历的数量。比如，当你没有目的性的去逛超市，你不可能把所有的商品都看一遍都有什么。同样，无论是去书店看书，还是在电影网站上搜索电影，这些物品的量级对于没有目的性、需求性的用户而言都是信息过载。那么什么是推荐系统呢？就是当用户的目的不
2020-05-16 19:59:38
16913
原创 pytorch对卷积神经网络常见操作
pytorch中的Tensor通道排列顺序是：[batch, channel, height, width]我们常用的卷积（Conv2d）在pytorch中对应的函数是：torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')其中：in_channels参数代表输入特征矩阵的深度即channe
2020-05-14 23:15:58
870
1
原创 使用pytorch查看中间层特征矩阵以及卷积核参数
推荐一个可视化工具：TensorBoard注：本次所使用的为AlexNet与ResNet34俩个网络，关于这俩个网络的详细信息可以在我另外俩篇blog查看ResNet——CNN经典网络模型详解(pytorch实现)AlexNet–CNN经典网络模型详解（pytorch实现）查看中间层特征矩阵AlexNetalexnet_model.pyimport torch.nn as nnimport torchclass AlexNet(nn.Module): def __ini
2020-05-14 18:01:48
5637
9
原创 《汇编语言》王爽—第六章实验四详解
(1) 编程，向内存0:200~ 0:23f依次传递数据0~63(3fh)。assume cs:codecode segment mov bx,20h mov ss,bx mov sp,40h mov bx,3f3eh mov cx,32s: push bx sub bx,202h loop s mov ax,4c00h int 21hcode endsendD:\>d
2020-05-13 16:26:49
1915
原创 SQL练习
设有关系S、SC、C如下：S(sno, sname, age, sex, sdept)C(cno, cname, teacher)SC(sno, cno, score)用SQL完成下列功能：（1）创建学生表S和课程表C（要求标明主码）（2）创建选修课程情况表SC。（要求标明主码、外码及成绩的范围）mysql> create table s -> ( -> sno varchar(9) primary key, -> sname varchar(1
2020-05-12 19:51:32
2515
原创 《汇编语言》王爽—第五章实验三详解
题目描述(1) 将下面的程序保存为2.asm文件，将其生成可执行文件2.exe。assume cs:codesg codesg segment mov ax,2000H mov ss,ax mov sp,0 add sp,10 pop ax pop bx push ax push bx pop ax pop bx mov ax, 4c00h
2020-05-11 10:07:03
666
2
原创 迁移学习 Transfer Learning—通俗易懂地介绍（常见网络模型pytorch实现）
前言你会发现聪明人都喜欢”偷懒”, 因为这样的偷懒能帮我们节省大量的时间, 提高效率. 还有一种偷懒是 “站在巨人的肩膀上”. 不仅能看得更远, 还能看到更多. 这也用来表达我们要善于学习先辈的经验, 一个人的成功往往还取决于先辈们累积的知识. 这句话, 放在机器学习中, 这就是今天要说的迁移学习了, transfer learning.什么是迁移学习？迁移学习通俗来讲，就是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性，用成语来说就是举一反三。由于直接对目标域从头开始学习成本太
2020-05-10 18:04:09
22151
1
原创 最长公共子序列LCS（动态规划）—详解
一.基本概念1、 子序列(subsequence)： 一个特定序列的子序列就是将给定序列中零个或多个元素去掉后得到的结果(不改变元素间相对次序)。例如序列<A,B,C,B,D,A,B><A,B,C,B,D,A,B>的子序列有：<A,B><A,B>、<B,C,A><B,C,A>、<A,B,C,D,A><A,B...
2020-05-08 15:51:44
15564
1
原创 蒙特卡罗方法—举例说明（C++、python）
1.什么是蒙特卡洛方法(Monte Carlo method)蒙特卡罗方法也称统计模拟方法，是1940年代中期由于科学技术的发展和电子计算机的发明，而提出的一种以概率统计理论为指导的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。20世纪40年代，在冯·诺伊曼，斯塔尼斯拉夫·乌拉姆和尼古拉斯·梅特罗波利斯在洛斯阿拉莫斯国家实验室为核武器计划工作时，发明了蒙特卡罗方法...
2020-05-07 17:11:18
7094
原创 最优二叉查找树（动态规划）——详解
最优二叉查找树(1）二叉查找树（二分检索树）二叉搜索树Ｔ是一棵二元树，它或者为空，或者其每个结点含有一个可以比较大小的数据元素，且有：Ｔ的左子树的所有元素比根结点中的元素小；Ｔ的右子树的所有元素比根结点中的元素大；Ｔ的左子树和右子树也是二叉搜索树。(2）最优二叉搜索树给定一个n个关键字的已排序的序列K=<k 1 ,k 2 ,…,k n >（ 不失一般性，设k 1 &...
2020-05-07 09:46:29
34487
13
原创 MobileNet(v1、v2)——CNN经典网络模型详解（pytorch实现）
在之前的文章中讲的AlexNet、VGG、GoogLeNet以及ResNet网络，它们都是传统卷积神经网络（都是使用的传统卷积层），缺点在于内存需求大、运算量大导致无法在移动设备以及嵌入式设备上运行。而本文要讲的MobileNet网络就是专门为移动端，嵌入式端而设计。MobileNet v1MobileNet网络是由google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CN...
2020-05-06 23:53:45
4492
1
转载 动态规划（DP）——通俗易懂！
转自：阮行止1. 从一个生活问题谈起先来看看生活中经常遇到的事吧——假设您是个土豪，身上带了足够的1、5、10、20、50、100元面值的钞票。现在您的目标是凑出某个金额w，需要用到尽量少的钞票。依据生活经验，我们显然可以采取这样的策略：能用100的就尽量用100的，否则尽量用50的……依次类推。在这种策略下，666=6×100+1×50+1×10+1×5+1×1，共使用了10张钞票。这种...
2020-05-06 21:10:52
2893
原创 棋盘覆盖问题——详解（C++）
【问题描述】在一个 2 ^k × 2 ^k 个方格组成的棋盘中,若有一个方格与其他方格不同,则称该方格为一特殊方格,且称该棋盘为一个特殊棋盘.显然特殊方格在棋盘上出现的位置有4^k 种情形.因而对任何k≥0,有4^k种不同的特殊棋盘.下图中的特殊棋盘是当k=3时64个特殊棋盘中的一个：在棋盘覆盖问题中，要用下图中 4 中不同形态的** L 型骨牌覆盖一个给定的特殊棋牌上除特殊方...
2020-05-06 15:37:55
17665
2
原创 N皇后问题——通俗易懂地讲解（C++）
注：参考程序猿小灰，hackbuteer1八皇后问题，是一个古老而著名的问题，是回溯算法的典型例题。该问题是十九世纪著名的数学家高斯1850年提出：在8X8格的国际象棋上摆放八个皇后，使其不能互相攻击，即任意两个皇后都不能处于同一行、同一列或同一斜线上（斜率为1），问有多少种摆法。高斯认为有76种方案。让我们来举个栗子，下图的绿色格子是一个皇后在棋盘上的“封锁范围”，其他皇后不得放置在这些...
2020-05-06 08:33:29
16202
4
原创 Hanoi 汉诺塔——通俗易懂地讲解（c++）
通俗易懂的解释~游戏规则：有A,B,C三根针，将A针上N个从小到大叠放的盘子移动到C针，一次只能移动一个，不重复移动，小盘子必须在大盘子上面。问题：总的移动次数是多少？分析：首先明确，我们的目标是将A针上所有N个盘子移动至C针。而对于B针，我们可以将之看成一个中转站。这个问题，顺向思维或者逆向思维道理是相同的，都太麻烦。我们不妨从中间开始思考||： 规则要求小盘子必须在大盘子之上...
2020-05-05 23:22:10
1522
原创 Transform的normalize参数含义
注：在此之前transforms.ToTensor()已经把数据落在0、1区间了比如原来的tensor是三个维度的，值在0到1之间，那么经过以下变换之后就到了-1到1区间。transforms.Normalize((.5,.5,.5),(.5,.5,.5))原本以为第一个参数应该是（0，0，0）才是归一化到均值为0。但是通过transforms的源码发现：input[channel] =...
2020-05-05 18:05:19
7019
1
原创 哈夫曼（Huffman）编码问题（C++）
一、题目描述哈夫曼编码是广泛地用于数据文件压缩的十分有效的编码方法。其压缩率通常在20%～90%之间。哈夫曼编码算法用字符在文件中出现的频率表来建立一个用0，1串表示各字符的最优表示方式。一个包含100,000个字符的文件，各字符出现频率不同，如下表所示：有多种方式表示文件中的信息，若用0,1码表示字符的方法，即每个字符用唯一的一个0,1串表示。若采用定长编码表示，则需要3位表示一个字符，整...
2020-05-05 12:47:20
12623
1
原创 子集和数问题——回溯法（C++）
问题描述已知(w1, w2, …, wn)和M，均为正数。要求找出wi的和数等于M的所有子集。例如：若n=4,(w1,w2,w3,w4)=(11,13,24,7),M=31，则满足要求的子集是(11,13,7)和(24,7).分析子集和数问题解的一种表示方法解由n-元组(x1, x2, …, xn)表示;显式约束条件xi∈{0,1}，1≤i≤n，如果没有选择Wi，则xi=0；如果选择...
2020-05-05 11:27:13
8371
6
原创 最大子段和问题——详解（C++)
最大子段和或称为最大部分和(maximum subtotal)问题，以下简称MS。MS：给定一类特定的数据类型的序列：[x1,x2,x3,x4,x5,x6]，从该序列截取一段连续的子序列，如果这个子序列和满足整个序列的任意序列的最大值，我们称之为最大子段和。 Sample：sequence：{6, -3, -4, 7, -1, 5, -3, -4, 8, -2}; subSequen...
2020-05-05 10:34:00
7709
原创 Python-非关键字参数和关键字参数(*args **kw)
Python的函数具有非常灵活的参数形态，既可以实现简单的调用，又可以传入非常复杂的参数。可变参数和关键字参数的语法：*args是可变参数，args接收的是一个tuple；**kw是关键字参数，kw接收的是一个dict。使用*args和**kw是Python的习惯写法，当然也可以用其他参数名，但最好使用习惯用法。一、可变参数*args定义：可变参数就是传入的参数个数是可变的，可以是...
2020-05-04 23:06:27
4613
2
原创 最小延迟调度问题——贪心算法（C++实现）
1.最小延迟调度问题描述f(i) 表示某任务 开始的时间。ti 表示 某任务 加工的时间di 表示 某任务 要求完成的时间延迟： f(i)+ti-di如果 实际完成的时间 小于 规定完成时间，那么，就没有 延迟。延迟就是拖延，如果你在规定时间内（<=规定时间），那么，就说明没有延迟，没有拖延。由于有很多用户，所以，会有很多不同的拖延值，我们的目标是，求得所有拖...
2020-05-04 09:56:21
7375
原创 计算机视觉基础-图像处理（边缘检测）cpp+python
6.1 简介6.1.1 什么是边缘？边缘是图像强度函数快速变化的地方6.1.2 如何检测边缘？为了检测边缘，我们需要检测图像中的不连续性，可以使用导数来检测不连续性。如上图所示，上图的第一幅图表示一张数字图片，我们对水平红线处进行求导，便可得到上图二中的关系，可以看到在边缘处有着较大的跳变。但是，导数也会受到噪声的影响，因此建议在求导数之前先对图像进行平滑处理（上图三）。但是，导数也会...
2020-05-01 23:28:49
1373
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人