- 博客(87)
- 资源 (10)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 Python——动态规划
目录什么是动态规划参考资料什么是动态规划参考资料告别动态规划，连刷 40 道题，我总结了这些套路，看不懂你打我（万字长文）
2022-03-02 16:12:02
929
原创 BFS题目专栏
目录1091. 二进制矩阵中的最短路径1091. 二进制矩阵中的最短路径题目来自leetcode给你一个 n x n 的二进制矩阵 grid 中，返回矩阵中最短 畅通路径 的长度。如果不存在这样的路径，返回 -1 。二进制矩阵中的畅通路径是一条从 左上角 单元格（即(0, 0)）到 右下角 单元格（即，(n - 1, n - 1)）的路径，该路径同时满足下述要求：路径途经的所有单元格都的值都是 0 。路径中所有相邻的单元格应当在 8 个方向之一 上连通（即，相邻两单元之间彼此不同且共享一条边或者
2022-02-26 20:35:32
578
原创 Python宽搜（BFS）和深搜（DFS）
目录BFSBFS是什么BPS工作过程和原理BFS应用场景python实现BFS（树和图）python实现BFS图python实现图的最短路径python实现BFS树DFSDFS是什么DFS工作过程和原理DFS应用场景python实现DFSpython实现DFS图python实现DFS树何时使用深搜和广搜python实现树前中后序遍历前序遍历中序遍历后序遍历参考资料BFSBFS是什么BFS称为宽度优先搜索也叫做广度优先搜索，其别名又叫BFS，属于一种盲目搜寻法。Dijkstra单源最短路径算法和Pri
2022-02-17 19:16:27
4817
2
原创 python3实现输入多个数字（字符串）空格隔开
python3实现输入多个数字（字符串）空格隔开import osimport syslist = input()num = [int(n) for n in list.split()]n = len(num)-1print(num[-2::-1])
2022-02-14 16:29:40
3732
原创 蓝桥杯python历届真题总结(持续更新)
单词分析输入描述输入一行包含一个单词，单词只由小写英文字母组成。对于所有的评测用例，输入的单词长度不超过 1000。输出描述输出两行，第一行包含一个英文字母，表示单词中出现得最多的字母是哪 个。如果有多个字母出现的次数相等，输出字典序最小的那个。第二行包含一个整数，表示出现得最多的那个字母在单词中出现的次数。import osimport syslist = [0]*200st = input()for i in st: column = ord(i) list[co
2022-01-28 22:43:20
32369
6
原创 关于md编辑器就MYSQL保存文件解决方案
编辑器我用的markdown中的editor.md，写完之后直接以markdown格式保存在文件夹里，显示时通过editor.md提供的方法进行转换。直接markdown标签存储，转换（渲染）通过浏览器的js脚本完成。看访问量，要看具体页面的流量，流量小放数据库完全没问题，流量大需要用静态化cdn。服务端可以保存markdown 内容，如果是动态博客，在渲染时格式化为html，如果是静态博客，也可以在生成阶段生成内容和摘要。内容存储为txt效率不会比mysql高，因为mysql设计就是存储数据的。.
2022-01-28 11:48:18
2012
原创 基础爬虫——以豆丁网《编译原理》（清华大学出版社第二版）课后习题答案为例
目录寻找目标地址规律写代码寻找目标地址规律目标地址：目标地址在此之前，讲一个小技巧，要在IE浏览器中打开这个网址，在谷歌浏览器中打开这个网址是找不到答案图片网址的，Firefox没试过。IE为什么行，我也不知道，参考网上大佬说法的。IE浏览器打开网址------》F12查看网页源码，如下图：把图片的链接复制下来找规律，如下图：非常侥幸的发现只有pageno不同，那么pageno就表示页数：写代码import osimport randomimport sysimport time
2021-11-12 09:54:57
580
原创 Android Studio启用夜神模拟器
点击我：夜神模拟器官网安装“夜神模拟器”步骤略~找到夜神模拟器安装路径，找到bin路径：打开Windows命令行CMD，输入nox_adb.exe connect 127.0.0.1:62001
2021-10-26 16:02:53
223
原创 Linux（Ubuntu系统）共享文件夹：mnt/hgfs
目录在Windows创建文件夹并设置共享权限Linux配置选择共享文件进入终端：超级模式挂载在Windows创建文件夹并设置共享权限Windows这边配置就完成了。Linux配置选择共享文件进入终端：超级模式挂载在这一步之前，要安装VMware tools。效果如下这样Windows和Linux都可以访问，改写这些文件夹了。参考资料：https://blog.csdn.net/weixin_42224577/article/details/108107554.
2021-09-26 20:52:27
4258
2
原创 Linux新建，移动，删除，复制，解压文件
目录1. 新建2. 移动3. 删除4. 复制5. 解压1. 新建2. 移动3. 删除4. 复制5. 解压
2021-09-26 00:44:07
104
原创 Linux（Ubuntu）和Windows共享文件——samba实现
进入终端，快捷键：CTRL+ALT+T下载samba创建共享文件修改文件，在末尾添加下图代码段设置密码重启smb查看Ubuntu的ip在windows内打开SMB文件共享，重新启动电脑关闭Ubuntu防火墙Windows查看共享文件Linux查看共享文件授权共享文件可以被Windows读写，修改等。至此，共享文件夹配置完毕，问题转评论区，谢谢...
2021-09-26 00:04:02
149
原创 Android 点击按钮(Button)切换图片(新手练练)
Android更新挺快的，如果下面的代码用不了，不用纠结，它就是用不了了……哈哈哈1. 添加图片
2021-09-17 08:46:10
5800
原创 希尔排序——C++实现
#include<iostream>#include<string>using namespace std;int main(){ int arraysize = 10; int array[10] = {8,9,1,7,2,3,5,4,6,0}; for(int gap=int(arraysize/2);gap>=1;gap=int(gap/2)){ for(int i=gap;i<=arraysize;i++){
2021-08-26 00:11:45
654
原创 选择排序——C++实现
目录1. 简介2. 原理3. 代码1. 简介选择排序（Selection sort）是一种简单直观的排序算法。选择排序是不稳定的排序方法。2. 原理在一个长度为 N 的无序数组中，第一次遍历 n-1 个数找到最小的和第一个数交换。第二次从下一个数开始遍历 n-2 个数，找到最小的数和第二个数交换。重复以上操作直到第 n-1 次遍历最小的数和第 n-1 个数交换，排序完成。算法可视化：3. 代码#include<iostream>#include<string&g
2021-08-23 10:55:07
168
原创 插入排序——C++实现
这里写目录标题1. 简介2. 原理3. 代码实现1. 简介插入排序，一般也被称为直接插入排序。对于少量元素的排序，它是一个有效的算法。在插入排序中，当待排序数组是有序时，是最优的情况，只需当前数跟前一个数比较一下就可以了，这时一共需要比较N- 1次，时间复杂度为O(N)。在插入排序中，最坏的情况是待排序数组是逆序的，此时需要比较次数最多，总次数记为：1+2+3+…+N-1，所以，插入排序最坏情况下的时间复杂度为O(N^2)。在插入排序中，插入排序的平均时间复杂度也是 O(n^2)。2. 原理实
2021-08-22 23:39:40
385
原创 冒泡排序——C++实现
目录1. 简介2. 原理3. C++代码3.1 普通版：3.2 进阶版1. 简介冒泡排序（Bubble Sort）是一种计算机科学领域的较简单的排序算法。若文件的初始状态是正序的，一趟扫描即可完成排序。冒泡排序最好的时间复杂度为O(n)。若初始文件是反序的，需要进行n-1趟排序。冒泡排序的最坏时间复杂度为O(n^2)。冒泡排序总的平均时间复杂度为O(n^2)。2. 原理比较相邻的元素。如果第一个比第二个大，就交换他们两个。对每一对相邻元素做同样的工作，从开始第一对到结尾的最后一对。在这一点
2021-08-22 17:05:11
686
原创 图像识别(pytorch实战)
目录1. 数据2. 代码讲解2.1 导库2.2 标准化、transform、设置GPU2.3 预处理数据2.3 建立模型2.4 训练模型2.5 测试模型2.6 结果此文只是提供一个过程，不必计较结果。1. 数据kaggle：请点击我CSDN：请点击我2. 代码讲解2.1 导库import os.pathfrom os import listdirimport numpy as npimport pandas as pdfrom PIL import Imageimport torch
2021-08-17 20:28:16
1424
原创 pytorch预训练模型加载与使用(以AlexNet为例)
目录1. 概况2. 代码讲解2.1 加载必要的包2.2 设置GPU和transform2.3 数据预处理2.4 引入模型2.5 训练模型2.6 测试模型2.7 保存模型3. 完整代码本文主要是提供过程，不要在意结果。1. 概况pytorch 中有许多已经训练好的模型提供给我们使用，一下以AlexNet为例说明pytorch中的模型怎么用。如下：import torchvision.models as models# pretrained=True：加载网络结构和预训练参数resnet18
2021-08-17 17:14:38
9266
3
原创 深度学习——卷积层(pytorch)
目录1. CONV1D2. CONV2D3. CONV3D1. CONV1Dtorch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)参数：in_channels( int )：输入图像中的通道数out_channels( int )：卷积产
2021-08-15 15:15:02
267
原创 深度学习——pytorch自制、定义数据集
数据来源：请点击我代码：from PIL import Imagefrom glob import globfrom torch.utils.data import Datasetimport torchvision.transforms as transformsclass InvalidDatasetException(Exception): # 如果照片路径总数不等于标签总数将执行这段代码 def __init__(self, len_of_paths, len_of_l
2021-08-13 17:36:40
276
原创 深度学习——常用图像分类网络
AlexNetVGGResNetSqueezeNetDenseNetInception v3GoogLeNetShuffleNet v2MobileNetV2MobileNetV3ResNeXtWide ResNetMNASNet
2021-08-11 22:39:47
1273
原创 机器学习——特征选择和降维(sklearn)
目录1. 移除低方差特征1.1 参数（Parameters）1.2 应用1.3 常用的方法2. 单变量特征选择2.1 SelectKBest2.1.1 参数2.1.2 常用的方法2.1.3 应用2.2 SelectPercentile2.2.1 参数2.2.2 常用的方法2.2.3 应用2.3 SelectFpr2.3.1 参数2.3.2 常用的方法2.3.3 应用2.4 SelectFdr2.4.1 参数2.4.2 常用的方法2.4.3 应用2.5 SelectFwe2.5.1 参数2.5.2 常用的方法
2021-08-11 17:45:29
1701
原创 机器学习——XgBoost特征筛选
目录1. 什么是Xgboost2. Xgboost的优点2.1 正则化2.2 并行处理2.3 灵活性2.4 缺失值处理2.5 剪枝2.6 内置交叉验证3. Xgboost模型详解3.1 Xgboost能加载的各种数据格式解析3.2 Xgboost的模型参数3.21 通用参数（General Parameters）3.22 tree booster参数3.23 Linear Booster参数3.24 学习目标参数4. Xgboost基本方法和默认参数5. 模型训练6. 模型预测7. 保存模型8. 加载模型9
2021-08-06 17:08:46
13682
6
原创 深度学习——Dropout层理论学习
这里写目录标题1. 什么是Dropout层2. 参考资料1. 什么是Dropout层Dropout可以作为训练深度神经网络的一种trick供选择。在每个训练批次中，通过忽略一半的特征检测器（让一半的隐层节点值为0），可以明显地减少过拟合现象。这种方式可以减少特征检测器（隐层节点）间的相互作用，检测器相互作用是指某些检测器依赖其他检测器才能发挥作用。Dropout说的简单一点就是：我们在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征，
2021-08-04 20:12:51
540
原创 深度学习——池化层理论学习（Pooling Layer）
这里写目录标题1. 什么是池化层2. 池化层作用3. 常见的池化层3.1 最大池化层（max pooling layer）3.2 平均池化层（average pooling layer）3.3 重叠池化层（Overlapping Pooling layer）：3.4 其它池化层4. 参考资料1. 什么是池化层池化是缩小高、长方向上的空间的运算。池化层是具有这种功能的一个深度学习的层。对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。下图是Max池化
2021-08-04 17:29:12
7512
原创 深度学习——输入层理论学习
目录1. 什么是输入层2. 灰度图片3. RGB图片4. 图片预处理5. 参考资料：1. 什么是输入层输入层即数据的输入，卷积神经网络的输入层输入并不必须是图片。只是由于卷积神经网络在计算机视觉领域应用更广些，所以大多人在谈及CNN时，默认输入的是图片。图片等非数字化的图像信息，在计算机中都是以像素的形式(把图片放大，我们将看到一个个格子，即为像素，参考下图)，按照矩阵进行有序排列而成。像素是图像的最基本单位，像素值以矩阵方式保存。2. 灰度图片如果是灰度图(我们通常说的黑白图)，那么图像就是单通
2021-08-04 15:56:30
4667
原创 深度学习——卷积层理论学习
目录1. 什么是卷积层2. 卷积核3. 步幅4. 填充5. 单通道输入，单卷积核（2D）6. 多通道输入，多(一)卷积核（空间卷积）1. 什么是卷积层卷积是一种有效提取图片特征的方法 。卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。计算方法： 一般用一个正方形卷积核，遍历图片上的每一个像素点。图片与卷积核重合区域内相对应的每
2021-08-04 12:50:46
3252
转载 深度学习——激活函数（激励函数）理论学习
1.什么是激活函数f(z)函数会把输入信号的总和转换为输出信号，这种函数一般称为激活函数。如下图：简化后：2.激活函数作用如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后，无非还是个矩阵相乘罢了。3.激活函数的原理4.常见的
2021-08-04 00:03:21
1658
原创 深度学习——感知机理论学习
目录1.什么是感知机2.导入权重和偏置1.什么是感知机感知机是一个二分类的线性模型。感知机接收多个输入信号，输出一个信号。这些输入信号是特征向量，输出信号是类别。看一个例子，如下图，x1,x2是输入信号，y是输出信号，w1 , w2是权重。图中的O（圆圈）称为 “神经元" 或者 “节点”。输人信号被送往神经元时，会被分别乘以固定的权重(w1x1 , w2x2 )。 神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为 “神经元被激活”。这里将这个界限值称为阈值，用符
2021-08-03 16:38:35
120
原创 深度学习实战——Animal Faces（图象识别+pytorch实现）
文章没有采用什么著名的、实现预设好的网络模型，基础卷积网络搭建而成。数据来源：我在这里直接上代码：import numpy as npfrom PIL import Imageimport matplotlib.pyplot as pltfrom glob import globimport torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torch.uti
2021-08-02 18:05:25
2068
2
原创 深度学习——经典案例（MNIST数据集）
以前一直纠结数据处理的部分，究竟数据集要处理成什么样子才能被卷积，害~现在看来是我多虑，把它看复杂了……如果又小伙伴有同样的困惑，可以留言。代码：有注释，应该容易看懂import torchimport torch.nn as nn # pytorch提供设计的模块和类import torch.nn.functional as F # 对几个输入平面组成的输入信号应用1D卷积。import torch.optim as optim # 实现了各种优化算法的库from torchvision
2021-08-01 23:17:24
912
1
原创 机器学习实战——逻辑回归（sklearn实现）
数据来源：请点击这里先研究清楚数据。代码：import numpy as npfrom matplotlib import pyplot as pltimport pandas as pdimport seaborn as snsfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.linear_model import
2021-07-30 21:18:23
317
原创 机器学习实战——线性回归（sklearn实现）
数据来源：请点击这里代码：import matplotlib.pyplot as pltimport numpy as npimport pandas as pdimport seaborn as snsfrom sklearn.svm import SVRfrom sklearn.preprocessing import scalefrom sklearn.neural_network import MLPRegressorfrom sklearn.ensemble import Ran
2021-07-30 20:58:44
237
使用XGboost在回归任务中沙宣特征出现“标签必须是正数”的错误
2021-08-05
TA创建的收藏夹 TA关注的收藏夹
TA关注的人