weixin_62392668的博客

原创 C++练习 二维数组的应用

超女有3个小组，每组有4名选手，请提供一个界面，输入每个超女的体重，然后，计算出每组的超女的平均体重和全部超女的平均体重。

原创 C++练习 字符串反转

从界面上输入一个C风格的字符串，如果输入的是"abc"，反转后"cba"。）反转的结果存放在另一字符串中。）原地反转，不借助其它的字符串。

原创 C++练习 显示字符串中的字符

求字符串的长度可以利用上一题的成果，也可以直接用strlen()函数，关注性能的细节。）正序显示：a b c。）逆序显示：c b a。

原创 C++练习 循环选数

用一个while循环，接受从键盘输入的整数，如果输入的整数不在1到100之间（包括1和100），认为无效，丢弃；如果输入的整数在1到100之间，则把每次输入的值累加起来；如果输入的整数为0，跳出循环。最后，显示有效数据的个数和总和。）输出1到100之间（包括1和100）的能整除5的数字。

原创 C++练习 选出妃子、宫女和嬷嬷

如果是C风格的字符串 需要使用strcmp(const char *str1, const char *str2 )==0 表示完全相等）注：string sc；嬷嬷：1）年龄35-40岁；2）身高155-165cm；3）身材普通或者飞机场；宫女：1）年龄18-30岁；2）身高160-165cm；3）身材火辣或者普通；妃子：1）年龄18-25岁；2）身高165-178cm；在界面上输入超女数据后，按下列要求选出妃子、宫女和嬷嬷。）先输入超女全部的数据项，然后才进行选秀；）超女数据用结构体表示；

原创 C++练习 二维数组、行指针

【代码】C++练习 二维数组、行指针。

原创 C++练习 回调函数、动态内存、折半查找

【代码】C++练习 回调函数、动态内存、折半查找。

原创 深刻理解预编译、编译、汇编和链接

这个阶段处理源代码文件中的预处理指令，如宏定义的展开（`#define`）、条件编译指令（`#ifdef`、`#ifndef`、`#endif`）、包含头文件（`#include`）以及删除多余的空格和注释。- 这里，`gcc` 首先对 `hello.c` 进行预编译，然后编译成汇编代码，接着汇编成目标文件，最后链接成最终的可执行文件 `hello`。- 预编译器（preprocessor）会将所有的宏替换为它们的定义，并将包含的头文件内容插入到源代码中相应的位置。`或`.obj`为扩展名。

原创 Pycharm创建Conda虚拟环境时显示CondaHTTPErOT

原因：conda源出问题了，之前可以用，现在报错。然后重新创建虚拟环境就可以了嘻嘻...不用谢我。最好的解决方案：找到conda源，换源即可。），如没有打开隐藏项目选项。

原创 ROS通信机制——服务通信

服务通信理论模型因为话题通信发的标准消息只有一部分（一个字符串、一个数字）但是服务通信有请求和响应两部分组成所以要先自定义srv。

原创 ROS通信机制——话题通信

话题通信理论模型。

原创 STM32定时器预分频系数和自动重装载系数

预分配器：比如输入的是72MHZ的频率，（预分频系数为0）不分频的话就是一秒数72000000次，如果预分频系数为（72－1）则一秒数1000000次，即一微秒数一次。计数器从０开始数，到65535自动变为0，自动重装载系数可以自定义（0－65535），以上面那个例子，如果自动重装载系数为（1000－1），就变成了1毫秒。预分频器和计数器最大值都为65535（从0开始）

原创 ROS发布与订阅

原创 ROS创建工作空间

原创 基于STM32F103小车的PWM调速

因为我设置ARR=999，所以当Speed=100时，占空比为（100*10）/（999+1）；此时速度最快，所以速度的调节范围为0-100,反转的话（-speed）即可。上述代码实现了小车速度为60（最大为100）正转的程序。可以根具自己的需求在while里面写对应的函数。2.GPIO初始化（PWM输出的口）下面是gtim.c（PWM初始化）1.PWM时钟和GPIO时钟使能。3.时基单元（PSC，ARR）1.电机GPIO端口初始化。第一步：PWM初始化。

原创 GPIO八种工作模式

正点原子单片机学习

原创 STM32外部中断控制LED灯的亮灭

【代码】STM32外部中断控制LED灯的亮灭。

原创 np.array()与torch.tensor()的转换

1.共享内存转换2.不共享内存注：a：tensorb：numpyc：tensor。

原创 ML机器学习

原创 前向传播算法

首先根据W的列数来判断有多少个神经元，W.shape[1]就是输出W矩阵的列数。循环遍历获得这层所有的神经元的输出a_out,以供下层输入。所谓前向传播就是也就是从左向右的算法。跟着吴恩达老师入门机器学习。每个神经元都会输出一个值。

原创 np.array([1，2])与np.array([[1],[2]])与np.array([[1,2]])

np.array([[1,2]])是二维数组（矩阵），可以将他考虑为一个表格，表格第一行为数组[1,2]np.array([[1],[2]])是二维数组（矩阵），表格的第一行为[1],第二行为[2]np.array([1，2])是一维数组，相当于一条线上有1和2两个元素。

原创 机器学习：线性回归与逻辑回归

其中𝑎是学习率（learning rate），它决定了我们沿着能让代价函数下降程度最大的方向 向下迈出的步子有多大，在批量梯度下降中，我们每一次都同时让所有的参数减去学习速率 乘以代价函数的导数。目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征， 例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为(𝑥1, 𝑥1, . . . , 𝑥𝑛 )。如果选择的正则化参数 λ 过大，则会把所有的参数都最小化了，导致模型变成 ℎ𝜃 (𝑥) = 𝜃0，造成欠拟合。

原创 吴恩达机器学习作业 线性回归

如果我们站在山坡上的这一点，你看一下周围，你会发现最佳的下山方向，你再看看周围，然后再一次想想，我应该从什么方向迈着小碎步下 山？然后你按照自己的判断又迈出一步，重复上面的步骤，从这个新的点，你环顾四周，并 决定从什么方向将会最快下山，然后又迈进了一小步，并依此类推，直到你接近局部最低点的位置。如果𝑎太大，那么梯度下降法可能会越过最低点，甚至可能无法收敛，下一次迭代又移 动了一大步，越过一次，又越过一次，一次次越过最低点，直到你发现实际上离最低点越来越远，所以，如果𝑎太大，它会导致无法收敛，甚至发散。

原创 视图与拷贝（.view&.copy）

视图（.view）： c = a.view() c是a 的视图，可以理解为c是虚拟的，c里面没有内容，他只是将a的内容展示出来，但是它俩的地址不一样。改变c的值，a也会改变，但是改变c 的形状a 并不会改变。深拷贝:(.copy)：完全是两个东西，只是借用内容，相当于在电脑上复制一个文件到其他地方，文件内容一样，但是地址不同，之后任意改变一个文件，另一个不会改变，相互独立。完全不拷贝：a与b共用同一个地址（b=a）,a和b指的是同一个内容，只是叫法不一样，内容地址都一样，所以改变a,b也会变。

原创 asarray 与 array 的区别

都是用于创建数组的函数，但它们之间存在一些重要的区别。

原创 fatmat()

格式化浮点数：可以使用"格式化字符串"来控制浮点数的格式，例如控制小数点后的位数、显示符号、对齐方式等。在字符串中插入变量：可以使用"{}".format()方法将变量插入到字符串中。

原创 Machine Learning(Model Validation)

将数据集分为测试数据和验证数据。

原创 concat与join

'inner'表示只保留两个DataFrame都有的行或列，'outer'表示保留两个DataFrame中所有的行或列，'left'表示保留左边的DataFrame中所有的行或列，'right'表示保留右边的DataFrame中所有的行或列。concat()：连接两个DataFrame,两种方式行连接(axis=0)与列连接(axis=1)。列连接：axis=1 df = pd.concat([df1, df2]，asix=1)，行连接保留df1，df2的所有行，列有重复则取交集。

原创 pycharm使用conda创建的虚拟环境时找不到python.exe

在anaconda软件的安装目录下选择condabin——>conda.bat。解决方案：可能是condaba版本不一样，新版本选不到.exe文件。问题：在创建的虚拟环境中没有找到python.exe文件。然后加载环境，就可以选择创建的虚拟环境了。

原创 groupby()、sort_index()、sort_values()

在默认情况下，pandas 创建的 DataFrame 对象有一个整数索引，从 0 开始递增。当我们对 DataFrame 进行分组、排序、重塑等操作时，索引可能会变得混乱，不再是连续的整数。()：groupby() 是 pandas 库中的一个函数，用于根据一个或多个列的值将数据分组。sort_values()： pandas 库中的一个函数，用于对 DataFrame 或 Series 中的数据进行排序。reset_index()：pandas 库中的一个函数，用于重置 DataFrame 的索引。

原创 map与apply

describe 函数 (对数值):函数是 Pandas 库中的一个函数，用于对数据集进行统计描述。它提供了数据集的计数、平均值、标准差、最小值、四分位数和最大值等描述性统计信息。map()是设计用来对 Series应用一个函数，而apply()是设计用来对 DataFrame 的行或列应用一个函数。apply():可以接受两个参数：一个函数和一个轴参数（行还是列）

原创 iloc与loc的区别

其中row_indices和column_indices是你要选择的行和列的整数索引。set_index("title")：将"title"列设置为DataFrame的索引。，其中row_labels和column_labels是你要选择的行和列的标签。iloc:是基于整数位置的数据选择方法(使用python stdlib)loc:是基于标签的数据选择方法(无切片)

原创 DataFrame与Serise绘制

DataaFrame 表。将表格转换为csv文件。

原创 and与or的区别

元认知的能力就是我们习以为常，见怪不怪的反思能力。