Odd Function-CSDN博客

原创常见的Dos命令

DOS命令，全称为“Disk Operating System Command”，是用于在DOS（磁盘操作系统）环境下执行操作的命令。DOS是早期个人电脑上常用的操作系统之一，它是一个基于命令行界面的系统，用户需要通过输入特定的命令来管理文件、运行程序和控制系统资源等。DOS命令通常包括文件操作命令（如COPYDELMOVE等）、系统管理命令（如FORMATSYS等）、程序执行命令（如RUNSTART等），以及一些辅助工具命令（如CHKDSKDISKCOPY等）。

2024-04-23 17:42:36 301

转载图片版的PPT提高清晰度解决方案

进入【相册】功能之后，点击【文件/磁盘】找到咱们的图片文件夹，点击【确定】就可以自动生成一份按序的图片版PPT啦~会发现默认16:9的尺寸是33.867cm x 19.05cm（宽屏），其对应的分辨率即为1280 x 720。接着选择导出【所有幻灯片】，这样PPT就会变成一张张图片，乖乖地待在一个文件夹里。高清PPT图片你值得拥有，分辨率均为4000 x 2250，“不可思议”的大~我们都知道PNG比JPG来得更清晰，但PNG文件也比JPG来的大的多。同样一份PPT，同样的页数，同样的图片尺寸。

2023-11-03 22:15:12 252

原创如何从只会写算法题到开发程序——北邮数据结构与算法大作业：北京地铁线路查询系统

当一个用户从甲地到乙地时，由于不同需求，就有不同的交通路线，有人希望以最短时间到达，有人希望用最少的换乘次数等。请编写一北京地铁线路查询系统，通过输入起始站、终点站，为用户提供两种决策的交通咨询。设计要求：1.提供对地铁线路进行编辑的功能，要求可以添加或删除线路。2.提供两种决策：最短时间，最少换乘次数。3.中途换乘站换乘耗时为5分钟，地铁在除始发站外每一站停留1分钟。4.按照始发站时间、地铁时速及停留时间推算之后各个线路的地铁到站时间。5.该系统以人机对话方式进行。系统自动获取当前时间，用户输入起始站，终

2023-09-10 02:00:08 2274 3

原创人工智能导论实践|Day 2:数据处理

人工智能导论》（北京邮电大学出版社）第二章习题（2）举例说明list对象进行一维数据和二维数据的转化方法。

2023-09-05 17:11:37 109 1

原创人工智能导论课程实战实战|Day 1：Sklearn的使用

任务：《人工智能入门实践》（北京邮电大学出版社）第三章课后习题（4）。题目：试分别用逻辑回归，贝叶斯分类器，SVM模型和决策树分类器等算法，针对手写数字训练集进行训练，并验证不同算法的性能。

2023-09-05 17:07:01 241 1

原创北邮数据结构与算法实践|作业二：迷宫问题

以一个 m×n 的长方阵表示迷宫，0 和1分别表示迷宫中的通路和障碍。设计一个程序,对任意设定的迷宫，求出一条从入口到出口的通路，或得出没有通路的结论。以下是仅为一条测试数据：左上角 (0，1)为入口，右下角 (11，12)为出口。01234567891011120入1234567891011出120123456789101112010111111111111100000100。

2023-08-31 17:29:21 1413 2

原创北邮数据结构与算法实践|作业一：构建哈夫曼树

于是我开始debug。debug了一个多小时，发现是构建哈夫曼树的时候，在找到最小两个数字时，j标成i了。。。（吐血）经验教训：内层循环是i还是j一定要写清楚！后来调试，还是不行。又经过一个多小时debug，发现：1.选取最小值的时候应该加上“父节点==-1”这个条件2.min1和min2的初始化应该是要两个最大的数值。所以将第50个节点的权重设置为最大，并且将min1和min2都初始化为50后来这种方法一直调不对，于是我放弃了。换另外一种方法：每次只找最小的，不找第二小的。

2023-08-29 14:50:42 834 1

原创从零开始了解transformer的机制|第四章：FFN层的作用

FFN层就是feed forward层。他本质上就是一个两层的MLP。这个MLP的数学本质是：其中两层感知机中，第一层会将输入的向量升维，第二层将向量重新降维。这样子就可以学习到更加抽象的特征。

2023-08-26 22:06:50 15663 2

原创《A Gentle Introduction to Graph Neuron Network》学习笔记

图神经网络是个比较新的领域，刚刚开始应用在药物发现，物理模拟，虚假新闻的检测，交通检测，推荐系统等等（可以再查查。应用落地是机遇）GNN是对图中所有元素（包括顶点，边，全局U）的一个变换，并且保持住图的对称信息（置换不变性）从而使不同的表示方法，做出来的结果一样。

2023-08-20 17:06:13 133 1

原创从零开始了解transformer的机制|第三章：self attention

这是 Transformer 的关键步骤之一。它允许模型在一个序列中的不同位置关注其他位置的信息，从而捕捉长距离的依赖关系。

2023-08-17 17:25:18 183 1

原创从零开始了解transformer的机制|第二章：Positional Encoding

一种常见的位置编码方法是使用正弦和余弦函数。具体来说，位置编码为每个位置和每个维度生成一个值，然后将这些值添加到input embedding中。这样，每个位置的词向量就会有一个额外的位置信息。为了引入序列中单词的位置信息，位置编码被添加到输入嵌入中，以便模型能够理解单词在序列中的相对位置。对于每个位置 `pos` 和维度 `i`，我们分别计算正弦和余弦值，并将它们添加到词向量中。然后，你可以将生成的位置编码与输入词向量相加，从而在输入嵌入中引入位置信息，这样模型就可以更好地理解单词在序列中的顺序关系。

2023-08-17 16:49:48 220 1

原创从零开始了解transformer的机制|第一章：word embedding

首先要对输入的词汇进行处理。那我们就要想一下：怎么表达词汇能够让机器看得懂呢？朴素的想法，我们可能会开一个向量，向量的长度就是所有词汇的总和。向量中每个位置代表一个词（例如第一个位置代表abandon，第二个位置代表an）然后abandon这个词就用（1,0,0...）表示，an这个词就用（0,1,0...）来表示。例如：所谓word-embedding。就是：把每个单词变成一个多维的数字向量。你可以把这个向量想象成是词汇空间里的一个点，而每个维度代表了某种词汇特性，比如语义（意义）或者上下文关系。

2023-08-17 16:39:18 431 1

weixin_73179708的博客