ylycrp的博客

原创 jupyter notebook更改位置

2. 用记事本打开这个配置文件，定位到c.NotebookApp.notebook_dir = '/path_to_your_directory'添加要存放的位置在目标文件的末尾，重新启动jupyter notebook即可。3.找到jupyer图标的位置，打开属性。一般在c盘用户的.jupter文件夹下。1.找到jupyer的配置文件。

原创 Python+Vue全栈开发BI数据可视化项目

数据清洗，运算，建模，分析，可视化。如何得到这样一个大屏可视化展示。

原创 将Latex中Algorithm 1 改成算法1.1

2.algorithm algorithmic 两个地方要修改一下。\floatname{algorithm}{算法3.1}1.要将中文的包导入进去否则算法两个字无法显示出来。

原创 Aurora中显示中文

Packages里面插入这个包。

原创 机器学习分类模型

（Decision Tree）是一类常见的机器学习方法，可应用于分类与回归任务，这里主要讨论分类决策树。决策树是基于树结构来进行决策的。下图是使用决策树来决定是否见对象，可以把决策树看作根据要回答的一系列问题，做出决策来进行数据分类。尽管名为“回归”，但逻辑回归实际上是一种分类算法，用于预测二分类或多分类问题。K最近邻（KNN）分类是一种基于实例的学习方法，它使用最接近的训练样本的类别标签来预测新数据点的标签。神经网络分类是机器学习和深度学习中的一个重要应用，特别是在图像识别、文本分类和语音识别等领域。

原创 pip conda 下载报错

被自己蠢哭，服务器没有连接外网，下载个屁，看看服务器有没有联网。

原创 手写代码系列

（5）手写简易Jquery考虑插件和易扩展性代码演示。（4）手写画图解释原型链（class的原型和本质）(6）手写bind函数 视频6-4。（1）手写clearfix。(2) 手写圣杯模型。（3）手写深拷贝 递归。

原创 4.CSS图文样式

考点：line-height为200%时，font-size为40px。

原创 5.CSS-响应式

原创 3. CSS-定位

​​​​​​​居中对齐的实现方式：

原创 2.CSS布局

（offsetwidth)=content宽度+padding左+pading右+boder左+border右 （不含margin）指相邻的两个元素如果同时设置了margin-top和margin-bottom会发生重叠现象。

原创 VScode代码自动格式化

VScode自动代码对齐

原创 选择器（三）

选择器的优先级

原创 选择器（二）

伪类选择器（动态伪类，结构伪类，UI伪类，目标伪类，语言伪类）伪元素选择器

原创 选择器（一）

元素选择器，id选择器，类选择器、通配选择器、并集选择器、交集选择器，子代选择器，后代选择器，兄弟选择器，属性选择器

原创 记录latexdiff对MDPI追踪修订无效的方案

Latexdiff 追踪修订

原创 水平居中和垂直居中

水平居中、垂直居中

原创 TexLive安装

wu

原创 Java案例11-19

Test

原创 day04 Flow control statements

day04

原创 day03二进制与运算符

day03二进制与运算符

原创 day02变量与运算符

day02

原创 Java案例（1-10）

Java小案例100个积累中，在案例中发现问题，解决问题

原创 Aurora Equation——Latex表格

Aurora Equation——Latex表格

原创 matplotlib画图——柱状图、折线图

matplotlib画柱状图，折线图

原创 联邦学习经典算法总结

联邦学习FL

原创 使用Aurora在word里面编写伪代码

Aurora插入LaTex代码

原创 EndNote X9使用教程

NodeNote X9 非常简单 附有汉化版下载链接，放心下载

原创 初识Vue

Vue

原创 项目后台技术Express

Vue

原创 本地电脑和linux服务器之间互传，比xftp快好用

linux常见命令

原创 二 、面向对象的程序设计

java三大特点：封装、继承、多态。

原创 一、jdk安装

jdk安装

原创 pytorch快速入门（五）——pytorch 生成对抗网络

改良网络的方法：1.更改损失函数：将均方差损失函数MSELoss() 更改为 BCEloss。更改后测试数据集的性能分（准确率）从87%提高到91%。但下降速度较MSELoss慢，且噪声更大。2.更改激活函数：S型激活函数的缺点是：在输入值变大时，梯度会变得非常小甚至消失。这意味着，在训练神经网络时，如果发生这种饱和，我们无法通过梯度来更新链接权重。可选用直线作为激活函数，直线的固定梯度是永远不会消失的...

原创 机器学习快速入门（二）

1.根据机器学习应用场景和学习方式的不同，可以简单的分为三类：无监督学习、半监督学习、和有监督学习。2,无监督学习不需要提前知道数据集的类别标签。无监督学习算法的使用场景通常为聚类和降维，如使用K-均值聚类、系统聚类、密度聚类等算法进行数据聚类。使用主成分分析、流行降维等算法减少数据的特征数量。3.半监督学习是利用极少的有标签数据和大量的无标签数据进行学习，通过学习得到的对经验对无标签的测试数据进行预测。4.有监督学习：分类，回归。5.深度学习和传统的机器学习最大的特点是端到端的学习，在进行

原创 pytorch入门（四）——matplotlib

原创 医学图像处理（一）

1.HWC转换成CHW，SimpleITK 和 Nibabel 的区别：SimpleITK 加载数据是channel_first，即（155，240，240）；Nibabel 是 channel_last，即（240，240，155），其中155是图像通道数，也就是155张图像，可以把nii看成二维图像，也可以看成三维。看成二维就是[HWC]但是 nibabel加载出来的图像被旋转了90度，横过来了但是pytorch中计算的话是[CHW]转换方式有两种一是a=[ ...

原创 联邦学习安装软件教程2

1.安装 torchmetricsconda install -c conda-forge torchmetrics2.安装 pytorch_lightningpip install pytorch_lightning==1.0.0不能直接安装最新版，不然pytorch的版本也要改变了

原创 机器学习快速入门（一）

1.在机器学习算法中，按照学习方式大致可以分为四大类，分别是监督学习、半监督学习、无监督学习和强化学习。2.监督学习是利用一组带标签的数据集，学习从输入到输出关系的映射关系f，然后将学习到的映射关系f应用到未知的数据上，用于预测未知数据的类别或数值。常见的有分类问题：预测的标签是离散的类别和回归问题：预测的标签是连续数值类型。3，基于监督学习有这么一句话：数据和特征决定了机器学习的上限，模型和算法只是逼近这个上限。4.半监督学习是输入的数据有少量的标签，进行学习，学习的目的就是在这些未标记的数据

原创 pytorch入门（三）——minist手写体数字识别案例

from torch.nn import initimport torch.nn as nnimport mathimport timeimport torchfrom torchvision import transformsfrom sklearn.model_selection import train_test_splitimport numpy as npimport torch.nn.functional as Fimport pandas as pdimport torc.