图像处理 物体 算法 深度
深度学习应用篇-自然语言处理[10]：N-Gram、SimCSE介绍，更多技术：数据增强、智能标注、多分类算法、文本信息抽取、多模态信息抽取、模型压缩算法等
深度学习应用篇-自然语言处理[10]：N-Gram、SimCSE介绍，更多技术：数据增强、智能标注、多分类算法、文本信息抽取、多模态信息抽取、模型压缩算法等 ......
深度学习应用篇-自然语言处理-命名实体识别[9]：BiLSTM+CRF实现命名实体识别、实体、关系、属性抽取实战项目合集（含智能标注）
深度学习应用篇-自然语言处理-命名实体识别[9]：BiLSTM+CRF实现命名实体识别、实体、关系、属性抽取实战项目合集（含智能标注） ......
非对称加密算法 RSA公钥证书两种格式 pem cert
#### 很多时候我们看到 .pem .cert .ras .pub ### 例如我们经常的免密的登录  #### ......
Winform 窗体遮罩层懒人处理法
前言 之前有个项目需要执行一个略微耗时的操作大概五六七八九十秒这样子，这个时候程序不能做其他操作，只能等待操作完成。为了提升一丝使用体验同时让Winform程序看上去高级一点🎃🎃🎃，就想到加一个遮罩层（MaskLayer）。虽然Winform没有原生的遮罩层，但是实现起来也不是很麻烦。 遮罩层 ......
Go 错误处理
在 Go 中如果遇到错误，该如何处理？可以看下最常见的除零异常： ```go num := 10 fmt.Println(num / 0) ``` 可以发现，当我们直接运行上面的代码的时候，程序抛出了一个异常并且程序直接退出了 ```shell ➜ go-learn go run error_han ......
使用Thumbnails进行图片压缩，报“No suitable ImageReader found for source data”异常处理。
先转一次byte数组 再处理byte[] bigContent =file.getBytes(); Thumbnails.of(new ByteArrayInputStream(bigContent)).scale(1f).outputQuality(0.3f).toFile(fileThu); ......
自然语言处理 Paddle NLP - 词向量应用展示
词向量（Word embedding），即把词语表示成实数向量。“好”的词向量能体现词语直接的相近关系。词向量已经被证明可以提高NLP任务的性能，例如语法分析和情感分析。 PaddleNLP已预置多个公开的预训练Embedding，您可以通过使用paddlenlp.embeddings.TokenE ......
读改变未来的九大算法笔记10_读后总结与感想
 # 1. 基本信息 改变未来的九大算法 [美]约翰·麦考密克（John MacCormick ） 中信出版集团,2 ......
函数图像
# 初等函数图像与系数的关系 ## 基本函数 $y=x$ ### 系数大于0 $y=x$ 中 $x$ 的系数越大函数图像越接近 $y$ 轴，系数越小越接近 $x$ 轴，定义域值域都是 $(-\infty,+\infty)$ ，在定义域内都是增函数，是个关于原点对称的奇函数 [y=x 函数图像和系数的 ......
4.6 无监督学习-K-means算法
# 1 什么是无监督学习  - 一家广告平台需要根据相似的人口学特征和购买习惯将美国人口分成不同的小组，以便广告客 ......
4.4 分类算法-逻辑回归与二分类以及分类的评估方法
# 1 逻辑回归的简介 ## 1.1 简介 **逻辑回归（Logistic Regression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的联系。由于算法的简单和高效，在实际中应用非常广泛。** ## 1.2 应用场景 - 广告点击率（是否会被点 ......
算法题：球反弹高度问题
一个球从100米高度自由落下，每次落地反弹回原高度一半。求它在第10次落地时候，共经过多少米？ 第十次反弹高度是多少？ // 设经过路程为sum 每次反弹高度为F $f=100; $sum = 100; for($i=1;$i<=10;$i++){ $f = $f/2; $sum = $sum + ......
【LeetCode.384打乱数组】Knuth洗牌算法详解
前两天看网易面筋得知网易云的随机歌曲播放使用了这个算法，遂找题来做做学习一下 ### 打乱数组 https://leetcode.cn/problems/shuffle-an-array/ 给你一个整数数组 nums ，设计算法来打乱一个没有重复元素的数组。打乱后，数组的所有排列应该是 **等可能* ......
算法题：百钱买鸡问题
公鸡5文钱一只 母鸡3文钱一只 小鸡一文钱3只 问100文钱，要买100只鸡，每种鸡不少于一只 那么100只鸡中，公鸡母鸡小鸡各有多少只 // 设 公鸡数g 母鸡数m 小鸡数 x // 那么 g*5 + m*3 + x/3 = 100文 for($g=1;$g<=100;$g++){ for($m= ......
数据预处理
## 大数据的特征 1、容量大 2、多样化 3、价值大 4、速度快 ## 大数据的层次结构  ## 大数 ......
神经网络反向传播算法（BP）
前面讲了神经网络的前向传播算法，下面再对反向传播算法进行总结。 反向传播算法也称为误差逆传播（error BackPropagation），是指基于梯度下降对神经网络的损失函数进行迭代优化求极小值的过程，它不仅可应用于前馈神经网络，还可以用于其他类型的神经网络。需要注意的是，大家提及到的“BP网络” ......
算法题：找出阿姆斯壮数
Armstrong（阿姆斯壮）数是等于其数字的立方数之和的数字， 如 153 可以满足 1*1*1+5*5*5+3*3*3=153，试写出一程序找出所有的三位数 Armstrong 数。 采用穷举法，把数分成三位，遍历从100到999，如果三个数立方数之和 等于 它自己，则输出。 // 找出所有三位 ......
深度学习应用篇-计算机视觉-视频分类[8]：时间偏移模块（TSM）、TimeSformer无卷积视频分类方法、注意力机制
深度学习应用篇-计算机视觉-视频分类[8]：时间偏移模块（TSM）、TimeSformer无卷积视频分类方法、注意力机制 ......
文心一言 VS 讯飞星火 VS chatgpt （38）-- 算法导论5.4 2题
# 二、假设我们将球投入到b个箱子里，直到某个箱子中有两个球。每一次投掷都是独立的并且每个球落入任何箱子的机会均等。请问投球次数期望是多少? ## 文心一言： 这是一个典型的鸽巢原理（Pigeonhole Principle）问题。假设每次投球时，每个箱子有1/b的概率被选中。我们设投球次数为x。 ......
《数据结构与算法》之树
导言： 我们在前面的学习中认识到了栈还有队列这些线性的数据存储结构，而现在我们要了解的数据结构却不是线性的了，我们试想线性的结构最大的缺点查询不方便，不管你是从前往后开始查找数据，还是从后往前开始查找数据都是一个一个的比对， 效率很低，所以不推荐使用，那么我们的树结构来存储的话，查找数据会不会被优化 ......
【信息安全】项目实践：基于LSB(最低有效位)原理的图像隐写
# 知识分享 ## 什么是隐写？ 隐写术*(Steganography)* 这一名词早在文艺复兴时期就已出现。很多同学小时候玩过的秘密写字（紫外线照射使字迹显现）也可以说是隐写的一种。而现在的数字隐写术在是信息安全杂项门类下的一个小分支，主要研究将信息隐藏在数字载体中（一般是公开媒介）。信息隐写不仅 ......
基于半监督学习的单体型组装算法
基于半监督学习的单体型组装算法 李明阳 湖南师范大学 摘要：单体型组装(Haplotype Assembly)是根据测序得到的DNA片段通过各种模型算法来重建出生物个体的单体型。随着人类基因组计划(Human Genome Project,HGP)的逐渐完成,人们已经认识到个体之间基因序列的差异是造 ......
0001. Kmeans聚类算法
一、Kmeans原理 Kmeans算法是一种常见的聚类算法，用于将数据集划分成k个不重叠的簇。其主要思想是通过迭代的方式将样本电话分到不同的簇中，使得同一簇内的样本点相似度较高，不同簇之间的相似度较低。 Kmeans算法的详细步骤： 初始化：选择k个初始聚类中心，可以是随机选择或者根据某种启发式方法 ......
Go 连接 MySQL之 MySQL 预处理
# Go 连接 MySQL之 MySQL 预处理 ## 一、ChatGPT 关于 MySQL 预处理 的回答 ### 问：什么是MySQL 的预处理 具体执行过程时什么 #### ChatGPT 答： MySQL的预处理是一种在执行SQL语句之前，先进行编译和优化的机制。它将SQL语句分成两个阶段： ......
算法题总结-分组背包
原题 有 N 件物品和一个容量为 V 的背包。第 i 件物品的费用是 Ci，价值是 Wi。这些 物品被划分为 K 组，每组中的物品互相冲突，最多选一件。求解将哪些物品装入背包 可使这些物品的费用总和不超过背包容量，且价值总和最大。 由于截止目前，没有刷到对应的经典题目，以下以依赖背包的转化题目进行解 ......
关于RL 和DRL中的算法总结
其中： RL 分为基于价值的学习和基于策略的学习 和 AC 架构的 # 价值学习 ## DQN DQN = Q_learing+网络 使用了价值网络 q(..w) ### DQN 训练的过程 **基础的DQN 就是 训练Q网络 更新w 参数** 代码中梯度下降用的是下面这一张 
从零开始实现的代码如下: import math import random #随机梯度下降 随机的权重 import time import numpy as np from d2l import torch as d2l #实现过的函数写在d2l包中 ''' 加这两句是为了能画出散点图,不然会报 ......