学习网络 算法fasterrcnn深度
NS-3源码学习（二）Channel和NetDevice
NS-3源码学习（二）Channel和NetDevice 对于一个新的802.11协议的实现，仅需要完成对两个抽象类的实现即可，一个是Channel抽象类，一个是NetDevice接口，这两个类对上层来说是透明的，而且据我查阅代码了解，这两个类仅需知道上一层（网络层）是IPv4协议还是IPv6协议即 ......
零基础机器学习数字识别MNIST（on going）
本人之前并未涉及机器学习，但是在嵌入式中都会涉及视觉，借校内比赛从零学习，进行MNIST数字识别模型的搭建。 随着学习进度更新，每天更新。2023-11-15 21:38:55 星期三 一、环境搭建 进行本模型的搭建，需要以下内容： Python环境：利用Anaconda管理 开源机器学习平台：Py ......
【Datawhale 11月组队学习】深度强化学习基础
深度强化学习笔记 第一章：简介&辨析 Definition 强化学习（reinforcement learning，RL）讨论的问题是智能体（agent）怎么在复杂、不确定的环境（environment）中最大化它能获得的奖励。 根据我粗浅的理解，强化学习是一种 AI 学习范式，它并不是用于 ......
Linux操作系统学习6
作为一名计算机专业的学生,学习Linux操作系统存储管理是非常重要的。在这篇博客中,我将分享我在学习Linux操作系统存储管理方面的学习笔记,希望能够帮助到更多的人。 一、Linux文件系统概述 Linux文件系统是Linux操作系统中存储文件和数据的重要部分。它是一种基于树形结构的数据存储系统,所 ......
通过时序和上下文对比学习时间序列表征《Time-Series Representation Learning via Temporal and Contextual Contrasting》(时间序列、时序表征、时态和上下文对比、对比学习、自监督学习、半监督学习)
现在是2023年11月14日的22:15，肝不动了，要不先回寝室吧，明天把这篇看了，然后把文档写了。OK，明天的To Do List. 现在是2023年11月15日的10:35，继续。 论文：Time-Series Representation Learning via Temporal and C ......
2023-2024-1 20231329《计算机基础与程序设计》第8周学习总结
作业信息 这个作业属于哪个课程 https://edu.cnblogs.com/campus/besti/2023-2024-1-CFAP 这个作业要求在哪里 https://www.cnblogs.com/rocedu/p/9577842.html#WEEK08 这个作业的目标 计算机科学概论第9 ......
计算网络之MSTP协议与VRRP协议
一.MSTP协议 MSTP协议出现是基于STP协议和RSTP协议的，要了解MSTP协议就需要先了解其它两个协议 首先，STP协议是交换机生成树协议，它的出现主要是为了解决二层交换机环路的问题，当多个交换机构成环路时，就会发生网络风暴，即一个数据包不断的在环路中传递，浪费交换机资源 为了解决这一问题， ......
python初学者学习笔记-第十章-pandas
Chapter10/pandas 10.1 dataframe简介 dataframe是pandas中最基础的数据结构，当然它也是pandas中最常见的对象，它跟表格类似。 dataframe的行和列是分别存储的数据集；这种存储方式，加快了列和行的操作效率。 10.1.1 创建dataframe 一 ......
FPGA入门学习笔记001
1、assign assign为连续赋值语句，通常用于组合逻辑电路，例如： assign led_out = (key_in == 0)? a : b; 2、timescale 例如： `timescale 1ns/1ps 定义了一个仿真精度。 '1ns'为仿真步进，例如设置100的延时'#100' ......
狂神Markdown基础操作学习记录
Markdown学习 标题 一级标题：#+空格+标题 二级标题：##+空格+标题 三级标题：###+空格+标题 四级标题：####+空格+标题 以此类推（最多到六级标题） 字体 Hello，World！ 两边加上**：加粗 Hello，World！ 两边一个*：斜体 Hello，World！ 两边三 ......
学习随笔（设计模式：代理模式）
内容 今天学习了代理模式，代理模式是为其他对象提供一种代理以控制对这个对象的访问。 收获 1.通过设计一个公共的接口，这个接口将来在真实实体中和代理中都实现 2.起到一种间接访问实体的功能或者将真实实体隔离的功能 感悟 1.如果我们考虑数据的安全性可以使用代理模式 2.如果我们想在操作真实数据对象时 ......
机器学习——束搜索、贪心搜索、穷举搜索
束搜索（Beam Search）、贪心搜索（Greedy Search）和穷举搜索（Exhaustive Search）是在搜索领域常用的三种搜索算法，它们在不同的场景下有着不同的特点和应用。 束搜索（Beam Search）： 束搜索是一种用于寻找最有可能的输出序列的搜索算法，常用于序列生成任务， ......
区域入侵AI算法如何应用在工地场景，保卫工地施工安全？
TSINGSEE青犀智能分析网关区域入侵算法可以预先划定堆放与设备操作区域，并添加设备禁止移动或操作, 来进行检测与报警。 ......
【课程】算法设计与分析——第八周 题解笔记
第八周 算法题解笔记 1极值点 题目描述 给定一个单峰函数f(x)和它的定义域，求它的极值点 该单峰函数f(x)保证定义域内有且只有一个极值点，且为极大值点 题解 本题感觉和dp关系不大，主要思路是三分法，和二分法非常类似，但没有二分法常用，主要用途是用来求单峰函数的极值 对于任意一个上凸函数，选取 ......
图论——差分约束 学习笔记
图论——差分约束 学习笔记 定义 差分约束系统是一种特殊的 \(n\) 元一次不等式组： 包含 \(n\) 个变量 \(x_1,x_2,\dots,x_n\)； 包含 \(m\) 个约束条件，形如 \(x_i-x_j \le c_k\)，其中 \(1 \le i, j \le n, i \neq j ......
机器学习——序列到序列学习（seq2seq）
我们将使用两个循环神经网络的编码器和解码器， 并将其应用于序列到序列（sequence to sequence，seq2seq）类的学习任务。 编码器 由于这里使用的是门控循环单元， 所以在最后一个时间步的多层隐状态的形状是 （隐藏层的数量，批量大小，隐藏单元的数量）。 如果使用长短期记忆网络，st ......
集成学习的基本概念
集成学习是一种机器学习方法，通过结合多个模型的预测来提高整体性能和泛化能力。其基本思想是通过结合多个弱学习器（通常是相对简单的模型）来构建一个更强大、更稳健的模型。集成学习的目标是降低过拟合风险、提高模型的鲁棒性，并在多个学习器之间平衡偏差和方差。 以下是集成学习的一些关键概念和方法： 1. 弱学习 ......
机器学习中的分类和回归
机器学习中的分类和回归是两种主要的预测建模任务，它们分别处理不同类型的输出变量。 分类（Classification）： 定义： 分类是一种监督学习任务，其目标是将输入数据映射到预定义的类别中。在分类问题中，模型的输出是一个离散的类别标签。 例子： 例如，垃圾邮件过滤是一个二分类问题，其中模型需要将 ......
统计学强调低维空间问题的统计推导，机器学习强调高维预测问题
统计学和机器学习在处理数据和模型时的侧重点确实有一些区别，其中涉及到低维和高维空间的问题。 统计学强调低维空间问题的统计推导： 统计学通常关注的是从一组有限样本中获得总体特征的推断。在传统统计学中，数据通常被认为是在低维空间中采样的，即特征的数量相对较少。例如，在古典统计中，可能会考虑一些变量对某个 ......
图论——最小生成树 学习笔记
图论——最小生成树 学习笔记 本文仅对于无向连通图。 生成树，Spanning Tree（ST），在一个 \(n\) 个点的图中选取 \(n-1\) 条边，构成一棵树。 最小生成树，Minimum Spanning Tree（MST），通常是边权和最小的生成树。 算法分类： 算法 Prim Prim ......
官方文档学习
（一）生命周期（旧）v16.8.4（黄色底纹的新版本加UNSAFE_前缀） 1、初始化阶段：由ReactDOM.render()触发 初次渲染 constructor() componentWillMount（）：组件将要挂载 。 componentDidMount（）：组件挂载完毕 PS：一般在这 ......
Django实战项目-学习任务系统-文章汇总
学习任务系统1.0版本已经基本完成了。现在按整理下文章汇总，按照开发时间顺序列举，方便想要完整学习的人。 1，Django实战项目-学习任务系统-需求说明 https://mp.weixin.qq.com/s?__biz=Mzg2NDk2MTY3OA==&mid=2247484111&idx=1&s ......
第十二章学习笔记、知识完整性总结
摘要：本章讨论了块设备 I/O和缓冲区管理;解释了块设备I/O的原理和I/O缓冲的优点;论述了Unix 的缓冲区管理算法，并指出了其不足之处;还利用信号量设计了新的缓冲区管理算法，以提高 I/O缓冲区的缓存效率和性能;表明了简单的PV算法易于实现，缓存效果好，不存在死锁和饥饿问题;还提出了一个比较 ......
Linux学习记录：I/O重定向与管道
1.文件描述符 数据流又可分为 标准输入流 、标准输出流和标准标准错误流。 这三种流向对应着相关的文件描述符， 默认描述符范围是：0-2。 0:标准输入 1:标准输出 2:标准错误 3以上为常规文件的描述符 2.重定向 输入重定向：指的是重新指定设备来代替键盘作为新的输入设备； 输出重定向：指的是重 ......
hyper-v虚拟机中ubuntu连不上网络的解决办法
首先重启下hyper-v的服务，看下情况： 1、检查hyper-v相关的服务有没有开启 2、如果开启了服务，unbuntu仍然不能连网，则在ubtuntu中进行接下来的步骤： 2.1 设置网络连接为NAT模式； 2.2 在控制台输入以下命令 sudo service network-manager ......
网络流
最大流（dinic算法）模板 #include<bits/stdc++.h> using namespace std; typedef long long ll; const ll inf=1e18; struct edge{ll v,cap,flow;}; ll n,m,s,t; vector<e ......
检测重叠时间段的算法 [重复]
内容来自 DOC https://q.houxu6.top/?s=检测重叠时间段的算法 [重复] 我需要检测两个时间段是否重叠。 每个时间段都有一个开始日期和结束日期。 我需要检测我的第一个时间段（A）是否与另一个时间段（B/C）重叠。 在我的情况下，如果B的开始等于A的结束，则它们不重叠（反之亦然 ......
机器学习——编码器和解码器架构
正如我们在 9.5节中所讨论的， 机器翻译是序列转换模型的一个核心问题， 其输入和输出都是长度可变的序列。 为了处理这种类型的输入和输出， 我们可以设计一个包含两个主要组件的架构： 第一个组件是一个编码器（encoder）： 它接受一个长度可变的序列作为输入， 并将其转换为具有固定形状的编码状态。 ......
图论——最短路 学习笔记
图论——最短路 学习笔记 其实是复习性质的，主要是总结，证明什么的，等上大学再说。 定义 单源最短路：从一个点 \(q\) 出发，到其他所有点的最短路。 全源最短路：任意两点见最短路。 算法对比 算法 Floyd Johnson Bellman–Ford SPFA Dijkstra 类型 全源 全源 ......
神经网络入门篇：激活函数（Activation functions）
激活函数 使用一个神经网络时，需要决定使用哪种激活函数用隐藏层上，哪种用在输出节点上。到目前为止，之前的博客只用过sigmoid激活函数，但是，有时其他的激活函数效果会更好。 在神经网路的前向传播中，\(a^{[1]} = \sigma(z^{[1]})\)和\(a^{[2]} =\sigma(z^ ......