clustering spectral机器 笔记
git学习笔记（十一）：Feature分支
> 新旧更迭，不辞旧来迎新。 > 每添加一个新功能，最好新建一个feature分支在上边开发，完成后合并，最后删除这一分支。 所以正常操作就是新建分支，进入新分支，编写代码，提交代码，切回主分支，准备合并。 如果忽然这个功能不需要了，要如何销毁这一分支呢？ 直接使用git branch -d fea ......
git学习笔记（十）：Bug分支
> bug的产生无法避免-_- 每个bug都可以通过一个新的临时分支来修复，修复后合并分支，然后将临时分支删除。 当你想创建一个新分支来修复这个bug时，突发情况是你正在编写的代码还在没有完成，所在分支还无法提交。但Bug又很紧急，必须处理。这个时候要如何从没完成 没提交的任务中跳到另一个任务中呢？ ......
【笔记】字符串基础
# 7.31 字符串 ## (ex)KMP 不会 exkmp，标记了。exkmp 就是暴力。 - 字符串 $s$ 的 period 是一个字符串，满足 $s$ 是无限重复首尾相连的 period 的前缀。 - 字符串 $s$ 的 border 是一个字符串，是前缀等于后缀的子串，不能是原串。 - 根 ......
.NET 6入门笔记
.NET 6入门 1、ApiControllerAttribute 实际上[ApiController]是ApiControllerAttribute类, 要在方括号外面写全, 方括号内不用写全 2、ApiController数据源推断 （0）参数特性(过时) .net core 3.1以前, 如果 ......
gout 使用笔记2
目前对于反射使用不是很熟悉，记录之 if val.Kind() == reflect.Interface { val = reflect.ValueOf(val.Interface()) } switch t := val.Kind(); t { case reflect.Uint, reflect ......
【学习笔记-CS144 计算机网络】网络层
概述 主要功能： 寻址和路由选择 建立和维护连接 差错和纠错功能 流量和拥塞控制 数据分片和重组技术 网络层协议 IP 协议 IPv4：32bits, a,b,c,d，0~255。有数字划分规范，ABCD类。 IPv6：128bits, 能解决IPv4网络地址资源数量的问题，而且也解决了多种接入设备 ......
【学习笔记-CS144 计算机网络】传输层
概述 主要任务： 对接端口 连接管理 分割和重组上下数据 差错和纠错功能 流量控制 传输层协议 TCP 特点： 可靠性高 端到端，面向连接 基于字节 速度慢 向下传递操作步骤： 接受来自应用层的8位字节的数据流，并根据MTU分段。 封装上队头标记，打包成数据包 将数据包传送给IP层（网络层） TCP ......
鸟哥Linux私房菜学习笔记day5
第十章 4.Bash shell操作环境 终端环境设置:stty set 登录终端时，自动获取的一些终端的输入环境的设置。 stty [-a] set [-uvCHhmBx] echo $- 可以显示目前所有的set设置值 通配符与特殊符号符号 意义* 代表0到无穷多任意字符？ 代表一定有一个任意字 ......
机器学习从入门到放弃：Transfomer-现代大模型的基石
一、前言 随着 ChatGPT 的横空出世，全世界的目光都聚焦在了生成式 AI 上。本次将介绍 Transformer 的发展历史、基本原理，也是记录总结自己在学习路上的所得。 首先我想聊聊 NLP 的发展路线，这样对于后面的 transformer 可能会有更好的理解。自从计算机诞生之初，让计算机 ......
运行 docker-compose -f common.yml -f kafka_cluster.yml up 命令之后，其中一个broker容器未启动，原因是什么？
今天在运行 docker-compose -f common.yml -f kafka_cluster.yml up ，这条命令的时候，原来应该启动的broker-3容器没有启动，然后允许docker ps -a 查看存在但是没有up的容器。 找到broker-3的容器id:，docker logs ......
github学习笔记（九）：分支管理策略
> 合并的分支到底是如何管理的呢？ ## 分支的合并 通常git使用 Fast forward模式来合并分支，但是这种模式下一旦删除分支，信息也随之消失。如果强制禁用Fast Forward模式，git就会在merge时生成一个新分支，这样从分支历史上就可以看出分支信息。 ### 例子 创建并切换分 ......
【学习笔记】扫描线
扫描线是用来求解图形面积并的一个算法。 # 问题引入 给定 $n$ 个长方形，求它们的面积并。下面以两个长方形为例：  = -p_1 \text{log}_2(p_1) - (1- p_1) \text{log}_2(1- p_1) $$ ### 代码 ```python # UNQ_C1 # GRADED FUN ......
【机器学习】K-Means
# K-Means ## 找最接近的质心 ### 公式 $$ c^{(i)} := j \quad \mathrm{that \; minimizes} \quad ||x^{(i)} - \mu_j||^2 $$ 其中，范式$||X||$，其计算公式为 $$ ||X|| = \sqrt{x_1^2 ......
Unity学习笔记（一) 坐标系和基本操作
# 1 坐标系 ## 1.1 左手坐标系和右手坐标系 > - 左手坐标系`(Unity使用)`: 伸开我们的左手, 掌心向外, 大拇指与食指成90度, 中指、无名指和小指弯曲, 大拇指指向的方向就是X轴正方向, 食指指向的方向就是Y轴正方向, 中指、无名指和小指指向的方向就是Z轴正方向。 > - 右 ......
【机器学习】逻辑回归
# Logistic Regression > 分类问题 > > 本质是分类，要预测的变量是离散的值 ## 逻辑回归模型 ### 数学表达式 $$ z = \vec w \cdot \vec x + b \tag{1} $$ $$ f_{\vec w, b}(\vec x) = g(z) \tag{ ......
【机器学习】正则化
# Regularized ## Cost function for regularized linear regression ### 数学表达式 $$ J(\mathbf{w},b) = \frac{1}{2m} \sum\limits_{i = 0}^{m-1} (f_{\mathbf{w}, ......
【机器学习】协同过滤
# Collaborative Filtering Recommender Systems > 解决相似度问题 ## 概念 准确率 = $accuracy = \frac{预测正确的样本}{总样本}$ 精确率 = $precision = \frac{预测成功的正类}{预测的正类}$ 【不能误检】 ......
【机器学习】神经网络
# Neural Networks > 神经网络：一种计算模型，由大量的节点(或神经元)直接相互关联而构成。每个节点(除输入节点外)代表一种特定的输出函数(或者认为是运算),称为激励函数；每两个节点的连接都代表该信号在传输中所占的比重(即认为该信号对该节点的影响程度) > > 神经网络三要素：模型、 ......
【机器学习】softmax回归
# Softmax Regression > (多标签分类)将多输入的分类值转化为\[0,1\]的概率分布，进而进行逻辑回归算法 > > softmax能将差距大的数值距离拉得更大，但是数值可能会溢出 ## Softmax Function ### 数学表达式 $$ a_j = \frac{e^{z ......
Unity学习笔记（一) 坐标系和基本操作
# 1 坐标系 ## 1.1 左手坐标系和右手坐标系 > - 左手坐标系`(Unity使用)`: 伸开我们的左手, 掌心向外, 大拇指与食指成90度, 中指、无名指和小指弯曲, 大拇指指向的方向就是X轴正方向, 食指指向的方向就是Y轴正方向, 中指、无名指和小指指向的方向就是Z轴正方向。 > - 右 ......
sipeed公司SLogic Combo8体验使用笔记
#sipeed公司SLogic Combo8使用体验笔记 ##一、简介 SLogic combo8是一款基于 Sipeed M0s Dock 进行二次开发而成的逻辑分析仪，同时还兼有CKLink Debugger、DAP-Link Debugger、USB2UART功能，通过按键可以任意切换功能。 ......
光照与材质（龙书笔记）
# 光照和材质 ## 光照 光源可以发射3种不同的光线。 如果没有光照，立体的物件看起来就像是一个平面（比如一个球体，有光照时就像一个球体，无光照时就像一个平面的圆形）。 越精确的光照模型，计算时间就越长。电影可以用更写实的光照模型，因为电影是可以预渲染的。但是游戏是实时的应用程序。 ### 局部光 ......
工业机器人的形态（非姿态）
# 工业机器人的形态 当我们描述机器人在空间的一个位姿时，通常使用直角坐标系、工具坐标系或用户坐标系（统称为笛卡尔坐标系）的点。但是同样的一个位姿对于关节坐标系来说可能有多个值。 ![零点](https://img2023.cnblogs.com/blog/2130556/202307/213055 ......
DRF之APIView全笔记
一.APIView基本视图，所有的都用这个来作viewsetmixin主要管as_view{}里的调配 让视图不再需要两个类 二.通用视图GenericAPIView（rest_framework.viewsets） GenericAPIView一共五个功能,数据库获取、分页、序列化、getobje ......
达梦数据库集群启动笔记
## 集群启动顺序 ### 主库启动数据库服务 ``` cd /opt/dmdbms/bin/bin ./dm_services start DmServiceGRP1_RT_01 ``` ### 备库启动数据库服务 ``` cd /opt/dmdbms/bin/bin ./dm_services ......
【机器学习】多变量线性回归
# Liner Regression with Multiple Variable > 用向量实现的代码，单变量和多变量可以共用 > > 多变量线性回归相当于是单变量的扩展，主要还是按照模型假设、构造代价函数和研究代价函数的最小值这样的思路展开。 > > 与单变量线性回归不同的是，多变量线性回归还可 ......
【TCP】学习笔记：application/octet-stream
当浏览器在请求资源时，会通过http返回头中的content-type决定如何显示/处理将要加载的数据，如果这个类型浏览器能够支持阅览，浏览器就会直接展示该资源，比如png、jpeg、video等格式。在某些下载文件的场景中，服务端可能会返回文件流，并在返回头中带上Content-Type: app ......