原创 程序組織形式

C語言中,程序可分成三個部分 1、頭文件:包含結構聲明、和 使用這些結構的函數原型(函數聲明); 2、源代碼文件:包含與結構有關的函數代碼; 3、主程序源代碼文件:包含調用與結構相關的函數的代碼; 注意:頭文件中不能放函數定義、變量聲明

原创 數字圖像的傅里葉變換筆記

數字圖像的傅里葉變換,得到圖像的頻譜圖,圖中的像素值表示在u,v頻率分量下的幅值大小 傅里葉變換的頻譜圖包含圖像的灰度信息;相譜圖包含位置信息; 圖像的頻譜圖,如果進行中心變換後,即f(x,y)*(-1)^(x+y) <-->F(U-

原创 數據結構—線性表

鏈表 單鏈表常用操作: 1、在第i個節點後插入一個節點 主要思想:找到第i個節點的地址、及第i+1個節點的地址 nodelink p,temp;           //創建兩個指針 p=head; for(int j=1;j<i;j+

原创 機器學習——神經網絡模型構建方法

J=−1m∑i=0m(y(i)log⁡(a[2](i))+(1−y(i))log⁡(1−a[2](i))) 兩層神經網絡模型 構建神經網絡方法: Reminder: The general methodology to b

原创 c++ 繼承

基類與派生類的轉換 公有派生類對象可以當作基類對象使用,反之則不行; 派生類對象可以隱含的轉換爲基類對象 派生類對象可以初始化爲基類的引用 派生類的指針可以隱含轉換爲基類的指針 派生類構造函數 如果派生類不新增數據成員,可以通過繼承派

原创 Effective C++閱讀筆記1

第四章 設計與聲明 條款18讓接口容易被正確使用,不易被誤用; ①重定義接口的類型,比如: Data(int day, int month, int year);替換爲:Data(Day d, Month m, Year y);

原创 cany邊緣檢測算法(坎尼算法)

砍尼算法是最優的邊緣檢測器 預備知識: 圖像梯度:在一幅圖像f(x,y)位置處尋找的邊緣強度和方向,所選工具就是梯度。 求取圖像梯度的方法:用模板算子:如sobel算子等,算子有方向區別,x方向算子,y方向算子 通過模板可以得到Gx

原创 python數據類型

python數據類型詳解 目錄 1、字符串 2、布爾類型 3、整數 4、浮點數 5、數字 6、列表 7、元組 8、字典 9、日期 1、字符串 1.1、如何在Python中使用字符串a、使用單引號(') 用單引號括起來表示字符串,例如: s

原创 機器學習—第二週作業—logistics regression

Logistic Regression with a Neural Network mindset Welcome to your first (required) programming assignment! You w

原创 深度學習與神經網絡-吳恩達-第三週 TensorFlow入門

TensorFlow Tutorial Welcome to this week's programming assignment. Until now, you've always used numpy to build neu

原创 機器學習-第四周作業——構建深度神經網絡

Building your Deep Neural Network: Step by Step Welcome to your week 4 assignment (part 1 of 2)! You have previo

原创 機器學習—第四周—作業2—用深度神經網絡分類圖像

Deep Neural Network for Image Classification: Application When you finish this, you will have finished the last pro

原创 tensorflow學習筆記1-—mnist全連接模型

from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot =

原创 深度學習與神經網絡-吳恩達-第一週 梯度檢查

Gradient Checking Welcome to the final assignment for this week! In this assignment you will learn to implement and

原创 深度學習與神經網絡-吳恩達-第一週 正則化

Regularization Welcome to the second assignment of this week. Deep Learning models have so much flexibi