原创 Potplayer+LAVFilters+madVR實現PC視頻播放最強畫質教程

文件下載連接: https://download.csdn.net/download/greenlight_74110/12005911 參考文章 http://www.360doc.com/content/19/0629/18

原创 GloVe推導

Global Vectors for Word Representation (GloVe) 對比之前的方法 求詞向量的兩類主要方法: 基於計數性的:共現矩陣 方法:基於SVD矩陣分解(LSA,HAL) 優點:有效利用全局

原创 Win10應用商店無法聯網,代碼: 0x80131500

打開“運行”輸入 inetcpl.cpl (“WINDOWS”+“R”鍵,輸入 inetcpl.cpl亦可) 點開高級往下拉,勾上"使用TLS 1.2"選項,或者點還原高級設置。

原创 國內快速下載nltk中的數據

利用碼雲下載,提供一個現成的下載地址。 下載所需的zip包,放在C:\Users\{Your Usernmae}\AppData\Roaming\nltk_data\corpora目錄下(無需解壓)。

原创 Chrome插件離線安裝 + Chrono下載管理器

安裝方法參考: Chrome插件離線安裝 + 解決安裝時出現程序包無效:"CRX_HEADER_INVALID"的問題 --by CSDN-李阿昀 下載地址: Chrono下載管理器

原创 Windows/Linux 遠程桌面訪問CentOS

轉載請註明來源:http://blog.csdn.net/greenlight_74110/article/details/78623025 Windows/Linux 遠程桌面訪問CentOS 進入root su 安裝xrdp和

原创 解決Github在國內下載慢的問題

如果下載源碼較慢: 打開碼雲https://gitee.com/,以從Github/Gitlab中引入的方式新建一個倉庫,然後再從碼雲上下載。 如果下載release中的資源較慢 推薦github的一個國內鏡像站http:

原创 北郵+校徽+logo+矢量圖+透明

北郵+校徽+logo+矢量圖+透明,包括png和eps格式各一張。送給需要的小夥伴們。 下載地址: https://download.csdn.net/download/greenlight_74110/12012290

原创 GDB調試簡易教程

入門 GDB是一個由GNU開源組織發佈的、UNIX/LINUX操作系統下的、基於命令行的、功能強大的程序調試工具。 對於一名Linux下工作的c++程序員,gdb是必不可少的工具; 1.1. 啓動gdb 對C/C++程序的調試,需

原创 【leetcode】單鏈表中的環問題

基礎版: Linked List Cycle 判斷一個單鏈表中是否有環? 拓展版: Linked List Cycle II 如果有環,則找到環的起始位置並返回。 基本思路:雙指針 對於環的判斷,網上經典的做法是:使用兩個指針

原创 【caffe】Check failed: status == CUBLAS_STATUS_SUCCESS CUBLAS_STATUS_MAPPING_ERROR

CUBLAS_STATUS_SUCCESS 表示這次計算是成功的 CUBLAS_STATUS_MAPPING_ERROR 表示訪問GPU內存失敗,這時候就要考慮是不是發生了數據越界,例如訪問到了arr[-1]

原创 excel使用技巧手記

給多行空單元格賦值 選中多行——>輸入要賦的值——>ctrl+enter ing。。。。

原创 WIN10下Powershell無法使用‘conda activate’

問題描述 首先將Anaconda的安裝路徑 C:\Users\user\Anaconda3\bin C:\Users\user\Anaconda3\Scripts (4.8以前版本) C:\Users\user\Anaconda

原创 最大間隔目標函數(Maximum Margin Objective Function)推導

基本思想:確保正樣本計算得到的分數比負樣本的高 假設由正、負樣本計算得到的分數分別爲s+s_{+}s+​和s−s_{-}s−​,那麼我們的目標爲最大化(s+−s−)(s_{+}-s_{-})(s+​−s−​),換一個角度,也就是最

原创 論文筆記- Improving Word Representations via Global Context and Multiple Word Prototypes

綜述 提出了一種新的基於神經網絡的語言模型,通過對局部上下文和全局上下文進行聯合訓練。該模型學習到的embedding能同時捕捉到單詞語義信息和語法信息,並且能夠實現對一詞多義的區分。 目標函數 本文的目標是學習有效的單詞表示,而