原创 numpy中axis的理解

axis主要是針對數組的維度來說的, axis=n,即在n維上進行操作, 比如一個3維數組求和時,axis=0,即對第一維求和,例子如下: arr = np.arange(8).reshape(2, 2, 2) print(arr.ma

原创 Golang實現可延時、可限制大小的隊列

type Queue struct { content []string Timeout int // timeout爲0爲無限延時, 小於0爲不延時, 大於0爲延時timeout秒 MaxSize int // 隊列容量, 小於

原创 機器學習----01

機器學習概述 什麼是機器學習 機器學習是一門能夠讓編程計算機從數據中學習的計算機科學. 一個計算機程序在完成任務T之後, 獲得經驗E, 其表現爲P, 如果任務T的性能表現§, 隨着E的增加而增加, 那麼這樣的計算機程序就被稱爲機器

原创 Docker學習筆記----容器的連接

當我們學會了使用鏡像和容器後, 我們需要能夠連接到容器, 比如我們在自己的服務器上部署了自己的應用, 我們怎麼連接到這個應用呢? 網絡端口映射 首先我們創建了一個python應用的容器, 然後啓動它 docker run -d -P tr

原创 Gitlab執行pull拉取分支: remote: error: Out of memory, malloc failed

因爲git默認拉取是有包限制大小的,設置以下就OK了! git config --global pack.windowMemory 1024m 1024m是文件大小, 如果不足可以適當擴大, 但是這只是指標不治本。 更好的方法可以參見他山

原创 機器學習----04

樸素貝葉斯分類 分類報告 sklearn.metrics提供了分類報告相關API, 不僅可以得到混淆矩陣, 還可以得到交叉驗證的查準率, 召回率, f1得分的結果. 這樣可以方便的分析出那些樣本是異常樣本. import skle

原创 Golang數據類型轉換----16進制轉整數,解析8位有符號16進制整數

s := "CB" n, err := strconv.ParseUint(s, 16, 8) if err != nil { panic(""Parse Error"") } n2 := uint8(n) f := int(

原创 pyqt和go-qt打包

Go-qt 首先安裝msys64, 然後安裝對應的mingw64編譯器, 有靜態和動態兩種 set QT_MSYS2=true QT_MSYS2_STATIC = true(靜態包) set GO111MODULE=off set CC=

原创 DRF框架的過濾器功能

        今天第一個用drf框架寫了個簡陋的後臺, 算是首次嘗試前後臺分離開發, 接口調試基本完成。 通過這個應用的編寫, 慢慢的也認識到了DRF框架的強大, 比如今天又學會了關於過濾的新姿勢!         話說之前寫過濾一致是

原创 機器學習----Day07

語音識別 通過傅里葉變換, 將時域的聲音函數分解爲一系列不同頻率的正弦函數的疊加, 通過頻率譜線的特殊分佈, 建立音頻內容和文本的對應關係, 以此作爲模型訓練的基礎. 案例: freq.wav import numpy as np i

原创 Dockerfile的常用知識

        在私有化部署的時候我們會用到Docker, 使用docker的話裏面有兩樣東西是常用的, 一樣是images, 也就是鏡像, 另一種是容器container,我們都知道容器是通過鏡像創建的, 而鏡像我們初學都是從公共端拉取

原创 機器學習Day06

自然語言處理(NLP) Siri: 1. 聽 2. 懂 3. 思考 4. 組織語言 5.回答 語音識別 自然語言處理-語義分析 邏輯分析 - 綜合業務場景上下文 自然語言處理 - 分析結果生成自然語言文本 語音合成 自然語言處理的

原创 docker批量刪除鏡像

如果我們啓動容器後直接刪除鏡像會提示提示先停止容器, 所以我們需要先停止容器,然後再刪除容器, 最後再刪除鏡像。 可是在我們初學的時候回拉取大量鏡像, 而有的時候爲了效率又會強行終端, 再加上一些操作不當, 總是會一堆<none>鏡像產生

原创 機器學習----05

案例: 事件預測 加載event.txt, 預測某個時間段是否會出現特殊時間. import numpy as np import sklearn.preprocessing as sp from sklearn import sv

原创 機器學習----02

線性迴歸 線性迴歸的本質爲針對符合線性模型的一組數據, 可以找到一個線性方程擬合樣本數據. 從而給出自變量後, 通過線性方程實現預測輸出的目的. 輸入 輸出 0.5 5.0 0.6 5.5