原创 pycharm 進行遠程服務器代碼的編寫與調試

使用pycharm專業版,可以在本地pc進行遠程服務器代碼的修改,調試。很方便。 推薦下面這個教程,親測可用: https://www.cnblogs.com/xiongmao-cpp/p/7856596.html 注意:在配置解

原创 Linux 技巧:讓進程在後臺運行更可靠的幾種方法

Linux 技巧:讓進程在後臺運行更可靠的幾種方法 https://www.ibm.com/developerworks/cn/linux/l-cn-nohup/index.html 常用: nohup command_to_r

原创 pip使用國內鏡像源

使用pip安裝某些庫可能速度較慢,可以考慮使用國內鏡像, 常見pip國內的一些鏡像如下: 阿里雲 http://mirrors.aliyun.com/pypi/simple/ 中國科技大學 https://pypi.mirrors

原创 CS224n(2019):Assignment 3 參考答案

CS224n(2019) : Assignment 3 參考答案 本文爲cs224n課程(winter,2019)的 assignment 3 中的代碼部分和問答部分參考答案。如有疑問或者錯誤之處,歡迎交流。 代碼部分答案見 git

原创 CS224n(2019): Assignment2 參考答案

CS224n : Assignment2 參考答案 本文爲cs224n課程(winter,2019)的 assignment2 中的公式推導部分參考答案。如有疑問或者錯誤之處,歡迎交流。 Assignment2 原文 Assign

原创 CS224n課程資源-winter,2019

CS224n: Natural Language Processing with Deep Learning 自然語言處理領域的經典課程。 2019,winter. 最新一期課程。 課程資源列表 官方網址 課程官方網址 (官方網站包含

原创 numpy 中 newaxis的用法說明(增加 數組/矩陣 維度)

簡而言之,newaxis用於在使用一次時將現有數組的維度增加一個維度。 即1維數組轉爲2維, 2維數組轉爲3維, … 等等。 下面的圖示很清楚地展示了newaxis的用法及作用: 建議大家閱讀Stack Overflow上的解答,更

原创 IOU(交併比)計算的python3實現

IOU定義 在目標檢測的評價體系中,有一個參數叫做 IoU ,簡單來講就是模型產生的目標窗口和原來標記窗口的交疊率。具體我們可以簡單的理解爲: 即檢測結果(DetectionResult)與 Ground Truth 的交集比上它們的

原创 softmax 的python3實現 - 優化版本

Softmax 函數定義 Softmax函數,或稱歸一化指數函數,是邏輯函數的一種推廣。它能將一個含任意實數的K維向量 “壓縮”到另一個K維實向量中,使得每一個元素的範圍都在之間,並且所有元素的和爲1。 該函數的形式通常按下面的式子給

原创 Python拷貝(深拷貝deepcopy與淺拷貝copy區別)

Python中的對象之間賦值時是按引用傳遞的,如果需要拷貝對象,需要使用標準庫中的copy模塊。 1、copy.copy 淺拷貝 只拷貝父對象,不會拷貝對象的內部的子對象。 2、copy.deepcopy 深拷貝 拷貝對象及其子對象

原创 劍指offer(二叉搜索樹的第k個結點)-python2實現及解析

題目描述: 給定一棵二叉搜索樹,請找出其中的第k小的結點。例如, (5,3,7,2,4,6,8) 中,按結點數值大小順序第三小結點的值爲4。 題目來源:牛客網 代碼實現(python2) # -*- coding:utf-8 -

原创 python–*args與**kwargs總結

https://zhuanlan.zhihu.com/p/28491913

原创 python引用可變變量與非可變變量的區別

概念 可變對象與不可變對象的區別在於對象本身是否可變。 python內置的一些類型中 可變對象:list dict set 不可變對象:tuple string int float bool 如果兩個變量同時指向一個地址: 擴展

原创 python2 input,raw_input與 python3 input區別

原文鏈接:https://www.cnblogs.com/gengcx/p/6707024.html Python2.x中,input()函數讓我們明確我們輸入的是數字格式還是字符格式,就是我們自己要知道我們想要的是什麼,數字格式直接

原创 常用決策樹算法總結

算法思想 決策樹(decision tree)是一個樹結構(可以是二叉樹或非二叉樹)。其每個非葉節點表示一個特徵屬性上的測試,每個分支代表這個特徵屬性在某個值域上的輸出,而每個葉節點存放一個類別。 使用決策樹進行決策的過程就是從根節點