原创 apt-get update命令卡在waiting for headers

rm -rf /var/lib/apt/lists/*刪除這個文件夾下的東西

原创 非剛性配準(Non-rigid ICP )

原文https://blog.csdn.net/linmingan/article/details/79270874?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-1非剛性

原创 The Turn Model for Adaptive Routing中的west-first算法

圖5a顯示了在2D網格中禁止兩次旋轉的一種方法。禁止轉彎的是向西的兩個轉彎。因此,要向西,必須從那個方向出發。這就提出了west-first-routing算法:如果需要,先向西路由一個包,然後自適應地向南、向東和向北路由。west fir

原创 west-first路由算法

自適應路由算法 文獻[ 3]提出一種拐彎模型應用於自適應路由 算法中。其基本思想是在路由中禁止最少的拐彎 以避免通道之間的循環依賴,從而有效避免死鎖。 在二維 Mesh網絡中,存在8種可能的拐彎並且可 能形成兩個環路,如圖2a所示。爲了避免

原创 《統計學習方法》代碼全解析——第十三部分無監督學習概論

1.機器學習或統計學習一般包括監督學習、無監督學習、強化學習。無監督學習是指從無標註數據中學習模型的機器學習問題。無標註數據是自然得到的數據,模型表示數據的類別、轉換或概率無監督學習的本質是學習數據中的統計規律或潛在結構,主要包括聚類、降維

原创 《統計學習方法》代碼全解析——第四部分樸素貝葉斯

1.樸素貝葉斯法是典型的生成學習方法。生成方法由訓練數據學習聯合概率分佈  𝑃(𝑋,𝑌) P(X,Y) ,然後求得後驗概率分佈 𝑃(𝑌|𝑋) P(Y|X) 。具體來說,利用訓練數據學習 𝑃(𝑋|𝑌) P(X|Y) 和 𝑃(𝑌) P(Y) 的

原创 《統計學習方法》代碼全解析——第一部分統計學習方法概論

1.統計學習是關於計算機基於數據構建概率統計模型並運用模型對數據進行分析與預測的一門學科。統計學習包括監督學習、非監督學習、半監督學習和強化學習。2.統計學習方法三要素——模型、策略、算法,對理解統計學習方法起到提綱挈領的作用。3.本書主要

原创 《統計學習方法》代碼全解析——第三部分k近鄰法

1. 𝑘  近鄰法是基本且簡單的分類與迴歸方法。𝑘 k 近鄰法的基本做法是:對給定的訓練實例點和輸入實例點,首先確定輸入實例點的 𝑘  個最近鄰訓練實例點,然後利用這 𝑘  個訓練實例點的類的多數來預測輸入實例點的類。2. 𝑘  近鄰模型對

原创 《統計學習方法》代碼全解析——第十一部分條件隨機場

1.概率無向圖模型是由無向圖表示的聯合概率分佈。無向圖上的結點之間的連接關係表示了聯合分佈的隨機變量集合之間的條件獨立性,即馬爾可夫性。因此,概率無向圖模型也稱爲馬爾可夫隨機場。概率無向圖模型或馬爾可夫隨機場的聯合概率分佈可以分解爲無向圖最

原创 《統計學習方法》代碼全解析——第十二部分監督學習方法總結

1 適用問題¶監督學習可以認爲是學習一個模型,使它能對給定的輸入預測相應的輸出。監督學習包括分類、標註、迴歸。本篇主要考慮前兩者的學習方法。分類問題是從實例的特徵向量到類標記的預測問題;標註問題是從觀測序列到標記序列(或狀態序列)的預測問題

原创 《統計學習方法》代碼全解析——第二部分 感知機

1.感知機是根據輸入實例的特徵向量 𝑥 x 對其進行二類分類的線性分類模型:感知機模型對應於輸入空間(特徵空間)中的分離超平面 𝑤⋅𝑥+𝑏=02.感知機學習的策略是極小化損失函數:3.感知機學習算法是基於隨機梯度下降法的對損失函數的最優化算

原创 Python面試題解答——第二部分企業面試題

企業面試題企業面試題15.python新式類和經典類的區別?a. 在python裏凡是繼承了object的類,都是新式類b. Python3裏只有新式類c. Python2裏面繼承object的是新式類,沒有寫父類的是經典類d. 經典類目前

原创 Python面試題解答——第三部分Python高級

元類42.Python中類方法、類實例方法、靜態方法有何區別?類方法: 是類對象的方法,在定義時需要在上方使用 @classmethod 進行裝飾,形參爲cls,表示類對象,類對象和實例對象都可調用 類實例方法: 是類實例化對象的方法,只有

原创 c++ primer課後題答案 第9章 : 順序容器

練習9.1 對於下面的程序任務,vector、deque和list哪種容器最爲適合?解釋你的選擇的理由。如果沒有哪一種容器優於其他容器,也請解釋理由。(a) 讀取固定數量的單詞,將它們按字典序插入到容器中。我們將在下一章中看到,關聯容器更適