读取csv文件 data = pd.read_csv('路径/文件名.csv',encoding='utf-8') 按行读取数据 data = data[: n] # 取前n行 按列读取数据 data = data[['列名1', '列名2']] 将某列中的特定值进行替换 data['列名'] =data['列名'].replace('被替换值', '
基于JDK1.8.0_191 介绍 LinkedList是以节点来保存数据的，不像数组在创建的时候需要申请一段连续的空间，LinkedList里的数据是可以存放在不同的空间当中，然后以内存地址作为寻找的工具，比如第一个节点里保存了第二个节点的地址信息，第二个节点又保存了第三个节点的地址信息，以此类推
Homework 2 - Classification DatasetLogistic RegressionSome Useful FunctionsFunctions about gradient and lossTrainingPlotting Loss and accuracy curvePredicting testing labelsPorbabilistic generative modelPredicting testing labelsParse csv files to numpy
函数原型： template <class InputIterator, class UnaryPredicate> typename iterator_traits<InputIterator>::difference_type count_if (InputIterator first, InputIterator last, UnaryPredicate pred); 功能： 在范围内返回满足条件元素的个数。 返回范围[first, last)范
#引入torch import torch #准备数据，用Tensor张量表示 x_data = torch.Tensor([[1.0],[2.0],[3.0]]) y_data = torch.Tensor([[2.0],[4.0],[6.0]]) #将线性模型定义为一个类，nn的意思是神经网络neural network.所有的模型都要从nn.Module模块继承下来。
ReenTrantLock （公平锁）Lock过程源码剖析 背景： 在JDK1.6之前，sync还是一把不会改变的重量锁，Doug Lea 实现了ReenTrantLock。在现在sync更新后，ReenTrantLock凭借自己特有的API，依旧被广泛使用。此文章，是对ReenTrantLock中的lock方法的简要剖析。其中列举了五种常见情况。 情况一：第
环境：ubuntu18.01（训练平台） ， windows / vs2017 部署平台 opencv3.4.7 （提前编译好的）cuda10.1 pytorch1.6 yolov5 项目：https://github.com/ultralytics/yolov5 yolov5 v2.0模型下载链接：https://github.com/ultralytics/yolov5/releases 训练阶段：略 libtorch部
函数原型： template <class InputIterator, class UnaryPredicate> bool any_of (InputIterator first, InputIterator last, UnaryPredicate pred); 在范围[first, last)中如果有任何元素使pred返回true，any_of函数返回true，否则any_of函数返回false。 这个函数的行为等价于如
函数原型： template <class InputIterator, class UnaryPredicate> bool all_of (InputIterator first, InputIterator last, UnaryPredicate pred);作用：对[first,last)范围内的所有元素进行pred操作，如果pred都返回true，则all_of函数返回true，如果范围为空则返回false.函数的行为类
自学AQS 相关属性傻瓜式学习AQSFairSync 公平同步 相关属性 exclusiveOwnerThread => 当前获取锁的线程 state => 状态 傻瓜式学习AQS AbstractQueuedSynchronizer继承了AbstractOwnableSynchronizerReentrantLock reentrantLock = new ReentrantLock(true);进入方法re
假设您的任务是训练ML模型，以将数据点分类为一定数量的预定义类。 一旦完成分类模型的构建，下一个任务就是评估其性能。 有许多指标可以帮助您根据用例进行操作。 在此文章中，我们将尝试回答诸如何时使用？ 它是什么？ 以及如何实施？ 混淆矩阵 混淆矩阵定义为（类x类）大小的矩阵，因此对于
首先，通过darknet53骨干网络得到大中小三种比例的特征图，图片来自https://zhuanlan.zhihu.com/p/50595699 self.conv_lbbox, self.conv_mbbox, self.conv_sbbox = self.__build_nework(input_data) 以小anchor为例，即下采样3次，feature map大小变为原来的1/8，FPN部分参考https://bl
The wait queue is a variant of a "CLH" (Craig, Landin, and Hagersten) lock queue. CLH locks are normally used for spinlocks. We instead use them for blocking synchronizers, but use the same basic tactic of holding some of the control information
教程视频：线性模型 作业题目：实现线性模型（y=wx+b）并输出loss的3D图像。 实现代码： # -*- coding: UTF-8 -*- '''=============================================== @Author ：kidding @Date ：2021/2/2 18:12 @File ：3D_Linear_Model @IDE ：PyCharm ===========================
1、使用梯度下降法拟合y = sin(x) import numpy as np import torch import torchvision import torch.optim as optim import torch.nn as nn import torch.nn.functional as F import time import os from skimage import io, transform import matplotlib.pyplot as plt from
在使用nn.CrossEntropyLoss()损失函数时，报了错误： RuntimeError: bool value of Tensor with more than one value is ambiguous 解决问题： 源代码是： loss = nn.CrossEntropyLoss(pred, target) 改正之后是： loss = nn.CrossEntropyLoss() val = loss(pred, target) nn.CrossEntro
1. 概述 1.1 集成学习 目前存在各种各样的机器学习算法，例如SVM、决策树、感知机等等。但是实际应用中，或者说在打比赛时，成绩较好的队伍几乎都用了集成学习(ensemble learning)的方法。集成学习的思想，简单来讲，就是“三个臭皮匠顶个诸葛亮”。集成学习通过结合多个学习器(例如同种
神经网络中的激活单元可以是多维度的向量吗？ 不能是多维度的向量。 输入的features是x多维向量，一个代表sample数，一个代表features数，输入的每个单元都是标量实数，得到的激活单元也是标量实数。只是为了使用np中cpu或者gpu加速计算，才都变成向量的。一个向量就表示一层隐藏层上面
目录本篇学习目标CLH队列的结构资源获取入队Node addWaiter(Node mode)不断尝试Node enq(final Node node)boolean acquireQueued(Node, int)出队void setHead(Node)boolean shouldParkAfterFailedAcquire(Node,Node)boolean parkAndCheckInterrupt()void cancelAcquire(node)释放
MinkowskiEngine语义分割 要运行示例，请安装Open3D与PIP安装open3d-python。 cd /path/to/MinkowskiEngine python -m examples.indoor 细分酒店房间 运行示例时，将看到一个旅馆房间和房间的语义分割。运行示例时，以交互方式旋转可视化效果。 首先，加载数据并体素化（量化）数据。调用Mink
K-means属于非监督机器学习算法，主要用于聚类分析。比如咱们收集某新闻网站的新闻数据，但是在采集过程中忘了收集新闻的新闻类别（假设一共采集了军事、政治、文化、教育四大类），现在我们需要对成千上万的新闻文档进行分类，这时候我们可以使用k=4的簇数（聚类数）对新闻数据施行Kmeans算法，并
图算法 1 BFS def BFS(G<V,E>, s) { 新建:队列Q 前驱数组 pred[] 距离数组 dist[] 颜色数组 celor[] // 初始化 for(u in V) { color[u] = white; pred[u] = NULL; dist[u] = INF; } color[s] = gray; dist[s] = 0;
JUC并发包源码阅读之ReetrantLock.lock() 我们从代码最顶层开始看起，ReetrantLock默认实现的是NonfairSync，NonfairSync的lock（）方法如下，非常简单 /** * Performs lock. Try immediate barge, backing up to normal * acquire on failure. */ final void lock() { if (compareA
传送门 E i = a i ∗
引言 前面我们讲过曲线拟合问题。曲线拟合问题的特点是，根据得到的若干有关变量的 一组数据，寻找因变量与（一个或几个）自变量之间的一个函数，使这个函数对那组数据拟合得最好。通常，函数的形式可以由经验、先验知识或对数据的直观观察决定，要 作的工作是由数据用最小二乘法计算函数中的待
