该项目是使用机器学习对材料的性质参数进行预测。 首先说一下TDTR： 大体的意思就是先使用一束激光引起材料的加热事件，然后在使用另一束延迟激光收集此加热事件的信息并将此热信号转化为电信号。这一过程涉及到以下参数的使用： Controlled Parameters: 被控参数（受控参数
ADD 立即数 示例： add w0, w1, #255 等价于C语言的： uint32_t w0, w1; w0 = w1 + 255; 由于立即数ADD指令码中立即数的编码位数为12位，所以立即数的数据范围为0<=imm<=4095。 注：但是在测试该汇编语句时，我发现输入4096依然能正确运行，这应该是该指令码被另行转码的结果，但
机器学习，通俗简单来说，就是用某些算法指导计算机模拟或实现人类的学习行为从已有的数据总结规律获得“经验”并不断改善自身性能的一个过程。由此可见，算法和数据是计算机学习到“新知识”或“新技能”的关键所在。 1.谈谈“回归”一词的起源 十九世纪八十年代，高尔顿和他的
实践流程1-在X86_64架构下 代码与汇编转换 通过教材可知，64位和32位在参数传递上存在差异。32位在传递参数的时候是直接通过堆栈进行传递，而64位在传递传输的时候是先将前6个参数依次传入rdi、rsi、rdx、rcx、r8、r9，然后剩余的参数像32位一样通过堆栈传递，在2.5的作业上用32位代码直
用tkinter画十字架中的爱心 from tkinter import * import math root = Tk() w = Canvas(root, width=800, height=800) w.pack() # 画红色的坐标轴线 width=800 height=800 w0=width/2 h0=height/2 w.create_line(0, h0, width, h0, fill="red") w.create_line(w0, 0, w0, heig
目标值 与 误差值，反了。 没发现原因 ~ import math def back_propagation(x0,x1,w0,w1,w2,y,N): # y = 1 / (1 + math.exp( -((x0 * w0) + (x1 * w1) + w2))) print("\n=============================NO",N,"=============================") N = N-
机器学习DAY01 机器学习 概述 什么是机器学习 机器学习是一门能够让编程计算机从数据中学习的计算机科学。 一个计算机程序在完成任务T之后，获得经验E，其表现效果为P，如果任务T的性能表现，也就是用以衡量的P，随着E增加而增加，那么这样计算机程序就被称为机器学习系统。 自我完善，自
前言： 项目驱动学习：爱奇艺个性化实时推荐系统----项目的落地实现 市场需求：推荐系统庞大的需求应用 学习方法：知识图谱的制作、对学习的东西进行总结，每次听完课之后就要进行总结；讲了几个模块、几个知识点、几个技术，总结到思维导图中XMind5； 今天上课的内容：为了日后的推荐系统做铺
（1） static int x; //static int y = 10; //int z; //int w = 20; int main() { int s = 200; x = 100; s=s+x; // s=s+y; // z=100; // s=s+z; // s=s+w; return 0; } hehezhou@buildsrv-165:~/workspace/test/t
★★★个人博客导读首页—点击此处 ★★★ 示例1： int func_test(uint32_t a, uint32_t b, uint32_t *s) { *s = a + b; return 0; } 00000000002047a0 <func_test>: 2047a0: 0b010000 add w0, w0, w1 2047a4: b9000040 str w0, [x2] 2047a8: 52800000 mov w0, #0x0
本文主要是讲解函数的参数、返回值、局部变量在汇编中是如何存储，以及CPSR标志寄存器函数的参数和返回值arm64下，函数的参数是存放在x0-x7（w0-w7）这8个寄存器里面的，如果超过8个参数，就会入栈如果自定义函数时，参数最好不要超过6个（因为有两个隐藏参数 self，_cmd）如果函数需要多个参数，可以传
本文记录因子分析机FM算法的推导和理解笔记 论文地址 https://www.csie.ntu.edu.tw/~b97053/paper/Rendle2010FM.pdf FM 推导过程 FM在预测任务是考虑了不同特征之间的交叉情况， 以2阶的交叉为例：
学习完成，内容不难。 Step1:库函数导入 ## 基础函数库 import numpy as np ## 导入画图库 import matplotlib.pyplot as plt import seaborn as sns ## 导入逻辑回归模型函数 from sklearn.linear_model import LogisticRegression Step2:模型训练 ##Demo演示LogisticReg
参数优化方案 w参数的调整方向和幅度？ 梯度下降法指导w的调参 比如图中，w1往小调整，w0往大调整，才能使得误差函数向极小值方向走 上图可以拆解为两个图，一个是w0与J的图，一个是w1与J的图。以w0与J的图距离说明 由于误差函数是凹函数，如下图， 在极小值左侧，导数小于0； 在极小值右侧，导数
线性回归算法的原理及参数优化方案 简单的线性回归算法 y = w0 + w1x x = 1 ，y = 2 x = 2 ，y = 3 两点确定一条直线，可以求得w0 和 w1 如果给了3组数据，可不可以准确求得w0 和 w1 x = 1 ，y = 2 x = 2 ，y = 3 x = 3 ，y = 5 由于这3点不在一条直线，所以不能准确求得w0 和 w1。这道
代码来源：https://github.com/eriklindernoren/ML-From-Scratch 卷积神经网络中卷积层Conv2D（带stride、padding）的具体实现：https://www.cnblogs.com/xiximayou/p/12706576.html 激活函数的实现（sigmoid、softmax、tanh、relu、leakyrelu、elu、selu、softplus）：https://www.cnblogs.com
背景 Read the fucking source code! --By 鲁迅 A picture is worth a thousand words. --By 高尔基 说明： Kernel版本：4.14 ARM64处理器，Contex-A53，双核 使用工具：Source Insight 3.5， Visio 1. 概述 吹起并发机制研究的进攻号角了！ 作为第一篇文章，应该提纲挈领的介绍下并发。 什
卷积神经网络的通道数与卷积核数的关系 1.上图中总共有二个卷集核，分别是W0和W1,大小都是3x3x3，前面的3x3是卷积核大小，后面的3是输入的feature map的通道，如果在tensorflow的卷积函数中形式是3x3x3x2，前面和上面一样，最后2就是输出的feature map的通道数，也是卷积核的数量。 2.以
前言 iOS 中常见的架构有 armv7、armv7s、arm64、i386、x86_64 这些。 其中， armv7 、armv7s 、arm 64 都是 ARM 处理器的指令集，i386 、x86_64 是 Mac 处理器的指令集 这些指令集对应的机型有以下这些： arm64e: iphone XS | iphone XS Max | iPhoneXR arm64:
菜得过分。 面对T1的大板子不知所措，然后T2的贪心不小心把排序语句删了。。。 T1这种大模板啊。。。其实我是觉得我能打出来的，然后先用一个小时码了一个2k。 然后做T2想贪心就出来了。十分钟码完T3暴力之后回T1打对拍瞬间爆炸。 于是又重新打了一个2k，WA0。对拍发现。 然后考试就
论文 Otsu N . A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1):62-66. 算法介绍 OTSU算法也称最大类间差法，有时也称之为大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，
void Ostu(){ //初始化 u = 0; avgValue = 0; w0 = 0; maxVariance = 0; //清空灰度数组 for(i = 0; i < 256; i++) { histogram[i] = 0; } // 生成灰度柱状图 uint8_t *p_imag
对于本例中，朴素贝叶斯公式：p(A|w)=p(w|A).p(A)/p(w)，其中w为待测试文本，由每一个单词wi构成，w=w0,w1,w2,...,wn，所以，要想知道测试本次是否属于侮辱性，则求 侮辱性概率：p(1|w)=p(w0,w1,w2,...,wn|1).p(1)/p(w0,w1,w2,...,wn) 非侮辱性概率：p(0|w)=p(w0,w1,w2,...,wn|0).p(0)/p(w0,w1,w2,...,
上午很颓很颓，颓到了没有更颓废。 赶上开学搬东西，从高一楼搬到高二楼，回来的时候又热又累又饿（早晨没吃饭）然后就颓了。 从LB到c类游戏，我颓了一整上午…… 下午状态还可以，没有颓……好吧现在在颓博客……种下了人生第一棵平衡树：splay。 这狗东西太长了 打了一下午的营业额统计打爆了，始
第十九节逻辑回归之优化点(4) 上一节中我们讲解了逻辑回归导函数求解的问题，一步步推导出交叉熵损失函数的梯度
