07 2019 档案
摘要：我们要想去度量一个算法的性能，有多种方法，比如度量算法的运行时间，统计指令，度量算法所使用的内存等方法，下面我们一个一个的来解读一下 1.度量算法的运行时间 度量算法的运行时间的一种方法是，利用计算机自带的一个计时器，来获取一个循环所执行的运行时间，我们通过连续几个循环的执行时间从而找出每一个循环之
阅读全文
摘要：一.经济效果 1.计算经济效果的计算公式是，这个是比值表示法： 比值表示法的简单应用有： 2.下面是经济效果的差额表示法： 典型的例子是： 3.还有一种是差额比值表示法： 比如投资利润率和成本利润率等指标 例子是： 经济效果分为两类：企业经济效果和国民经济效果 企业经济效果：利润，成本利润率，资金回
阅读全文
摘要：代数运算指的是两幅或者多幅图之间进行点对点的加减乘除运算最后输出图像的一个过程，如果输入图像为A（x,y）,B(x,y)，输出图像为：C（x,y）则有以下这几种形式： 1.图像的加法运算 主要应用举例：图像的叠加，利用均值算法去除“叠加性”的随机噪音。 2.图像的减法运算 将不同时刻拍摄的同一个景色
阅读全文
摘要：1.线性点运算 原始图像的灰度值我们可以使用f(x,y)来表示在（x,y）处的图像灰度值，我们经过点运算输出的图像灰度值则为：g(x,y).为了表示的方便，我们通常使用r来表示原始图像的灰度值，s用来表示处理后图像的灰度值。 线性点运算的公式如下：s=ar+b,如下图所示： a和b取值的大小影响着我
阅读全文
摘要：1.准对角阵 准对角阵的形式如下： 由于我们知道A所对应的行列式的值等于每一个分块A行列式的值的乘积，同时假设我们的A矩阵是可逆矩阵的话，则A矩阵所对应的行列式的值一定不等于零，又有公式： 所以我们可以导出，A矩阵当中的每一个小分块矩阵都是可逆的，因为它们每一个矩阵所对应的行列式的值都不等于零，不然
阅读全文
摘要：1.线性表的定义 如果我们把线性表简化成一个逻辑结构图，则可以下面这张图来表示： 线性表的特点如下： 2.线性表当中的顺序储存的定义： 采用顺序储存结构的线性表我们通常称为顺序表。 线性表当中的元素我们表示为ai,i是我们的逻辑地址，则顺序表当中的元素地址计算公式为： 下面是顺序表储存结构示意图：
阅读全文
摘要：对于大部分首次下载android studio开发android的人来说， 由于Android Studio将会默认把SDK，AVD下载到我们的C盘，造成大量内存的占用，那么如何更改SDK，AVD的路径呢？ 首先附上SDK，AVD 的默认路径，在window7中SDK的默认路径是 C:\Users\
阅读全文
摘要：1.满秩矩阵：秩=阶数的方阵。满秩矩阵也可以被称为可逆矩阵，这实在是太tmd神奇了。 2.初等矩阵是由单位阵E经过初等变换得到的矩阵 怕自己又忘记了，记个笔记。
阅读全文
摘要：步骤其实很简单，一共三步，但是每一步都需要完成，步骤如下： 打开控制面板或腾讯软件管家等执行常规的卸载操作。 找到SDK的安装目录手动删除SDK。 进入“C:\Users\<你的用户名下>”目录下，手动删除".android"、".AndroidStudioX.X"、".gradle"目录（比如我登
阅读全文
摘要：在阅读了大佬的博客之后，发现了博客园原来还可以具有一个写日记的功能，写完日记之后还可以随时进行查看，确实是一个非常不错的方法，这样不仅免去了日记本丢失的烦恼，同时满足了某些程序员不喜欢写字的癖好。因此我需要从现在开始在博客园上写一些有关自己的生活。 首先我们每个人都需要有独立之精神，自由之思想，这样
阅读全文
摘要：如何求协方差矩阵 一. 协方差定义 X、Y 是两个随机变量，X、Y 的协方差 cov(X, Y) 定义为： 其中： 、 二. 协方差矩阵定义 矩阵中的数据按行排列与按列排列求出的协方差矩阵是不同的，这里默认数据是按行排列。即每一行是一个observation(or sample)，那么每一列就是一个
阅读全文
摘要：首先我们上代码： from sklearn.feature_extraction.text import CountVectorizer corpus = [ 'UNC played Duke in basketball', 'Duke lost the basketball game', 'I a
阅读全文
摘要：一般来讲，我们图像的兴趣点都有边缘（edges）和角点（corners），这是两种比较常见的兴趣点类型，我们现在来撸撸代码，看一个提取美女兴趣点的例子： 最后我们显示得到的结果红色部分就是我们的兴趣点所在位置： 虽然结果没有深色图像的好，但也是可以很明显地看到兴趣点被我们提取出来了。
阅读全文
摘要：这个算法中文名为k均值聚类算法，首先我们在二维的特殊条件下讨论其实现的过程，方便大家理解。 第一步.随机生成质心 由于这是一个无监督学习的算法，因此我们首先在一个二维的坐标轴下随机给定一堆点，并随即给定两个质心，我们这个算法的目的就是将这一堆点根据它们自身的坐标特征分为两类，因此选取了两个质心，什么
阅读全文
摘要：输出： 从这个结果当中我们可以看到我们的tensorflow之前是定义了一个一行两列的矩阵，之后是定义了一个两行一列的矩阵，因此第一个显示的shape为（1，2),第二个显示的shape为（2，1）就是这么来的。然后我们开始创建会话，tensorflow一般情况下创建了绘画才可以进行正常的计算。 创
阅读全文
摘要：我们在线性回归模型当中，时常遇到将w与b吸入w^的向量形式写为：w^=（x,b）进而写成y=w^(t)x^的形式，这仅仅是为了某些人看公式的方便，而不是处于实际的作用。具体将这两个参数吸入为向量的过程，我们可以看看下面的方案： 其实 ˆ w和 ˆ x在数学当中分别称为增广权重向量和增广特征向量，计算
阅读全文
摘要：问题 说明： y、w为列向量，X为矩阵 式子演化 看到这个例子不要急着去查表求导，先看看它的形式，是u(w)∗v(w)的形式，这种形式一般求导较为复杂，因此为了简化运算，我们先把式子展开成下面的样子（注意：(Xw)T=wTXT）： 然后就可以写成四个部分求导的形式如下（累加后求导=求导后累加）： 求
阅读全文
摘要：当我们在求解梯度下降算法的时候，经常会用到正规方程来求解w的值，这个时候就用到正规方程来求解是最快的方法，但是正规方程又是怎么来的呢？我们来看看：首先我们设我们的损失函数为 MSE train，那么这个时候我们只需要对其求解偏导就好了，于是我们有∇ w MSE train = 0 。具体推导过程如下
阅读全文
摘要：我们在计算模型w的转置乘上x的时候，往往需要把w和x分别进行向量化然后运算，因为这样会使我们的计算机得到结果的时间更快，而且这种方法不管是在CPU还是在GPU上都是成立的，首先我们来看看代码： 第一种方法方法运用了向量化来计算，也就是numpy当中的dot函数来计算，第二种方法则是利用了我们传统的f
阅读全文
摘要：以上是之前我们所学习的sigmoid函数以及logistic函数，下面是我们代价函数的普遍定义形式： 虽然普遍形式是有了，当然这个函数也仅仅是对第i个x才成立，如果想要得到连续的x的值则需要不断累加第i个的代价的值。如果想要上面的那种形式来作为代价函数，那么我们得到的代价函数不是凸函数因此不可能进行
阅读全文
摘要：逻辑回归函数是由两个函数符合而成，首先我们有sigmoid函数g(z)： 当然这里面的参数可以加上各种有关theta的定值，并不一定必须就只有x之前的theta参数。 然后再把g(z)拿到h(x)函数里面去拟合就可以了，h(x)则是我们的Logistic回归函数。 把这两个方程拟合放到一起有： si
阅读全文
摘要：我们用下列的这些符号来分别表示我们训练集当中的输入的值x以及输出的值Y。由于是二分分类的问题，因此y一般仅具有两个值0和1。x则一般可以用nx来表示单个训练集当中x的特征的个数，比如一幅图像有10000个特征，那么我们输入的X所对应的nx=10000.假设我们的训练集一共有10个单个的训练集，则m=
阅读全文
摘要：这个报错是因为我们在求解行列式的值的时候使用了： 但是D必须是方阵才可以进行运算，不是方阵则会报错，我们把之前的行列式更改为方阵就不会再报错了，当然这也是numpy自身计算数值的一个缺陷。
阅读全文
摘要：一.矩阵的加减法 输出： 这样我们就实现了我们矩阵的加法，下面我们来实现我们矩阵的乘法 二.矩阵的乘法 输出： 现在开始矩阵的乘法： 得解。 三.求解逆矩阵 输出：
阅读全文
摘要：首先导包： 开始书写人脸检测的代码： 搞定！！！显示结果如下：
阅读全文
摘要：转自：https://www.zhihu.com/question/22298352 从数学上讲，卷积就是一种运算。 某种运算，能被定义出来，至少有以下特征： 首先是抽象的、符号化的 其次，在生活、科研中，有着广泛的作用 比如加法： ，是抽象的，本身只是一个数学符号 在现实中，有非常多的意义，比如增
阅读全文
摘要：首先我们来看看图像二值化的过程，opencv一共有好几种不同的二值化算法可以使用，一般来说图像的像素，亮度等条件如果超过了某个或者低于了某个阈值，就会恒等于某个值，可以用于某些物体轮廓的监测： 导包： 读入图像： 进行二值化的参数设定： 进行二值化：
阅读全文
摘要：导包： RGB当中每一个颜色都有256阶亮度，每一阶都对应着一个亮度： 颜色空间的HSV模型。 H代表的是颜色的色调，一共从0—360度。每一度代表这不同的颜色模型 S：代表饱和度，饱和度的取值范围是%0—100,如果饱和度越大，则白色的占有率越小，颜色则越饱满，饱和度越小则白色越明显。 V:代表明
阅读全文
摘要：导包： 图像的平滑处理： 高斯模糊： 中值模糊：
阅读全文
浙公网安备 33010602011771号