摘要：
冒泡排序 冒泡排序只需两个循环即可实现，外循环从1到n依次递减，内循环执行n-i长度的两两对比交换。 for i in range(1,n): for j in range(1,n-i): 对比j前后两个数据大小 选择排序 和冒泡一样，两个循环，不过内循环变成寻找n-i长度内的最小/大值，然后和相应 阅读全文
摘要：
Activation Functions(激活函数) tf.nn.relu(features, name=None) #max(features, 0) tf.nn.relu6(features, name=None) #min(max(features, 0), 6) tf.nn.softplus 阅读全文
摘要：
1. 模型参考自适应控制系统 模型参考自适应控制系统（MRAC），输入r得到参考模型输出ym和被控对象输出y，e=ym-y，利用自适应规律来调节控制器参数，使得e趋于零。 2. 自校正控制系统 自校正控制系统（STC），类似于模型参考自适应控制系统，外环为一个控制器参数估计器，控制根据历史数据估计未 阅读全文
摘要：
1124. 表现良好的最长时间段 [9,9,6,0]->[1,1,0,0] [9,9,6]->[1,1,0] [9,9,9,6]->[1,1,1,0] [9,9,9,6]->[1,1,1,0] [9,9,9,9]->[1,1,1,1] [9,9,9,9]->[1,1,1,1] 通过观察发现，其实表现 阅读全文
摘要：
1. 数据结构 Pandas主要有三种数据： Series（一维数据，大小不可变） DataFrame（二维数据，大小可变） Panel（三维数据，大小可变） Series 具有均匀数据的一维数组结构。例如1,3,5,7,...的集合 关键点 均匀数据 尺寸大小不变 数据值可变 DataFrame 阅读全文
摘要：
在tf.nn.conv2d函数中，padding可以选择VALID和SAME两种模式，两种模式得到的卷积输出尺寸计算方式不同。 输入尺寸高和宽：in_height、in_width 卷积核的高和宽：filter_height、filter_width 输出尺寸高和宽：output_height、ou 阅读全文
摘要：
函数笔记-排序方式-字母顺序 np.hstack() #按水平方向（列顺序）堆叠数组形成一个新的数组 np.random.randn() #生成标准正态分布随机数 np.random.seed() #设置随机数种子 np.vstack() #按垂直方向（行顺序）堆叠数组形成一个新的数组 #未完待续 阅读全文
摘要：
本案例采用的是MNIST数据集[1]，是一个入门级的计算机视觉数据集。 MNIST数据集已经被嵌入到TensorFlow中，可以直接下载和安装。 此时，文件名为MNIST_data的数据集就下载下来了，其中one_hot=True为将样本标签转化为one_hot编码。 接下来将MNIST的信息打印出 阅读全文
摘要：
1、类型转换 tf.string_to_number(string_tensor,out_type=None,name=None) #字符串转为数字 tf.to_double(x,name='ToDouble') #转为64位浮点类型 tf.to_float(x,name='ToFloat') #转 阅读全文