https://blog.overfit.org/Recent content on 里列昂遗失的记事本Hugozh-cnFri, 15 Aug 2025 16:53:00 +0800https://blog.overfit.org/posts/2025-08-15-19039965-grain%E7%94%A8%E4%BA%8E%E8%AF%BB%E5%8F%96%E5%92%8C%E5%A4%84%E7%90%86%E7%94%A8%E4%BA%8E%E8%AE%AD%E7%BB%83%E5%92%8C%E8%AF%84%E4%BC%B0-jax-%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%95%B0%E6%8D%AE/Fri, 15 Aug 2025 16:48:00 +0800https://blog.overfit.org/posts/2025-08-15-19039965-grain%E7%94%A8%E4%BA%8E%E8%AF%BB%E5%8F%96%E5%92%8C%E5%A4%84%E7%90%86%E7%94%A8%E4%BA%8E%E8%AE%AD%E7%BB%83%E5%92%8C%E8%AF%84%E4%BC%B0-jax-%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%95%B0%E6%8D%AE/Grain介绍 Grain官方Docs 用户可以带来任意的 Python 转换。 Grain 被设计为模块化。如果需要，用户可以使用自己的实现轻松覆盖 Grain 组件。 同一管道的多次运行将产生相同的输出。 Grain 的设计使得检查点的大小最小。抢占后，Grain 可以从中断https://blog.overfit.org/posts/2025-08-15-19039904-lenetjaxflax%E5%AE%9E%E7%8E%B0/Fri, 15 Aug 2025 16:23:00 +0800https://blog.overfit.org/posts/2025-08-15-19039904-lenetjaxflax%E5%AE%9E%E7%8E%B0/LeNet LeNet，它是最早发布的卷积神经网络之一，因其在计算机视觉任务中的高效性能而受到广泛关注。 这个模型是由AT&amp;T贝尔实验室的研究员Yann LeCun在1989年提出的（并以其命名），目的是识别图像 (LeCun et al., 1998)中的手写数字。 当https://blog.overfit.org/posts/2025-08-15-19039821-lenetpytorch%E5%AE%9E%E7%8E%B0/Fri, 15 Aug 2025 15:59:00 +0800https://blog.overfit.org/posts/2025-08-15-19039821-lenetpytorch%E5%AE%9E%E7%8E%B0/LeNet LeNet，它是最早发布的卷积神经网络之一，因其在计算机视觉任务中的高效性能而受到广泛关注。 这个模型是由AT&amp;T贝尔实验室的研究员Yann LeCun在1989年提出的（并以其命名），目的是识别图像 (LeCun et al., 1998)中的手写数字。 当https://blog.overfit.org/posts/2023-04-22-17342598-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E7%AC%AC6%E6%AC%A1%E4%BD%9C%E4%B8%9A/Sat, 22 Apr 2023 10:49:00 +0800https://blog.overfit.org/posts/2023-04-22-17342598-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E7%AC%AC6%E6%AC%A1%E4%BD%9C%E4%B8%9A/电子商务网站用户行为分析及服务推荐 一、背景与挖掘目标 本章通过对用户访问的网页日志数据进行分析与处理，采用基于物品的协同过滤算法对处理后的数据进行建模分析，并应用模型实现智能推荐，进行个性化推荐，帮助用户更加便捷地获取信息。 某法律网站是北京一家电子商务类的大型法律资讯网站，致https://blog.overfit.org/posts/2023-04-22-17342568-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E4%BD%9C%E4%B8%9A5/Sat, 22 Apr 2023 10:38:00 +0800https://blog.overfit.org/posts/2023-04-22-17342568-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E4%BD%9C%E4%B8%9A5/家用热水器用户行为分析与事件识别 一、背景与挖掘目标 居民在使用家用热水器的过程中，会因为地区气候、不同区域和用户年龄性别差异等原因形成不同的使用习惯。家电企业若能深入了解其产品在不同用户群中的使用习惯，开发符合客户需求和使用习惯的功能，就能开拓新市场。 本案例将依据BP神经网络https://blog.overfit.org/posts/2023-04-22-17342533-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E4%BD%9C%E4%B8%9A4/Sat, 22 Apr 2023 10:09:00 +0800https://blog.overfit.org/posts/2023-04-22-17342533-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E4%BD%9C%E4%B8%9A4/商品零售购物篮分析 一、背景与挖掘目标 购物篮分析是商业领域最前沿、最具挑战性的问题之一，也是许多企业重点研究的问题。购物篮分析是通过发现顾客在一次购买行为中放入购物篮中不同商品之间的关联，研究顾客的购买行为，从而辅助零售企业制定营销策略的一种数据分析方法。本章使用Apriorihttps://blog.overfit.org/posts/2023-03-12-17209295-%E8%88%AA%E7%A9%BA%E5%85%AC%E5%8F%B8%E5%AE%A2%E6%88%B7%E4%BB%B7%E5%80%BC%E5%88%86%E6%9E%90/Sun, 12 Mar 2023 21:54:00 +0800https://blog.overfit.org/posts/2023-03-12-17209295-%E8%88%AA%E7%A9%BA%E5%85%AC%E5%8F%B8%E5%AE%A2%E6%88%B7%E4%BB%B7%E5%80%BC%E5%88%86%E6%9E%90/import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sn data=pd.read_csv('../air_data.csv') datahttps://blog.overfit.org/posts/2023-03-05-17181371-python%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E4%B9%8B%E8%B4%A2%E6%94%BF%E6%94%B6%E5%85%A5%E5%BD%B1%E5%93%8D%E5%9B%A0%E7%B4%A0%E5%88%86%E6%9E%90%E5%8F%8A%E9%A2%84%E6%B5%8B%E6%A8%A1%E5%9E%8B/Sun, 05 Mar 2023 19:22:00 +0800https://blog.overfit.org/posts/2023-03-05-17181371-python%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E4%B9%8B%E8%B4%A2%E6%94%BF%E6%94%B6%E5%85%A5%E5%BD%B1%E5%93%8D%E5%9B%A0%E7%B4%A0%E5%88%86%E6%9E%90%E5%8F%8A%E9%A2%84%E6%B5%8B%E6%A8%A1%E5%9E%8B/<h1 id="---coding-utf-8-----代码6-1-import-numpy-as-np-import-pandas-as-pd-inputfile--39datadatacsv39--输入的数据文件-data--pdread_csvi">-<em>- coding: utf-8 -</em>- # 代码6-1 import numpy as np import pandas as pd inputfile = '../data/data.csv' # 输入的数据文件 data = pd.read_csv(i</h1>https://blog.overfit.org/posts/2023-02-26-17156630-%E6%95%B0%E6%8D%AE%E6%8E%A2%E7%B4%A2/Sun, 26 Feb 2023 14:21:00 +0800https://blog.overfit.org/posts/2023-02-26-17156630-%E6%95%B0%E6%8D%AE%E6%8E%A2%E7%B4%A2/数据探索 缺失值分析及箱型图 数据：catering_sale.xls（餐饮日销额数） 缺失值使用函数：describe()函数，能算出数据集的八个统计量 import pandas as pd import numpy as np import warnings warninghttps://blog.overfit.org/posts/2023-02-07-17097970-visualstudio2022opencv%E9%85%8D%E7%BD%AE/Tue, 07 Feb 2023 12:16:00 +0800https://blog.overfit.org/posts/2023-02-07-17097970-visualstudio2022opencv%E9%85%8D%E7%BD%AE/下载OpenCV OpenCV官网下载下来的是一个exe可执行文件，运行后是一个解压程序，解压路径设置为找得到的就可以了。添加系统路径 VisualStudio安装 选择使用C++的桌面开发就可以了。 运行VisualStudio 创建新项目 配置OpenCV 找到之前解压的目录https://blog.overfit.org/posts/2023-01-29-17073008-pytorch%E5%B8%B8%E7%94%A8%E4%BB%A3%E7%A0%81%E5%9D%97/Sun, 29 Jan 2023 16:14:00 +0800https://blog.overfit.org/posts/2023-01-29-17073008-pytorch%E5%B8%B8%E7%94%A8%E4%BB%A3%E7%A0%81%E5%9D%97/PyTorch最好的资料是官方文档。 1. 基本配置 需要导入的包 import collections import os import shutil import tqdm import numpy as np import PIL.Image import torch imhttps://blog.overfit.org/posts/2023-01-29-17071833-springboot%E4%B8%AD%E8%AF%BB%E5%8F%96json%E6%96%87%E4%BB%B6%E5%B9%B6%E8%BD%AC%E6%8D%A2%E4%B8%BAmap%E5%AF%B9%E8%B1%A1/Sun, 29 Jan 2023 09:51:00 +0800https://blog.overfit.org/posts/2023-01-29-17071833-springboot%E4%B8%AD%E8%AF%BB%E5%8F%96json%E6%96%87%E4%BB%B6%E5%B9%B6%E8%BD%AC%E6%8D%A2%E4%B8%BAmap%E5%AF%B9%E8%B1%A1/SpringBoot中读取JSON文件信息并转换为Map对象 需要引入的依赖 &lt;dependency&gt; &lt;groupId&gt;com.alibaba.fastjson2&lt;/groupId&gt; &lt;artifactId&gt;fastjson2&amp;lhttps://blog.overfit.org/posts/2022-11-11-16879954-%E6%8F%92%E5%80%BC/Fri, 11 Nov 2022 11:14:00 +0800https://blog.overfit.org/posts/2022-11-11-16879954-%E6%8F%92%E5%80%BC/插值法定义 设函数在区间上有定义，且已知在点的值若存在一简单函数使得成立，就称为的插值函数，点称为插值区间，上式称为插值条件，求插值函数的方法称为插值法。若为次数不超过的代数多项式，即其中为实数，就称为插值多项式，相应的插值法称为多项式插值。若为分段多项式，就是分段插值。若为三角https://blog.overfit.org/posts/2022-08-30-16638470-resnext/Tue, 30 Aug 2022 10:36:00 +0800https://blog.overfit.org/posts/2022-08-30-16638470-resnext/ResNext 改进点 改进了Block 准确率的提高 在计算量相同的情况下，错误率更低 使用了分组卷积 普通卷积 上图为普通卷积示意图，为方便理解，途中只有一个卷积核，此时输入输出数据集为：输入特征图尺寸：**，分别对应特征图的宽、高和通道数单个卷积核尺寸：https://blog.overfit.org/posts/2022-08-28-16634329-resnet/Sun, 28 Aug 2022 22:41:00 +0800https://blog.overfit.org/posts/2022-08-28-16634329-resnet/ResNet详解 ResNet在2015年由微软实验室提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集中目标检测第一名，图像分割第一名。模型中的亮点： 超深的网络结构 提出Residual模块 使用Batch Normalization加速训https://blog.overfit.org/posts/2022-08-13-16582704-googlenet/Sat, 13 Aug 2022 11:42:00 +0800https://blog.overfit.org/posts/2022-08-13-16582704-googlenet/GoogLeNet 简介 GoogLeNet在2014年由Google团队提出，斩获当年ImageNet竞赛中Classification Task (分类任务) 第一名。 GoogLeNet网络的优点 引入了Inception结构（融合不同尺度的特征信息） 使用的卷积核进行降维https://blog.overfit.org/posts/2022-07-29-16530856-vggnet/Fri, 29 Jul 2022 00:44:00 +0800https://blog.overfit.org/posts/2022-07-29-16530856-vggnet/VGGNet简介 VGG在2014年由牛津大学著名研究组VGG (Visual GeometryGroup) 提出，斩获该年ImageNet竞赛中 Localization Task (定位任务) 第一名 和 Classification Task (分类任务) 第二名。 VGGhttps://blog.overfit.org/posts/2022-07-19-16494490-alexnet%E7%BD%91%E7%BB%9C/Tue, 19 Jul 2022 16:12:00 +0800https://blog.overfit.org/posts/2022-07-19-16494490-alexnet%E7%BD%91%E7%BB%9C/AlexNet简介 AlexNet是2012年ISLVRC 2012（ImageNet Large Scale Visual RecognitionChallenge）竞赛的冠军网络，分类准确率由传统的 70%+提升到 80%+。它是由Hinton和他的学生Alex Krizhehttps://blog.overfit.org/posts/2022-06-11-16366895-%E9%93%BE%E6%A0%88/Sat, 11 Jun 2022 21:48:00 +0800https://blog.overfit.org/posts/2022-06-11-16366895-%E9%93%BE%E6%A0%88/通过链表实现栈 #include&lt;iostream&gt; #include &quot;chainList.cpp&quot; using namespace std; template&lt;class T&gt; class linkedStack { public:https://blog.overfit.org/posts/2022-06-05-16345240-%E6%9E%84%E5%BB%BA%E6%95%B0%E7%BB%84%E6%A0%88%E7%B1%BB/Sun, 05 Jun 2022 21:47:00 +0800https://blog.overfit.org/posts/2022-06-05-16345240-%E6%9E%84%E5%BB%BA%E6%95%B0%E7%BB%84%E6%A0%88%E7%B1%BB/构建数组栈类 代码 #include &lt;iostream&gt; using namespace std; // 改变一个一维数组的长度 template&lt;class T&gt; void changeLength1D(T *&amp;a, int oldLengthhttps://blog.overfit.org/posts/2022-06-05-16344918-%E5%AF%B9%E8%A7%92%E7%9F%A9%E9%98%B5%E7%B1%BB/Sun, 05 Jun 2022 20:49:00 +0800https://blog.overfit.org/posts/2022-06-05-16344918-%E5%AF%B9%E8%A7%92%E7%9F%A9%E9%98%B5%E7%B1%BB/对角矩阵类（部分方法C++） 代码 #include&lt;iostream&gt; using namespace std; template&lt;class T&gt; class diagonalMatrix { public: explicit diagonalMatrhttps://blog.overfit.org/posts/2022-06-03-16340819-%E5%88%9B%E5%BB%BA%E7%9F%A9%E9%98%B5%E7%B1%BBc/Fri, 03 Jun 2022 21:55:00 +0800https://blog.overfit.org/posts/2022-06-03-16340819-%E5%88%9B%E5%BB%BA%E7%9F%A9%E9%98%B5%E7%B1%BBc/#include&lt;iostream&gt; using namespace std; template&lt;class T&gt; class matrix { public: matrix(int theRows = 0, int theColumns = 0); mahttps://blog.overfit.org/posts/2022-06-02-16337077-%E5%88%9B%E5%BB%BA%E5%92%8C%E4%BD%BF%E7%94%A8%E4%B8%8D%E8%A7%84%E5%88%99%E4%BA%8C%E7%BB%B4%E6%95%B0%E7%BB%84/Thu, 02 Jun 2022 11:09:00 +0800https://blog.overfit.org/posts/2022-06-02-16337077-%E5%88%9B%E5%BB%BA%E5%92%8C%E4%BD%BF%E7%94%A8%E4%B8%8D%E8%A7%84%E5%88%99%E4%BA%8C%E7%BB%B4%E6%95%B0%E7%BB%84/#include&lt;iostream&gt; using namespace std; int main() { int numberOfRows = 5; // 定义每一行的长度 int length[5] = {6, 3, 4, 2, 7}; // 声明一个二维数组变量https://blog.overfit.org/posts/2022-06-02-16337046-%E5%B9%B6%E6%9F%A5%E9%9B%86%E8%A7%A3%E5%86%B3%E5%9C%A8%E7%BA%BF%E7%AD%89%E4%BB%B7%E7%B1%BB%E9%97%AE%E9%A2%98/Thu, 02 Jun 2022 11:02:00 +0800https://blog.overfit.org/posts/2022-06-02-16337046-%E5%B9%B6%E6%9F%A5%E9%9B%86%E8%A7%A3%E5%86%B3%E5%9C%A8%E7%BA%BF%E7%AD%89%E4%BB%B7%E7%B1%BB%E9%97%AE%E9%A2%98/#include&lt;iostream&gt; using namespace std; // 使用数组实现的并查集算法 int *equivClass;// 等价类数组 int n;//元素个数 void initialize(int numberOfElements) {https://blog.overfit.org/posts/2022-06-01-16335774-%E7%AE%B1%E6%8E%92%E5%BA%8F/Wed, 01 Jun 2022 21:24:00 +0800https://blog.overfit.org/posts/2022-06-01-16335774-%E7%AE%B1%E6%8E%92%E5%BA%8F/箱排序 假定用一个链表保存一个班级学生清单。结点的数据有：学生姓名和考试分数。假设分数是0~100的整数。 采用箱排序可以把分数相同的结点放在同一个箱子里，然后把箱子连接起来就得到了有序的链表 链表定义 #include&lt;iostream&gt; #include &lt;https://blog.overfit.org/posts/2022-05-28-16322377-%E5%8D%95%E5%90%91%E9%93%BE%E8%A1%A8%E5%AE%9E%E7%8E%B0/Sat, 28 May 2022 22:35:00 +0800https://blog.overfit.org/posts/2022-05-28-16322377-%E5%8D%95%E5%90%91%E9%93%BE%E8%A1%A8%E5%AE%9E%E7%8E%B0/#include&lt;iostream&gt; #include &lt;sstream&gt; using namespace std; class illegalParameterValue { public: illegalParameterValue() : messahttps://blog.overfit.org/posts/2022-05-28-16321623-%E5%88%A9%E7%94%A8vector%E5%AE%9E%E7%8E%B0%E7%9A%84%E5%9F%BA%E4%BA%8E%E6%95%B0%E7%BB%84%E7%9A%84%E7%BA%BF%E6%80%A7%E8%A1%A8/Sat, 28 May 2022 18:58:00 +0800https://blog.overfit.org/posts/2022-05-28-16321623-%E5%88%A9%E7%94%A8vector%E5%AE%9E%E7%8E%B0%E7%9A%84%E5%9F%BA%E4%BA%8E%E6%95%B0%E7%BB%84%E7%9A%84%E7%BA%BF%E6%80%A7%E8%A1%A8/#include&lt;iostream&gt; #include&lt;vector&gt; #include&lt;sstream&gt; using namespace std; class illegalParameterValue { public: illegalPahttps://blog.overfit.org/posts/2022-05-26-16315151-%E5%8A%A8%E6%80%81%E6%95%B0%E7%BB%84c/Thu, 26 May 2022 20:44:00 +0800https://blog.overfit.org/posts/2022-05-26-16315151-%E5%8A%A8%E6%80%81%E6%95%B0%E7%BB%84c/#include&lt;iostream&gt; #include &lt;sstream&gt; #include&lt;iterator&gt; #include&lt;algorithm&gt; using namespace std; // 重写copy代码 templahttps://blog.overfit.org/posts/2022-05-18-16286177-%E4%B8%80%E5%85%83%E5%A4%9A%E9%A1%B9%E5%BC%8F%E7%9A%84%E4%B9%98%E6%B3%95%E4%B8%8E%E5%8A%A0%E6%B3%95%E8%BF%90%E7%AE%97/Wed, 18 May 2022 20:23:00 +0800https://blog.overfit.org/posts/2022-05-18-16286177-%E4%B8%80%E5%85%83%E5%A4%9A%E9%A1%B9%E5%BC%8F%E7%9A%84%E4%B9%98%E6%B3%95%E4%B8%8E%E5%8A%A0%E6%B3%95%E8%BF%90%E7%AE%97/一元多项式的乘法与加法运算 设计函数分别求两个一元多项式的乘积与和 输入格式 输入分2行，每行分别先给出多项式非零项的个数，再以指数递降方式输入一个多项式非零项系数和指数（绝对值均为不超过1000的整数）。数字间以空格分隔。 输出格式 输出分2行，分别以指数递降方式输出乘积多项式https://blog.overfit.org/posts/2022-05-18-16286033-%E7%8C%AB%E7%8B%97%E6%95%B0%E6%8D%AE%E9%9B%86%E5%88%86%E7%B1%BBvgg16tensorflow%E5%AE%9E%E7%8E%B0/Wed, 18 May 2022 19:33:00 +0800https://blog.overfit.org/posts/2022-05-18-16286033-%E7%8C%AB%E7%8B%97%E6%95%B0%E6%8D%AE%E9%9B%86%E5%88%86%E7%B1%BBvgg16tensorflow%E5%AE%9E%E7%8E%B0/import random import os import tensorflow as tf from tensorflow import keras from shutil import copyfile from tensorflow.keras import layershttps://blog.overfit.org/posts/2022-05-18-16285858-%E7%8C%AB%E7%8B%97%E6%95%B0%E6%8D%AE%E9%9B%86%E5%88%86%E7%B1%BBvgg16pytorch%E5%AE%9E%E7%8E%B0/Wed, 18 May 2022 18:34:00 +0800https://blog.overfit.org/posts/2022-05-18-16285858-%E7%8C%AB%E7%8B%97%E6%95%B0%E6%8D%AE%E9%9B%86%E5%88%86%E7%B1%BBvgg16pytorch%E5%AE%9E%E7%8E%B0/数据集地址：https://www.kaggle.com/datasets/shaunthesheep/microsoft-catsvsdogs-dataset ```python from shutil import copyfile import random importhttps://blog.overfit.org/posts/2022-04-22-16180479-%E4%BA%8C%E5%8F%89%E6%90%9C%E7%B4%A2%E6%A0%91%E7%9A%84%E6%93%8D%E4%BD%9C%E9%9B%86/Fri, 22 Apr 2022 20:51:00 +0800https://blog.overfit.org/posts/2022-04-22-16180479-%E4%BA%8C%E5%8F%89%E6%90%9C%E7%B4%A2%E6%A0%91%E7%9A%84%E6%93%8D%E4%BD%9C%E9%9B%86/二叉搜索树的操作集 本题要求实现给定二叉搜索树的5种常用操作 函数接口定义 BinTree Insert( BinTree BST, ElementType X ); BinTree Delete( BinTree BST, ElementType X ); Position Fhttps://blog.overfit.org/posts/2022-04-22-16180401-%E5%85%88%E5%BA%8F%E8%BE%93%E5%87%BA%E5%8F%B6%E7%BB%93%E7%82%B9/Fri, 22 Apr 2022 20:18:00 +0800https://blog.overfit.org/posts/2022-04-22-16180401-%E5%85%88%E5%BA%8F%E8%BE%93%E5%87%BA%E5%8F%B6%E7%BB%93%E7%82%B9/先序输出叶结点 本题要求按照先序遍历顺序输出给定二叉树的叶节点 函数接口定义 void PreorderPrintLeaves( BinTree BT ); 其中BinTree结构定义如下： typedef struct TNode *Position; typedef Posihttps://blog.overfit.org/posts/2022-04-22-16180378-%E6%B1%82%E4%BA%8C%E5%8F%89%E6%A0%91%E9%AB%98%E5%BA%A6/Fri, 22 Apr 2022 20:11:00 +0800https://blog.overfit.org/posts/2022-04-22-16180378-%E6%B1%82%E4%BA%8C%E5%8F%89%E6%A0%91%E9%AB%98%E5%BA%A6/求二叉树高度 本题要求给定二叉树的高度 函数接口定义 int GetHeight( BinTree BT ); 其中BinTree结构定义如下： typedef struct TNode *Position; typedef Position BinTree; struct TNhttps://blog.overfit.org/posts/2022-04-20-16171621-%E4%BA%8C%E5%88%86%E6%9F%A5%E6%89%BE/Wed, 20 Apr 2022 20:31:00 +0800https://blog.overfit.org/posts/2022-04-20-16171621-%E4%BA%8C%E5%88%86%E6%9F%A5%E6%89%BE/二分查找 本题要求实现二分查找算法。 函数接口定义 Position BinarySearch( List L, ElementType X ); 其中List结构定义如下： typedef int Position; typedef struct LNode *List; sthttps://blog.overfit.org/posts/2022-04-20-16171506-%E4%BA%8C%E5%8F%89%E6%A0%91%E7%9A%84%E9%81%8D%E5%8E%86/Wed, 20 Apr 2022 20:02:00 +0800https://blog.overfit.org/posts/2022-04-20-16171506-%E4%BA%8C%E5%8F%89%E6%A0%91%E7%9A%84%E9%81%8D%E5%8E%86/二叉树的遍历 本题要求给定二叉树的4种遍历 函数接口定义 void InorderTraversal( BinTree BT ); void PreorderTraversal( BinTree BT ); void PostorderTraversal( BinTree BThttps://blog.overfit.org/posts/2022-04-19-16167616-%E5%9C%A8%E4%B8%80%E4%B8%AA%E6%95%B0%E7%BB%84%E4%B8%AD%E5%AE%9E%E7%8E%B0%E4%B8%A4%E4%B8%AA%E5%A0%86%E6%A0%88/Tue, 19 Apr 2022 22:01:00 +0800https://blog.overfit.org/posts/2022-04-19-16167616-%E5%9C%A8%E4%B8%80%E4%B8%AA%E6%95%B0%E7%BB%84%E4%B8%AD%E5%AE%9E%E7%8E%B0%E4%B8%A4%E4%B8%AA%E5%A0%86%E6%A0%88/在一个数组中实现两个堆栈 本题要求在数组中实现两个堆栈 函数接口定义 Stack CreateStack( int MaxSize ); bool Push( Stack S, ElementType X, int Tag ); ElementType Pop( Stack S,https://blog.overfit.org/posts/2022-04-18-16159522-%E5%BF%AB%E9%80%9F%E6%8E%92%E5%BA%8Fc%E8%AF%AD%E8%A8%80%E5%AE%9E%E7%8E%B0/Mon, 18 Apr 2022 14:29:00 +0800https://blog.overfit.org/posts/2022-04-18-16159522-%E5%BF%AB%E9%80%9F%E6%8E%92%E5%BA%8Fc%E8%AF%AD%E8%A8%80%E5%AE%9E%E7%8E%B0/#include&lt;stdio.h&gt; void Swap(int *x, int *y) { int t; t = *x; *x = *y; *y = t; } int Partition(int A[], int p, int r) { int X = A[p]; /https://blog.overfit.org/posts/2022-04-16-16154455-%E5%B8%A6%E5%A4%B4%E7%BB%93%E7%82%B9%E7%9A%84%E9%93%BE%E5%BC%8F%E8%A1%A8%E6%93%8D%E4%BD%9C%E9%9B%86/Sat, 16 Apr 2022 22:12:00 +0800https://blog.overfit.org/posts/2022-04-16-16154455-%E5%B8%A6%E5%A4%B4%E7%BB%93%E7%82%B9%E7%9A%84%E9%93%BE%E5%BC%8F%E8%A1%A8%E6%93%8D%E4%BD%9C%E9%9B%86/带头结点的链式表操作集 本题要求实现带头结点的链式表操作集 函数接口定义 Position Find( List L, ElementType X ); List Insert( List L, ElementType X, Position P ); List Delete(https://blog.overfit.org/posts/2022-04-16-16152353-%E9%93%BE%E5%BC%8F%E8%A1%A8%E6%93%8D%E4%BD%9C%E9%9B%86/Sat, 16 Apr 2022 11:48:00 +0800https://blog.overfit.org/posts/2022-04-16-16152353-%E9%93%BE%E5%BC%8F%E8%A1%A8%E6%93%8D%E4%BD%9C%E9%9B%86/链式表操作集 本题要求实现链式表的操作集 函数接口定义 Position Find( List L, ElementType X ); List Insert( List L, ElementType X, Position P ); List Delete( List L, Phttps://blog.overfit.org/posts/2022-04-15-16150684-%E9%93%BE%E5%BC%8F%E8%A1%A8%E7%9A%84%E6%8C%89%E5%BA%8F%E5%8F%B7%E6%9F%A5%E6%89%BE/Fri, 15 Apr 2022 19:37:00 +0800https://blog.overfit.org/posts/2022-04-15-16150684-%E9%93%BE%E5%BC%8F%E8%A1%A8%E7%9A%84%E6%8C%89%E5%BA%8F%E5%8F%B7%E6%9F%A5%E6%89%BE/链式表的按序号查找 本题要求实现一个函数，找到并返回链式表的第K个元素、 函数接口定义 ElementType FindKth( List L, int K ); 其中List结构定义如下： typedef struct LNode *PtrToLNode; struct LNohttps://blog.overfit.org/posts/2022-04-15-16149628-%E6%B1%82%E9%93%BE%E5%BC%8F%E8%A1%A8%E7%9A%84%E8%A1%A8%E9%95%BF/Fri, 15 Apr 2022 16:07:00 +0800https://blog.overfit.org/posts/2022-04-15-16149628-%E6%B1%82%E9%93%BE%E5%BC%8F%E8%A1%A8%E7%9A%84%E8%A1%A8%E9%95%BF/求链式表的表长 本题要求实现一个函数，求链式表的表厂。 函数式接口定义 int Length( List L ); 其中List结构定义如下： typedef struct LNode *PtrToLNode; struct LNode { ElementType Data; Phttps://blog.overfit.org/posts/2022-04-15-16149542-%E9%A1%BA%E5%BA%8F%E8%A1%A8%E6%93%8D%E4%BD%9C%E9%9B%86/Fri, 15 Apr 2022 15:55:00 +0800https://blog.overfit.org/posts/2022-04-15-16149542-%E9%A1%BA%E5%BA%8F%E8%A1%A8%E6%93%8D%E4%BD%9C%E9%9B%86/顺序表操作集 本题要求实现顺序表的操作集 函数接口定义 List MakeEmpty(); Position Find( List L, ElementType X ); bool Insert( List L, ElementType X, Position P ); boolhttps://blog.overfit.org/posts/2022-04-15-16148361-%E9%80%86%E8%BD%AC%E9%93%BE%E8%A1%A8/Fri, 15 Apr 2022 11:37:00 +0800https://blog.overfit.org/posts/2022-04-15-16148361-%E9%80%86%E8%BD%AC%E9%93%BE%E8%A1%A8/单链表逆转 本题要求实现一个函数，将给定的单链表逆转 函数接口定义 List Reverse(List L); 其中List结构定义如下： typedef struct Node <em>PtrToNode; struct Node{ ElementType Data; /</em> 存储结点https://blog.overfit.org/posts/2022-04-14-16142980-%E6%89%93%E5%8D%B0%E6%B2%99%E6%BC%8F/Thu, 14 Apr 2022 08:20:00 +0800https://blog.overfit.org/posts/2022-04-14-16142980-%E6%89%93%E5%8D%B0%E6%B2%99%E6%BC%8F/自测-1 打印沙漏 要求写个程序把给定的符号打印成沙漏的形状。例如给定17个“*”，要求按下列格式打印 ***** *** * *** ***** 所谓“沙漏形状”，是指每行输出奇数个符号；各行符号中心对齐；相邻两行符号数差2；符号数先从大到小顺序递减到1，再从小到大顺序递增；首https://blog.overfit.org/posts/2022-04-10-16126493-avltree/Sun, 10 Apr 2022 16:45:00 +0800https://blog.overfit.org/posts/2022-04-10-16126493-avltree/#include&lt;stdio.h&gt; #include&lt;malloc.h&gt; #include&lt;stdlib.h&gt; struct AvlNode; typedef struct AvlNode *Position; typedef struct Ahttps://blog.overfit.org/posts/2022-04-08-16116915-%E5%88%86%E6%B2%BB%E6%B3%95%E6%B1%82%E8%A7%A3x%E7%9A%84n%E6%AC%A1%E6%96%B9/Fri, 08 Apr 2022 14:44:00 +0800https://blog.overfit.org/posts/2022-04-08-16116915-%E5%88%86%E6%B2%BB%E6%B3%95%E6%B1%82%E8%A7%A3x%E7%9A%84n%E6%AC%A1%E6%96%B9/Divide-and-conquer algorithm in multiplication [ x^n=xcdot xcdot xcdots x ] 时间复杂度为O(n)，有n-1个乘法 [ x^n=x^frac n2cdot x^frac n2qquadmbox{if xhttps://blog.overfit.org/posts/2022-04-01-16088688-%E4%BA%8C%E5%8F%89%E6%90%9C%E7%B4%A2%E6%A0%91%E5%AE%9E%E7%8E%B0/Fri, 01 Apr 2022 19:41:00 +0800https://blog.overfit.org/posts/2022-04-01-16088688-%E4%BA%8C%E5%8F%89%E6%90%9C%E7%B4%A2%E6%A0%91%E5%AE%9E%E7%8E%B0/BinarySearchTree #include&lt;stdlib.h&gt; #include&lt;malloc.h&gt; #include&lt;stdio.h&gt; struct TreeNode; typedef struct TreeNode *Positiohttps://blog.overfit.org/posts/2022-03-06-15973112-%E4%B8%80%E5%85%83%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%8A%A0%E6%B3%95%E4%B8%8E%E4%B9%98%E6%B3%95/Sun, 06 Mar 2022 19:25:00 +0800https://blog.overfit.org/posts/2022-03-06-15973112-%E4%B8%80%E5%85%83%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%8A%A0%E6%B3%95%E4%B8%8E%E4%B9%98%E6%B3%95/一元多项式的加法与乘法运算 题意理解 设计函数分别求两个一元多项式的乘积与和 求解思路 多项式表示 程序框架 读多项式 加法实现 乘法实现 多项式输出 多项式的表示 仅表示非零项 数组 编程简单、调试容易 需要事先确定数组大小 一种比较好的实现方法是：动态数组 链表 动态性强 编https://blog.overfit.org/posts/2022-03-05-15967723-%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%8A%A0%E6%B3%95/Sat, 05 Mar 2022 13:24:00 +0800https://blog.overfit.org/posts/2022-03-05-15967723-%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%8A%A0%E6%B3%95/多项式加法运算 采用不带头结点的单向链表，按照指数递减的顺序排列各项 struct PolyNode{ int coef;//系数 int expon;//指数 struct PolyNode *link;//指向下一个结点的指针 }; typedef struct PolyNohttps://blog.overfit.org/posts/2022-03-04-15966117-%E9%98%9F%E5%88%97/Fri, 04 Mar 2022 21:00:00 +0800https://blog.overfit.org/posts/2022-03-04-15966117-%E9%98%9F%E5%88%97/队列 队列（Queue）：具有一定操作约束的线性表 插入和删除操作：只能在一端插入，而在另一端删除 数据插入：入队（AddQ） 数据删除：出队列（DeleteQ） 先来先服务 先进先出：FIFO 类型名称：队列（Queue） 数据对象集：一个有0个或多个元素的有穷线性表 操作集：https://blog.overfit.org/posts/2022-03-04-15965852-%E5%A0%86%E6%A0%88/Fri, 04 Mar 2022 19:42:00 +0800https://blog.overfit.org/posts/2022-03-04-15965852-%E5%A0%86%E6%A0%88/堆栈 堆栈的抽象数据类型描述 类型名称：堆栈（Stack） 对象数据集：一个有0个或多个元素的有穷线性表 操作集：长度为MaxSize的堆栈，堆栈元素 Stack CreateStack(int MaxSize)：生成空堆栈，其最大长https://blog.overfit.org/posts/2022-03-02-15954692-%E5%B9%BF%E4%B9%89%E8%A1%A8/Wed, 02 Mar 2022 13:33:00 +0800https://blog.overfit.org/posts/2022-03-02-15954692-%E5%B9%BF%E4%B9%89%E8%A1%A8/广义表 广义表是线性表的推广； 对于线性表而言，n个元素都是基本的单元素； 广义表中，这些元素不仅可以是单元素也可以是另一个广义表； typedef struct GNode *GList; struct GNode{ int Tag; //标志域：0表示结点是单元素，1表示结点https://blog.overfit.org/posts/2022-03-02-15954589-%E7%BA%BF%E6%80%A7%E8%A1%A8/Wed, 02 Mar 2022 12:59:00 +0800https://blog.overfit.org/posts/2022-03-02-15954589-%E7%BA%BF%E6%80%A7%E8%A1%A8/线性表 什么是线性表 “线性表（Linear List）”：由同类型数据元素构成有序序列的线性结构 表中元素个数称为线性表的长度 线性表没有元素时，称为空表 表起始位置称表头，表结束位置称表尾 线性表的抽象数据类型描述 类型名称：线性表 数据对象集：线性表是n(ge0)(个元素构https://blog.overfit.org/posts/2022-03-01-15951922-%E6%B1%82%E6%9C%80%E5%A4%A7%E5%AD%90%E5%88%97%E5%92%8C/Tue, 01 Mar 2022 19:08:00 +0800https://blog.overfit.org/posts/2022-03-01-15951922-%E6%B1%82%E6%9C%80%E5%A4%A7%E5%AD%90%E5%88%97%E5%92%8C/求最大子列和 给定个整数的序列，求函数 算法一 int MaxSubseqSum1(int A[], int N) {/<em>三重嵌套循环，时间复杂度是O(N^3)</em>/ int Thishttps://blog.overfit.org/posts/2022-02-23-15929317-%E8%AE%A1%E7%AE%97%E7%BB%99%E5%AE%9A%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%9C%A8%E7%BB%99%E5%AE%9A%E7%82%B9x-%E5%A4%84%E7%9A%84%E5%80%BC/Wed, 23 Feb 2022 21:36:00 +0800https://blog.overfit.org/posts/2022-02-23-15929317-%E8%AE%A1%E7%AE%97%E7%BB%99%E5%AE%9A%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%9C%A8%E7%BB%99%E5%AE%9A%E7%82%B9x-%E5%A4%84%E7%9A%84%E5%80%BC/计算给定多项式在给定点处的值 方法1 (f(x)=a_0+a_1x+cdots+a_{n-1}x^{n-1}+a_nx^n) double f_1(int n, double a[], double x) { int i; double p = a[0]; for (i = 1;https://blog.overfit.org/posts/2022-02-22-15925313-%E8%BE%93%E5%87%BA%E4%BB%8E1%E5%88%B0n%E7%9A%84%E6%95%B4%E6%95%B0/Tue, 22 Feb 2022 22:31:00 +0800https://blog.overfit.org/posts/2022-02-22-15925313-%E8%BE%93%E5%87%BA%E4%BB%8E1%E5%88%B0n%E7%9A%84%E6%95%B4%E6%95%B0/实现函数PrintN，能顺序打印从1到N的全部正整数 循环写法 void printN_1(int N) { for (int i = 1; i &lt;= N; i++) { printf(&quot;%dn&quot;, i); } return; } 递归写法 void phttps://blog.overfit.org/posts/2022-01-21-15831801-%E7%94%9F%E6%88%90%E5%BC%8F%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9Cgan/Fri, 21 Jan 2022 21:13:00 +0800https://blog.overfit.org/posts/2022-01-21-15831801-%E7%94%9F%E6%88%90%E5%BC%8F%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9Cgan/生成式对抗网络 Ian Goodfellow等人在2014年的论文中提出了生成式对抗网络，尽管这个想法立刻使研究人员们兴奋不已，但还是花了几年时间才克服了训练GAN的一些困难。就像许多伟大的想法一样，事后看起来似乎很简单：让神经网络竞争，希望这种竞争能够促使它们变得更好。GAN由https://blog.overfit.org/posts/2022-01-18-15819659-%E9%9D%9E%E7%BA%BF%E6%80%A7%E8%A7%84%E5%88%92/Tue, 18 Jan 2022 20:23:00 +0800https://blog.overfit.org/posts/2022-01-18-15819659-%E9%9D%9E%E7%BA%BF%E6%80%A7%E8%A7%84%E5%88%92/非线性规划 飞行管理问题 在约 10，000m 高空的某边长 160km 的正方形区域内，经常有若干架飞机作水平 飞行。区域内每架飞机的位置和速度向量均由计算机记录其数据，以便进行飞行管理。 当一架欲进入该区域的飞机到达区域边缘时，记录其数据后，要立即计算并判断是否会 与区域内的https://blog.overfit.org/posts/2022-01-16-15811514-%E7%94%A8python%E5%AE%9E%E7%8E%B0%E7%BA%BF%E6%80%A7%E8%A7%84%E5%88%92/Sun, 16 Jan 2022 22:24:00 +0800https://blog.overfit.org/posts/2022-01-16-15811514-%E7%94%A8python%E5%AE%9E%E7%8E%B0%E7%BA%BF%E6%80%A7%E8%A7%84%E5%88%92/用Python实现线性规划 使用python库中scipy中的函数linprog来求解线性规划 linprog函数中线性规划的标准形式为 [ min c^Tx s.tleft{begin{aligned}Auqcdot x&amp;le b Aeqcdot x&amp;=beqhttps://blog.overfit.org/posts/2022-01-10-15785766-%E5%8F%98%E5%88%86%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/Mon, 10 Jan 2022 20:02:00 +0800https://blog.overfit.org/posts/2022-01-10-15785766-%E5%8F%98%E5%88%86%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/变分自动编码器 Diederik Kingma和Max Welling于2013年推出了自动编码器的另一个重要类别，并迅速成为最受欢迎的自动编码器类型之一：变分自动编码器 它们与目前为止的自动编码器有很大的不同，它们具有以下特殊的地方： 它们是概率自动编码器，这意味着即使在训练后https://blog.overfit.org/posts/2022-01-08-15779095-%E7%A8%80%E7%96%8F%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/Sat, 08 Jan 2022 18:17:00 +0800https://blog.overfit.org/posts/2022-01-08-15779095-%E7%A8%80%E7%96%8F%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/稀疏自动编码器 另一种会导致良好特征提取的约束是稀疏性：通过在成本函数中添加适当的函数项，强迫自动编码器减少编码层中活动神经元的数量。例如，可以强迫其在编码层中平均仅有5%的显著活动神经元。这迫使自动编码器将每个输入表示为少量活动神经元的组合。结果，编码层中的每个神经元最终会代表https://blog.overfit.org/posts/2022-01-08-15778762-%E5%8E%BB%E5%99%AA%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/Sat, 08 Jan 2022 16:53:00 +0800https://blog.overfit.org/posts/2022-01-08-15778762-%E5%8E%BB%E5%99%AA%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/去噪自动编码器 强制自动编码器学习有用特征的另一种方法是向其输入中添加噪声，训练它来恢复原始的无噪声输入。这个想法自1980年代开始就存在（在Yann LeCun 1987年的硕士论文中提到过）。在2008年的论文中，Pascal Vincent等人表明自动编码器也可以用于特征提https://blog.overfit.org/posts/2022-01-06-15772401-%E5%BE%AA%E7%8E%AF%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/Thu, 06 Jan 2022 18:48:00 +0800https://blog.overfit.org/posts/2022-01-06-15772401-%E5%BE%AA%E7%8E%AF%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/循环自动编码器 如果要为序列构建自动编码器，例如时间序列和文本（例如，用于无监督学习或降维），那么递归神经元可能比密集网络更合适。构建循环自动编码器非常简单直接：编码器通常是序列到向量的RNN，它将输入序列压缩为单个向量。解码器是向量到序列RNN，做相反的处理： from tenhttps://blog.overfit.org/posts/2022-01-06-15772360-%E5%8D%B7%E7%A7%AF%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/Thu, 06 Jan 2022 18:32:00 +0800https://blog.overfit.org/posts/2022-01-06-15772360-%E5%8D%B7%E7%A7%AF%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/卷积自动编码器 如果要处理图像，目前为止的自动编码器都无法很好的工作（除非图像非常小），卷积神经网络比密集网络更适合处理图像。如果要为图像构建自动编码器（例如，用于无监督预训练或降维），则需要构建卷积自动编码器。编码器是由卷积层和池化层组成的常规CNN。它通常会减小输入的空间尺寸https://blog.overfit.org/posts/2022-01-06-15772319-%E5%A0%86%E5%8F%A0%E5%BC%8F%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/Thu, 06 Jan 2022 18:16:00 +0800https://blog.overfit.org/posts/2022-01-06-15772319-%E5%A0%86%E5%8F%A0%E5%BC%8F%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8/堆叠式自动编码器 自动编码器可以具有多个隐藏层。在这种情况下，它们被称为堆叠式自动编码器（或深度自动编码器）。添加更多的层有助于自动编码器学习更多的复杂的编码。就是说，要注意不要使自动编码器过于强大。想象一个强大的编码器，它只是学会了把每个输入映射到单个任意数字（而解码器则学习反https://blog.overfit.org/posts/2022-01-04-15764249-%E6%94%AF%E6%8C%81%E5%87%BD%E6%95%B0%E5%BC%8F%E7%BC%96%E7%A8%8B%E7%9A%84%E5%8C%85/Tue, 04 Jan 2022 21:45:00 +0800https://blog.overfit.org/posts/2022-01-04-15764249-%E6%94%AF%E6%8C%81%E5%87%BD%E6%95%B0%E5%BC%8F%E7%BC%96%E7%A8%8B%E7%9A%84%E5%8C%85/支持函数式编程的包 Python的目标不是变成函数式语言，但是得益于operator和functools等包的支持，函数式编程风格也可以信手拈来 operator模块 在函数式编程中，经常需要把算术运算符当作函数使用。例如，不适使用递归计算阶乘。求和可以使用sum函数，但是求积没https://blog.overfit.org/posts/2022-01-04-15764093-%E5%87%BD%E6%95%B0%E6%B3%A8%E8%A7%A3/Tue, 04 Jan 2022 21:08:00 +0800https://blog.overfit.org/posts/2022-01-04-15764093-%E5%87%BD%E6%95%B0%E6%B3%A8%E8%A7%A3/函数注解 Python 3提供了一种句法，用于为函数声明中的参数和返回值附加元数据 # 有注解的clip函数 def clip(text: str, max_len: 'int&gt;0' = 80) -&gt; str: # max_len参数的注解是字符串 &amp;https://blog.overfit.org/posts/2021-12-31-15752666-%E8%8E%B7%E5%8F%96%E6%9C%89%E5%85%B3%E5%8F%82%E6%95%B0%E7%9A%84%E4%BF%A1%E6%81%AF/Fri, 31 Dec 2021 13:06:00 +0800https://blog.overfit.org/posts/2021-12-31-15752666-%E8%8E%B7%E5%8F%96%E6%9C%89%E5%85%B3%E5%8F%82%E6%95%B0%E7%9A%84%E4%BF%A1%E6%81%AF/获取关于参数的信息 HTTP微框架Bobo有个使用内省函数的例子 # Bobo直到hello需要person参数，并且从HTTP请求中获取它 import bobo @bobo.query('/') def hello(person): return 'Hhttps://blog.overfit.org/posts/2021-12-30-15750883-%E4%BD%BF%E7%94%A8%E4%B8%8D%E5%AE%8C%E6%95%B4%E7%9A%84%E7%BA%BF%E6%80%A7%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8%E6%89%A7%E8%A1%8Cpca/Thu, 30 Dec 2021 22:37:00 +0800https://blog.overfit.org/posts/2021-12-30-15750883-%E4%BD%BF%E7%94%A8%E4%B8%8D%E5%AE%8C%E6%95%B4%E7%9A%84%E7%BA%BF%E6%80%A7%E8%87%AA%E5%8A%A8%E7%BC%96%E7%A0%81%E5%99%A8%E6%89%A7%E8%A1%8Cpca/使用不完整的线性自动编码器执行PCA 如果自动编码器仅使用线性激活，并且成本函数是均方误差MSE，则最后执行的是主成分分析（PCA） 以下代码构建了一个简单的线性自动编码器，来对3D数据集执行PCA，将其投影到2D： from tensorflow import keras enhttps://blog.overfit.org/posts/2021-12-30-15750711-%E6%9C%89%E6%95%88%E7%9A%84%E6%95%B0%E6%8D%AE%E8%A1%A8%E7%A4%BA/Thu, 30 Dec 2021 21:34:00 +0800https://blog.overfit.org/posts/2021-12-30-15750711-%E6%9C%89%E6%95%88%E7%9A%84%E6%95%B0%E6%8D%AE%E8%A1%A8%E7%A4%BA/有效的数据表示 你发现以下哪个数字顺序最容易记忆？ 40，27，25，36，81，57，10，73，19，68 50，48，46，44，42，40，38，36，34，32，30，28，26，24，22，20，18，16，14 乍一看，第一个序列似乎应该更容易些，因为它要短得多。但https://blog.overfit.org/posts/2021-12-30-15748194-%E6%8B%9F%E7%89%9B%E9%A1%BF%E6%B3%95python%E5%AE%9E%E7%8E%B0/Thu, 30 Dec 2021 11:55:00 +0800https://blog.overfit.org/posts/2021-12-30-15748194-%E6%8B%9F%E7%89%9B%E9%A1%BF%E6%B3%95python%E5%AE%9E%E7%8E%B0/拟牛顿法（Python实现） 使用拟牛顿法（BFGS和DFP），分别使用Armijo准则和Wolfe准则来求步长 求解方程 的极小值 import numpy as np # import tensorflow as tf dhttps://blog.overfit.org/posts/2021-12-30-15747313-%E5%85%B1%E8%BD%AD%E6%A2%AF%E5%BA%A6%E6%B3%95python%E5%AE%9E%E7%8E%B0/Thu, 30 Dec 2021 01:55:00 +0800https://blog.overfit.org/posts/2021-12-30-15747313-%E5%85%B1%E8%BD%AD%E6%A2%AF%E5%BA%A6%E6%B3%95python%E5%AE%9E%E7%8E%B0/共轭梯度法（Python实现） 使用共轭梯度法，分别使用Armijo准则和Wolfe准则来求步长 求解方程 的极小值 import numpy as np # import tensorflow as tf def gfun(https://blog.overfit.org/posts/2021-12-29-15746718-%E6%9C%80%E8%BF%91%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%88%9B%E6%96%B0/Wed, 29 Dec 2021 20:53:00 +0800https://blog.overfit.org/posts/2021-12-29-15746718-%E6%9C%80%E8%BF%91%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%88%9B%E6%96%B0/最新语言模型的创新 2018年被称为”NLP的ImageNet时刻“：进展惊人，越来越大的LSTM和基于Transformer的架构在庞大的数据集上得到了训练 Matthew Peters撰写的ELMo论文介绍了从语言模型来的嵌入（Embeddings from Languagehttps://blog.overfit.org/posts/2021-12-29-15746541-%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/Wed, 29 Dec 2021 19:55:00 +0800https://blog.overfit.org/posts/2021-12-29-15746541-%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6/注意力机制 这是Dzmitry Bahdanai等人在2014年的突破性论文中的核心思想。他们介绍了一种技术，该技术允许编码器在每个时间步长中专注于适当的单词（由编码器编码）。例如，在编码器需要输出单词'lait'的时间步长上，它会把注意力集中在单词'mihttps://blog.overfit.org/posts/2021-12-19-15707430-%E9%87%8D%E7%94%A8%E9%A2%84%E8%AE%AD%E7%BB%83%E7%9A%84%E5%B5%8C%E5%85%A5/Sun, 19 Dec 2021 14:42:00 +0800https://blog.overfit.org/posts/2021-12-19-15707430-%E9%87%8D%E7%94%A8%E9%A2%84%E8%AE%AD%E7%BB%83%E7%9A%84%E5%B5%8C%E5%85%A5/重用预训练的嵌入 TensorFlow Hub项目可以轻松地在自己的模型中重用经过预训练的模型组件。这些模型组件称为模块。只需要浏览TF Hub储存库，就能找到需要的，然后将代码示例复制到下项目中，该模块将连同其预先训练的权重一起自动下载并包含在模型中： # 在情感分析模型中使用https://blog.overfit.org/posts/2021-12-18-15705733-%E6%8E%A9%E7%A0%81%E5%B1%8F%E8%94%BD/Sat, 18 Dec 2021 19:01:00 +0800https://blog.overfit.org/posts/2021-12-18-15705733-%E6%8E%A9%E7%A0%81%E5%B1%8F%E8%94%BD/掩码屏蔽 模型需要学习应该忽略掉填充令牌。可以设置告诉模型去忽略掉填充令牌，以便它可以专注于实际很重要的数据。实际上这很容易：在创建嵌入（Embedding）层时只需添加mask_zero=True。这意味着所有下游层都将忽略填充令牌（其ID为0） 这种工作方式是Embeddinhttps://blog.overfit.org/posts/2021-12-18-15704811-%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90/Sat, 18 Dec 2021 12:51:00 +0800https://blog.overfit.org/posts/2021-12-18-15704811-%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90/情感分析 如果MNIST是计算机视觉的“hello world”，那么IMDB评论数据集就是自然语言处理的“hello world”：它提取了来自著名的互联网电影数据库的50000条英文电影评论（其中25000条用于训练，25000条用于测试），每条评论的简单二元目标值表明了该评https://blog.overfit.org/posts/2021-12-18-15704546-%E4%BB%8E%E5%AE%9A%E4%BD%8D%E5%8F%82%E6%95%B0%E5%88%B0%E4%BB%85%E9%99%90%E5%85%B3%E9%94%AE%E5%AD%97%E5%8F%82%E6%95%B0/Sat, 18 Dec 2021 10:44:00 +0800https://blog.overfit.org/posts/2021-12-18-15704546-%E4%BB%8E%E5%AE%9A%E4%BD%8D%E5%8F%82%E6%95%B0%E5%88%B0%E4%BB%85%E9%99%90%E5%85%B3%E9%94%AE%E5%AD%97%E5%8F%82%E6%95%B0/从定位参数到仅限关键字参数 Python最好的特性之一是提供了极为灵活的参数处理机制，而且Python3进一步提供了仅限关键字参数（keyword-only argument）。与之密切相关的是，调用函数时使用*和**展开可迭代对象，映射到单个参数 # tag函数用于生成HTMLhttps://blog.overfit.org/posts/2021-12-18-15704485-%E5%87%BD%E6%95%B0%E5%86%85%E7%9C%81/Sat, 18 Dec 2021 10:20:00 +0800https://blog.overfit.org/posts/2021-12-18-15704485-%E5%87%BD%E6%95%B0%E5%86%85%E7%9C%81/函数内省 除了__doc__，函数对象还有很多属性。使用dir函数可以探知factorial具有下述属性： def factorial(n): return 1 if n &lt; 2 else n * factorial(n - 1) dir(factorial) ['https://blog.overfit.org/posts/2021-12-17-15703877-%E7%94%A8%E6%88%B7%E5%AE%9A%E4%B9%89%E7%9A%84%E5%8F%AF%E8%B0%83%E7%94%A8%E7%B1%BB%E5%9E%8B/Fri, 17 Dec 2021 21:27:00 +0800https://blog.overfit.org/posts/2021-12-17-15703877-%E7%94%A8%E6%88%B7%E5%AE%9A%E4%B9%89%E7%9A%84%E5%8F%AF%E8%B0%83%E7%94%A8%E7%B1%BB%E5%9E%8B/用户定义的可调用类型 不仅Python函数是真正的对象，任何Python对象都可以表现得像函数。为此，只需要实现方法__call__ # 调用BingoCage实例，从打乱的列表中取出一个元素 import random class BingoCage: def <strong>init</strong>https://blog.overfit.org/posts/2021-12-17-15703834-%E5%8F%AF%E8%B0%83%E7%94%A8%E5%AF%B9%E8%B1%A1/Fri, 17 Dec 2021 21:04:00 +0800https://blog.overfit.org/posts/2021-12-17-15703834-%E5%8F%AF%E8%B0%83%E7%94%A8%E5%AF%B9%E8%B1%A1/可调用对象 除了用户定义的对象，调用运算符（即()）还可以应用到其他对象上。如果想判断对象能否调用，可以使用内置的callable()函数。 Python数据模型文档列出了7种可调用对象 1.用户定义的函数 使用def语句或lambda表达式创建 内置函数 使用C语言（CPythhttps://blog.overfit.org/posts/2021-12-17-15703818-%E5%8C%BF%E5%90%8D%E5%87%BD%E6%95%B0/Fri, 17 Dec 2021 20:54:00 +0800https://blog.overfit.org/posts/2021-12-17-15703818-%E5%8C%BF%E5%90%8D%E5%87%BD%E6%95%B0/匿名函数 lambda关键字在Python表达式内部创建匿名函数 然后，Python简单的语法限制了lambda函数的定义体只能使用纯表达式。lambda函数的定义体中不能赋值，也不能使用while和try等Python语句 在参数列表中最适合使用匿名函数 # 使用lambda表https://blog.overfit.org/posts/2021-12-16-15699000-%E6%A8%A1%E6%8B%9F%E7%94%9F%E6%88%90%E5%BE%AE%E8%BD%AF%E5%BA%8F%E5%88%97%E5%8F%B7python123/Thu, 16 Dec 2021 16:56:00 +0800https://blog.overfit.org/posts/2021-12-16-15699000-%E6%A8%A1%E6%8B%9F%E7%94%9F%E6%88%90%E5%BE%AE%E8%BD%AF%E5%BA%8F%E5%88%97%E5%8F%B7python123/模拟生成微软序列号 描述 微软产品一般都一个25位的序列号，是用来区分每份微软产品的产品序列号。产品序列号由五组被“-”分隔开，由字母数字混合编制的字符串组成，每组字符串是由五个字符串组成。如： 36XJE-86JVF-MTY62-7Q97Q-6BWJ2 每个字符是取自于以下24https://blog.overfit.org/posts/2021-12-16-15698889-%E6%A0%A1%E9%AA%8C%E8%BA%AB%E4%BB%BD%E8%AF%81%E5%8F%B7%E7%A0%81%E5%B9%B6%E8%BE%93%E5%87%BA%E4%B8%AA%E4%BA%BA%E4%BF%A1%E6%81%AFpython123/Thu, 16 Dec 2021 16:42:00 +0800https://blog.overfit.org/posts/2021-12-16-15698889-%E6%A0%A1%E9%AA%8C%E8%BA%AB%E4%BB%BD%E8%AF%81%E5%8F%B7%E7%A0%81%E5%B9%B6%E8%BE%93%E5%87%BA%E4%B8%AA%E4%BA%BA%E4%BF%A1%E6%81%AFpython123/校验身份证号码并输出个人信息 描述 中国目前采用的是18位身份证号，其第7-10位数字是出生年，11-12位是出生月份，13-14是出生日期，第17位是性别，奇数为男性，偶数为女性，第18位是校验位。 如果身份证号码的其中一位填错了（包括最后一个校验位），则校验算法可以检测出来。https://blog.overfit.org/posts/2021-12-16-15697382-%E9%AB%98%E7%AD%89%E5%87%BD%E6%95%B0/Thu, 16 Dec 2021 12:50:00 +0800https://blog.overfit.org/posts/2021-12-16-15697382-%E9%AB%98%E7%AD%89%E5%87%BD%E6%95%B0/高阶函数 接受函数为参数，或者把函数作为结果返回的函数是高阶函数（high-order function）。map函数就是一个，内置函数sorted也是：可选的key参数用于提供一个函数，它会应用到各个元素上进行排序 # 根据单词长度给一个列表排序 fruits = ['https://blog.overfit.org/posts/2021-12-16-15697323-%E4%B8%80%E7%AD%89%E5%87%BD%E6%95%B0/Thu, 16 Dec 2021 12:23:00 +0800https://blog.overfit.org/posts/2021-12-16-15697323-%E4%B8%80%E7%AD%89%E5%87%BD%E6%95%B0/一等函数 在Python中，函数是一等对象。编程语言理论家把“一等对象”定义为满足下述条件的程序实体： 在运行时创建 能赋值给变量或数据结构中的元素 能作为参数传递给函数 能作为函数的返回结果 在Python中，整数、字符串和字典都是一等对象 把函数视作对象 Python函数是对https://blog.overfit.org/posts/2021-12-16-15697068-%E6%94%AF%E6%8C%81%E5%AD%97%E7%AC%A6%E4%B8%B2%E5%92%8C%E5%AD%97%E8%8A%82%E5%BA%8F%E5%88%97%E7%9A%84%E5%8F%8C%E6%A8%A1%E5%BC%8Fapi/Thu, 16 Dec 2021 11:23:00 +0800https://blog.overfit.org/posts/2021-12-16-15697068-%E6%94%AF%E6%8C%81%E5%AD%97%E7%AC%A6%E4%B8%B2%E5%92%8C%E5%AD%97%E8%8A%82%E5%BA%8F%E5%88%97%E7%9A%84%E5%8F%8C%E6%A8%A1%E5%BC%8Fapi/支持字符串和字节序列的双向API 标准库中的一些函数能接受字符串或字节序列作为参数，然后根据类型展现不同的行为。re和os模块中就有这样的函数 正则表达式中的字符串和字节序列 如果使用字节序列构建正则表达式，d和w等模式只能匹配ASCII字符；相比之下，如果是字符串模式，就能匹配https://blog.overfit.org/posts/2021-12-16-15696860-unicode%E6%95%B0%E6%8D%AE%E5%BA%93/Thu, 16 Dec 2021 10:52:00 +0800https://blog.overfit.org/posts/2021-12-16-15696860-unicode%E6%95%B0%E6%8D%AE%E5%BA%93/Unicode文本排序 Python比较任何类型的序列时，会一一比较序列里的各个元素。对字符串来说，比较的是码位，可是在比较非ASCII字符时，得到的结果不如人意。 fruits = ['caju', 'atemoia', 'caja&amp;#3https://blog.overfit.org/posts/2021-12-15-15695992-%E4%BD%BF%E7%94%A8%E5%AD%97%E7%AC%A6rnn%E7%94%9F%E6%88%90%E8%8E%8E%E5%A3%AB%E6%AF%94%E4%BA%9A%E6%96%87%E6%9C%AC/Wed, 15 Dec 2021 23:24:00 +0800https://blog.overfit.org/posts/2021-12-15-15695992-%E4%BD%BF%E7%94%A8%E5%AD%97%E7%AC%A6rnn%E7%94%9F%E6%88%90%E8%8E%8E%E5%A3%AB%E6%AF%94%E4%BA%9A%E6%96%87%E6%9C%AC/创建训练数据集 首先，使用Keras的get_file()函数来下载莎士比亚的所有作品，并从Andrej Karpathy的Char-RNN项目中下载数据： import tensorflow as tf from tensorflow import keras shakespehttps://blog.overfit.org/posts/2021-12-13-15683998-%E5%A4%84%E7%90%86%E9%95%BF%E5%BA%8F%E5%88%97/Mon, 13 Dec 2021 16:29:00 +0800https://blog.overfit.org/posts/2021-12-13-15683998-%E5%A4%84%E7%90%86%E9%95%BF%E5%BA%8F%E5%88%97/处理长序列 在长序列上训练一个RNN，必须运行很多时间步长，从而展开的RNN成为一个非常深的网络。就像任何深度神经网络一样，它可能会遇到不稳定的梯度问题：它可能永远在训练，或者训练可能会不稳定。此外，当RNN处理一个长序列时，它会逐渐忘记序列中的第一个输入。 应对不稳定梯度问题https://blog.overfit.org/posts/2021-12-11-15674879-%E6%9E%81%E5%80%BC%E5%85%85%E5%88%86%E6%9D%A1%E4%BB%B6/Sat, 11 Dec 2021 10:53:00 +0800https://blog.overfit.org/posts/2021-12-11-15674879-%E6%9E%81%E5%80%BC%E5%85%85%E5%88%86%E6%9D%A1%E4%BB%B6/极值充分条件 设二元函数在点的某邻域上具有二阶连续偏导数，且是的稳定点。则当是正定矩阵时，在点处取得极小值；当是负定矩阵时，在点处取得极大值；当H_f(P_0)https://blog.overfit.org/posts/2021-12-07-15656318-%E4%BD%BF%E7%94%A8%E4%BD%8D%E7%BA%A7%E5%92%8C%E9%80%BB%E8%BE%91%E8%BF%90%E7%AE%97%E7%BC%96%E5%86%99c%E8%A1%A8%E8%BE%BE%E5%BC%8Fxy/Tue, 07 Dec 2021 15:15:00 +0800https://blog.overfit.org/posts/2021-12-07-15656318-%E4%BD%BF%E7%94%A8%E4%BD%8D%E7%BA%A7%E5%92%8C%E9%80%BB%E8%BE%91%E8%BF%90%E7%AE%97%E7%BC%96%E5%86%99c%E8%A1%A8%E8%BE%BE%E5%BC%8Fxy/只是用位级和逻辑运算，编写一个C表达式，它等价于x==y。当x和y相等时返回1，否则返回0 int main(void) { int x = 32, y = 32; printf(&quot;%dn&quot;, !((~x &amp; y) | (~y &amp; x)));https://blog.overfit.org/posts/2021-12-07-15656150-gui%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1--%E7%8F%AD%E7%BA%A7%E4%BF%A1%E6%81%AF%E6%94%B6%E9%9B%86%E7%B3%BB%E7%BB%9F/Tue, 07 Dec 2021 14:49:00 +0800https://blog.overfit.org/posts/2021-12-07-15656150-gui%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1--%E7%8F%AD%E7%BA%A7%E4%BF%A1%E6%81%AF%E6%94%B6%E9%9B%86%E7%B3%BB%E7%BB%9F/import wx class MyFrame(wx.Frame): def <strong>init</strong>(self, parent, id): super(MyFrame, self).<strong>init</strong>(parent, id, title='用户登录', size=(400https://blog.overfit.org/posts/2021-12-06-15652553-%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%92%8C%E5%B1%82/Mon, 06 Dec 2021 23:30:00 +0800https://blog.overfit.org/posts/2021-12-06-15652553-%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%92%8C%E5%B1%82/循环神经元和层 到目前为止，我们只关注前馈神经网络，其中激活仅在一个方向上流动，从输入层流向输出层。循环神经网络看起来非常像前馈神经网络，除了它还具有指向反向的连接。最简单的RNN由一个神经元接收输入，产生输出并将该输出返送回自身组成。在每个时间步长（也称为帧），该循环神经网络接https://blog.overfit.org/posts/2021-12-06-15650112-%E4%BD%BF%E7%94%A8rnn%E5%92%8Ccnn%E5%A4%84%E7%90%86%E5%BA%8F%E5%88%97/Mon, 06 Dec 2021 15:22:00 +0800https://blog.overfit.org/posts/2021-12-06-15650112-%E4%BD%BF%E7%94%A8rnn%E5%92%8Ccnn%E5%A4%84%E7%90%86%E5%BA%8F%E5%88%97/使用RNN和CNN处理序列 击球手将球击出。外野手立即开始奔跑，预测球的轨迹。他跟踪它，调整自己的运动，最后抓住球。不管你是在听完朋友的话还是在早餐时期待咖啡的味道，预测都是你一直在做的事情。循环神经网络（RNN），这是一类可以预测未来的网络（在一定程度上）。它们可以分析时间序列https://blog.overfit.org/posts/2021-12-06-15650064-%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2/Mon, 06 Dec 2021 15:15:00 +0800https://blog.overfit.org/posts/2021-12-06-15650064-%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2/语义分割 在语义分割中，每个像素根据其所属物体的类别（例如，道路、汽车、行人、建筑物等）进行分类。例如分割图像右侧的所有自行车都变成了一大块像素。此任务的主要困难在于，当图像通过常规CNN时，它们会逐渐失去其空间分辨率（由于步幅大于1的层），因此常规的CNN可能最终会知道在图像的https://blog.overfit.org/posts/2021-12-06-15649925-yolo/Mon, 06 Dec 2021 14:53:00 +0800https://blog.overfit.org/posts/2021-12-06-15649925-yolo/YOLO YOLO是Joseph Redmon等人在2015年的论文中提出的一种极其快速、准确的物体检测架构随后在2016年（YOLOv2）和2018（YOLOv3）中进行了改进。 YOLOv3的架构和全卷积网络的架构非常相似，但有一些重要的区别： 它为每个网格单元输出5个边界框https://blog.overfit.org/posts/2021-11-27-15611527-%E5%85%A8%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C/Sat, 27 Nov 2021 12:24:00 +0800https://blog.overfit.org/posts/2021-11-27-15611527-%E5%85%A8%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C/全卷积网络 FCN的概念由Jonathan Long等人在2015年发表的论文中首次提出，用于语义分割（根据图像所属物体的类别对图像中的每个像素点进行分类的任务）。作者指出，可以用卷积层代替CNN顶部的密集层。 假设一个具有200个神经元的密集层位于一个卷积层的顶部，该卷积层输出https://blog.overfit.org/posts/2021-11-26-15607687-%E7%89%A9%E4%BD%93%E6%A3%80%E6%B5%8B/Fri, 26 Nov 2021 14:27:00 +0800https://blog.overfit.org/posts/2021-11-26-15607687-%E7%89%A9%E4%BD%93%E6%A3%80%E6%B5%8B/物体检测 在图像中对多个物体进行分类和定位的任务称为物体检测。一种通用的方法是采用经过训练的CNN来对单个物体进行分类和定位，然后将其在图像上滑动。 这项技术非常简单直观，但是它将多次检测同一物体，但位置略有不同。然后需要进行一些后期处理，以消除所有不必要的边界框。一种常见的方法https://blog.overfit.org/posts/2021-11-26-15607637-%E5%88%86%E7%B1%BB%E4%B8%8E%E5%AE%9A%E4%BD%8D/Fri, 26 Nov 2021 14:19:00 +0800https://blog.overfit.org/posts/2021-11-26-15607637-%E5%88%86%E7%B1%BB%E4%B8%8E%E5%AE%9A%E4%BD%8D/分类与定位 定位图片中物体可以表示为回归任务：预测物体周围的边界框，一种常见的方法是预测物体中心的水平坐标和垂直坐标，还有其高度和宽度。这意味着有四个数字要预测。它不需要对模型进行太多修改，只需要添加四个具有单位的第二个密集输出层（通常在全局平均池化层之上），就可以使用MSE损失https://blog.overfit.org/posts/2021-11-26-15607128-%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B/Fri, 26 Nov 2021 12:25:00 +0800https://blog.overfit.org/posts/2021-11-26-15607128-%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B/<h1 id="迁移学习的预训练模型-如果想构建图像分类器但没有足够的训练数据那么重用预训练模型的较低层通常是个好办法例如训练模型来对花的图片进行分类并使用预先训练的xception模型首先使用tensorflow-datasets加载数据集-python-import">迁移学习的预训练模型 如果想构建图像分类器但没有足够的训练数据，那么重用预训练模型的较低层通常是个好办法。例如，训练模型来对花的图片进行分类，并使用预先训练的Xception模型。首先，使用TensorFlow Datasets加载数据集： ```python import</h1>https://blog.overfit.org/posts/2021-11-26-15606727-%E4%BD%BF%E7%94%A8keras%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B/Fri, 26 Nov 2021 11:08:00 +0800https://blog.overfit.org/posts/2021-11-26-15606727-%E4%BD%BF%E7%94%A8keras%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B/使用Keras的预训练模型 通常，无需手动实现像GoogLeNet或ResNet这样的标准模型，因为在keras.applications包中只需一行代码即可获得预训练的网络。 例如，使用以下代码加载在ImageNet上预训练的ResNet-50模型： from tensorflhttps://blog.overfit.org/posts/2021-11-21-15584228-cnn%E6%9E%B6%E6%9E%84/Sun, 21 Nov 2021 13:31:00 +0800https://blog.overfit.org/posts/2021-11-21-15584228-cnn%E6%9E%B6%E6%9E%84/CNN架构 典型的CNN架构堆叠了一些卷积层（通常每个卷积层都跟随着一个ReLU层），然后是一个池化层，然后是另外几个卷积层（+ReLU），然后是另一个池化层，以此类推。随着卷积网络的不断发展，图像变得越来越小，但是由于卷积层的存在，图像通常也越来越深（即具有更多的特征图）。在堆https://blog.overfit.org/posts/2021-11-21-15583495-%E8%BA%AB%E4%BB%BD%E8%AF%81%E5%8F%B7%E6%A0%A1%E9%AA%8Cpython123/Sun, 21 Nov 2021 09:58:00 +0800https://blog.overfit.org/posts/2021-11-21-15583495-%E8%BA%AB%E4%BB%BD%E8%AF%81%E5%8F%B7%E6%A0%A1%E9%AA%8Cpython123/身份证号校验 描述 中国目前采用的是18位身份证号，其第7-10位数字是出生年，11-12位是出生月份，13-14是出生日期，第17位是性别，奇数为男性，偶数为女性，第18位是校验位。 如果身份证号码的其中一位填错了（包括最后一个校验位），则校验算法可以检测出来。如果身份证号的相https://blog.overfit.org/posts/2021-11-21-15583475-%E8%AE%A1%E7%AE%97%E5%9C%86%E5%91%A8%E7%8E%87python123/Sun, 21 Nov 2021 09:48:00 +0800https://blog.overfit.org/posts/2021-11-21-15583475-%E8%AE%A1%E7%AE%97%E5%9C%86%E5%91%A8%E7%8E%87python123/计算圆周率 描述 根据下面的泰勒级数关系式，求圆周率的值，当最后一项的值小于给定阈值时结束。 输入格式 输入在一行中给出小于1且大于0的阈值。 输出格式 在一行中输出满足阈值条件的近似圆周率，输出到小数点后6位。 代码 k = flag = 1 s = 0 epsilon = ehttps://blog.overfit.org/posts/2021-11-21-15583453-%E6%B1%82e%E7%9A%84%E8%BF%91%E4%BC%BC%E5%80%BCpython123/Sun, 21 Nov 2021 09:39:00 +0800https://blog.overfit.org/posts/2021-11-21-15583453-%E6%B1%82e%E7%9A%84%E8%BF%91%E4%BC%BC%E5%80%BCpython123/求e的近似值 描述 自然常数e可以用级数1+1/1!+1/2!+⋯+1/n!来近似计算。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬https://blog.overfit.org/posts/2021-11-21-15583438-%E5%88%A4%E6%96%AD%E6%98%AF%E5%90%A6%E7%9B%B4%E8%A7%92%E4%B8%89%E8%A7%92%E5%BD%A2/Sun, 21 Nov 2021 09:27:00 +0800https://blog.overfit.org/posts/2021-11-21-15583438-%E5%88%A4%E6%96%AD%E6%98%AF%E5%90%A6%E7%9B%B4%E8%A7%92%E4%B8%89%E8%A7%92%E5%BD%A2/判断是否直角三角形 描述 输入三个数a,b,c, 判断能否以它们为三个边长构成直角三角形。若能，输出YES，否则输出NO。 输入格式 输入包括三行,每行是一个数字 输出格式 'YES' 或'NO' 代码 a, b, c = [eval(input(https://blog.overfit.org/posts/2021-11-21-15583427-%E6%B0%B4%E4%BB%99%E8%8A%B1%E6%95%B0python123/Sun, 21 Nov 2021 09:16:00 +0800https://blog.overfit.org/posts/2021-11-21-15583427-%E6%B0%B4%E4%BB%99%E8%8A%B1%E6%95%B0python123/水仙花数 描述 水仙花数（Narcissistic number）也被称为超完全数字不变数（pluperfect digital invariant, PPDI）、自恋数、自幂数、阿姆斯壮数或阿姆斯特朗数（Armstrong number），水仙花数是指一个 n位数（n≥3 且https://blog.overfit.org/posts/2021-11-21-15583150-%E5%AF%86%E7%A0%81%E5%BC%BA%E5%BA%A6%E5%88%A4%E6%96%ADpython123/Sun, 21 Nov 2021 00:21:00 +0800https://blog.overfit.org/posts/2021-11-21-15583150-%E5%AF%86%E7%A0%81%E5%BC%BA%E5%BA%A6%E5%88%A4%E6%96%ADpython123/密码强度判断 描述 用户输入一个字符串做为密码，判断密码强度，规则为：密码长度小于8弱密码，密码长度大于等于8且包含至少2种字符为中等强度、密码包含3种字符为强、包含全部4种字符为极强。 提示：‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮https://blog.overfit.org/posts/2021-11-21-15583124-%E5%AD%97%E7%AC%A6%E4%B8%B2%E8%BF%9E%E6%8E%A5python123/Sun, 21 Nov 2021 00:09:00 +0800https://blog.overfit.org/posts/2021-11-21-15583124-%E5%AD%97%E7%AC%A6%E4%B8%B2%E8%BF%9E%E6%8E%A5python123/字符串连接 描述 用.将用户输入的4个字符串连接成一个字符串（第一个字符串前不能有'.'） 输入格式 输入包括4行, 每行输入一个字符串 输出格式 输出一个用'.'连接起来的字符串 代码 a, b, c, d = [input() for _ inhttps://blog.overfit.org/posts/2021-11-21-15583115-%E9%BB%91%E5%AE%A2%E8%AF%AD%E8%A7%A3%E5%AF%86python123/Sun, 21 Nov 2021 00:05:00 +0800https://blog.overfit.org/posts/2021-11-21-15583115-%E9%BB%91%E5%AE%A2%E8%AF%AD%E8%A7%A3%E5%AF%86python123/黑客语解密 描述 黑客语（Leet）是从网络发展起来的一种文字书写方式。通常将英语中的字母替换为数字和特殊符号。这种方式被很多黑客组织所使用。由于具有隐密性，所以它也广泛被用于密码中。使用Leet书写的密码，不会增加密码记忆的复杂度，但却可以提高密码的强度。常见的转化规律有，(替https://blog.overfit.org/posts/2021-11-21-15583107-%E5%88%86%E7%B1%BB%E7%BB%9F%E8%AE%A1%E5%AD%97%E7%AC%A6python123/Sun, 21 Nov 2021 00:02:00 +0800https://blog.overfit.org/posts/2021-11-21-15583107-%E5%88%86%E7%B1%BB%E7%BB%9F%E8%AE%A1%E5%AD%97%E7%AC%A6python123/分类统计字符 描述 用户输入一个字符串，分别统计其中小写字母、大写字母、数字、空格和其他字符的个数，并在一行内输出小写字母、大写字母、数字、空格和其他字符的个数。 输入格式 输入一个字符串 输出格式 在一行内输出小写字母、大写字母、数字、空格和其他字符的个数 代码 words =https://blog.overfit.org/posts/2021-11-20-15583099-%E5%AD%97%E7%AC%A6%E4%B8%B2%E9%95%BF%E5%BA%A6python123/Sat, 20 Nov 2021 23:57:00 +0800https://blog.overfit.org/posts/2021-11-20-15583099-%E5%AD%97%E7%AC%A6%E4%B8%B2%E9%95%BF%E5%BA%A6python123/字符串长度 描述 用户输入一个字符串，程序输出字符串的长度 输出格式 一个表示字符串长度的整数 代码 print(len(input())) # 获取输入字符串，调用len()函数来计算字符串长度https://blog.overfit.org/posts/2021-11-20-15583094-%E5%AD%90%E5%AD%97%E7%AC%A6%E4%B8%B2%E5%88%87%E7%89%87python123/Sat, 20 Nov 2021 23:55:00 +0800https://blog.overfit.org/posts/2021-11-20-15583094-%E5%AD%90%E5%AD%97%E7%AC%A6%E4%B8%B2%E5%88%87%E7%89%87python123/子字符串输出 描述 按要求完善示例程序：‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬ #分两行输出 python语言程序设计 #pyhttps://blog.overfit.org/posts/2021-11-20-15583084-%E5%AD%97%E7%AC%A6%E4%B8%B2%E9%80%86%E5%BA%8F%E8%BE%93%E5%87%BApython123/Sat, 20 Nov 2021 23:52:00 +0800https://blog.overfit.org/posts/2021-11-20-15583084-%E5%AD%97%E7%AC%A6%E4%B8%B2%E9%80%86%E5%BA%8F%E8%BE%93%E5%87%BApython123/字符串逆序输出 描述 用户输入一个字符串，倒序输出。 输入格式 输入一个字符串 输出格式 一个倒序的字符串 代码 print(input()[::-1]) # 将输入的字符串逆序输出https://blog.overfit.org/posts/2021-11-20-15583076-%E6%95%B0%E5%88%97%E6%B1%82%E5%92%8Cpython123/Sat, 20 Nov 2021 23:48:00 +0800https://blog.overfit.org/posts/2021-11-20-15583076-%E6%95%B0%E5%88%97%E6%B1%82%E5%92%8Cpython123/数列求和 描述 给定某数字a（1≤a≤9）以及非负整数n（0≤n≤100000），求数列之和sum=a+aa+aaa+⋯+aa⋯a（n个a）。例如a=2, n=3时，sum=2+22+222=246。 输入格式 输入有两行：‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬https://blog.overfit.org/posts/2021-11-20-15583066-%E9%B8%A1%E5%85%94%E5%90%8C%E7%AC%BC_python123/Sat, 20 Nov 2021 23:43:00 +0800https://blog.overfit.org/posts/2021-11-20-15583066-%E9%B8%A1%E5%85%94%E5%90%8C%E7%AC%BC_python123/鸡兔同笼 描述 大约在1500年前，《孙子算经》中就记载了这个有趣的问题。书中是这样叙述的： 今有雉兔同笼，上有三十五头，下有九十四足，问雉兔各几何？ 这四句话的意思是： 有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬https://blog.overfit.org/posts/2021-11-20-15583066-%E9%B8%A1%E5%85%94%E5%90%8C%E7%AC%BCpython123/Sat, 20 Nov 2021 23:43:00 +0800https://blog.overfit.org/posts/2021-11-20-15583066-%E9%B8%A1%E5%85%94%E5%90%8C%E7%AC%BCpython123/鸡兔同笼 描述 大约在1500年前，《孙子算经》中就记载了这个有趣的问题。书中是这样叙述的： 今有雉兔同笼，上有三十五头，下有九十四足，问雉兔各几何？ 这四句话的意思是： 有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？‪‬‪‬‪‬https://blog.overfit.org/posts/2021-11-20-15582326-%E6%A3%8B%E7%9B%98%E6%94%BE%E7%B1%B3python123/Sat, 20 Nov 2021 19:19:00 +0800https://blog.overfit.org/posts/2021-11-20-15582326-%E6%A3%8B%E7%9B%98%E6%94%BE%E7%B1%B3python123/棋盘放米 描述 相传古代印度国王舍罕要褒赏他的聪明能干的宰相达依尔 （国际象棋发明者），问他需要什么，达依尔回答说：“国王只要在国际象棋的棋盘第一个格子里放一粒麦子，第二个格子里放两粒，第三个格子里放四粒，按此比例以后每一格加一倍，一直放到64格（国际象棋棋盘是8×8=https://blog.overfit.org/posts/2021-11-20-15582316-%E4%B8%89%E8%A7%92%E5%87%BD%E6%95%B0%E8%AE%A1%E7%AE%97python123/Sat, 20 Nov 2021 19:13:00 +0800https://blog.overfit.org/posts/2021-11-20-15582316-%E4%B8%89%E8%A7%92%E5%87%BD%E6%95%B0%E8%AE%A1%E7%AE%97python123/三角函数计算 描述 根据下面公式计算并输出x的值，a和b的值由用户输入，括号里的数字是角度值， 圆周率的值使用数学常数math.pi。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪https://blog.overfit.org/posts/2021-11-20-15582295-%E5%90%8C%E7%AC%A6%E5%8F%B7%E6%95%B0%E5%AD%A6%E8%BF%90%E7%AE%97python123/Sat, 20 Nov 2021 19:02:00 +0800https://blog.overfit.org/posts/2021-11-20-15582295-%E5%90%8C%E7%AC%A6%E5%8F%B7%E6%95%B0%E5%AD%A6%E8%BF%90%E7%AE%97python123/同符号运算 描述 读入一个整数N，分别计算如下内容：‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬ N的绝对值；‪‬‪‬‪‬‪‬‪‬‮https://blog.overfit.org/posts/2021-11-20-15582290-%E6%B8%A9%E5%BA%A6%E8%BD%AC%E6%8D%A2%E5%BC%82%E5%B8%B8%E5%A4%84%E7%90%86python123/Sat, 20 Nov 2021 18:59:00 +0800https://blog.overfit.org/posts/2021-11-20-15582290-%E6%B8%A9%E5%BA%A6%E8%BD%AC%E6%8D%A2%E5%BC%82%E5%B8%B8%E5%A4%84%E7%90%86python123/温度转换异常处理 描述 温度的刻画有两个不同体系：摄氏度（Celsius）和华氏度（Fabrenheit）。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬https://blog.overfit.org/posts/2021-11-20-15582268-%E9%B8%A1%E5%85%94%E5%90%8C%E7%AC%BCpython123/Sat, 20 Nov 2021 18:46:00 +0800https://blog.overfit.org/posts/2021-11-20-15582268-%E9%B8%A1%E5%85%94%E5%90%8C%E7%AC%BCpython123/鸡兔同笼 描述 一个笼子里面关了若干只鸡和兔子（鸡有2只脚，兔子有4只脚，没有例外）。已经知道了笼子里脚的总数为a,则笼子里面至少有多少只动物，至多有多少只动物？ 输入格式 第1行输入一个正整数n（n≤1000）,表示测试数据的组数n，接下来n组测试数据每组一行，每行一个正整数ahttps://blog.overfit.org/posts/2021-11-19-15579563-%E6%B1%A0%E5%8C%96%E5%B1%82/Fri, 19 Nov 2021 22:21:00 +0800https://blog.overfit.org/posts/2021-11-19-15579563-%E6%B1%A0%E5%8C%96%E5%B1%82/池化层 池化层的目标是对输入图像进行下采样（即缩小），以便减少计算量、内存使用量和参数数量（从而降低过拟合的风险） 池化层中的每个神经元都连接到位于一个小的矩形接受视野中的上一层中有限数量的神经元的输出。必须定义其大小、步幅和填充类型。但是，池化层没有权重。它所做的工作就是使用聚https://blog.overfit.org/posts/2021-11-15-15558256-%E5%8D%B7%E7%A7%AF%E5%B1%82/Mon, 15 Nov 2021 21:08:00 +0800https://blog.overfit.org/posts/2021-11-15-15558256-%E5%8D%B7%E7%A7%AF%E5%B1%82/卷积层 CNN的最重要的构建层就是卷积层：第一卷积层的神经元不会连接到输入图像中的每个像素，而只于接受视野内的像素相连。反过来，第二卷积层的每个神经元仅连接到位于第一层中的一个小矩阵内的神经元。这种架构允许网络集中在第一个隐藏层的低阶特征中，然后在下一个隐藏层中将它们组装成比较高https://blog.overfit.org/posts/2021-11-14-15551126-%E8%A7%86%E8%A7%89%E7%9A%AE%E5%B1%82%E7%9A%84%E6%9E%B6%E6%9E%84/Sun, 14 Nov 2021 11:15:00 +0800https://blog.overfit.org/posts/2021-11-14-15551126-%E8%A7%86%E8%A7%89%E7%9A%AE%E5%B1%82%E7%9A%84%E6%9E%B6%E6%9E%84/视觉皮层的架构 卷积神经网络（CNN）起源于对大脑的视觉皮层的研究，从20世纪80年代起被用于图像识别。在过去几年中，由于计算机计算能力的提高、可训练数据数量的增加，以及用于深度学习网络训练技巧的增加，CNN已经在一些复杂的视觉任务中实现了超人性化，广泛用于图片搜索服务、自动驾驶https://blog.overfit.org/posts/2021-11-14-15551010-%E4%B8%BA%E4%BA%86%E6%AD%A3%E7%A1%AE%E6%AF%94%E8%BE%83%E8%80%8C%E8%A7%84%E8%8C%83unicode%E5%AD%97%E7%AC%A6%E4%B8%B2/Sun, 14 Nov 2021 10:48:00 +0800https://blog.overfit.org/posts/2021-11-14-15551010-%E4%B8%BA%E4%BA%86%E6%AD%A3%E7%A1%AE%E6%AF%94%E8%BE%83%E8%80%8C%E8%A7%84%E8%8C%83unicode%E5%AD%97%E7%AC%A6%E4%B8%B2/为了正确比较而规范Unicode字符串 因为Unicode有组合字符（变音字符和附加到前一个字符上的记号，打印时作为一个整体），所以字符串比较起来很复杂。 例如，&quot;café&quot;这个词可以使用两种方式构成，分别由4个和5个码位，但是结果完全一样： s1https://blog.overfit.org/posts/2021-11-14-15550790-%E5%A4%84%E7%90%86%E6%96%87%E6%9C%AC%E6%96%87%E4%BB%B6/Sun, 14 Nov 2021 09:40:00 +0800https://blog.overfit.org/posts/2021-11-14-15550790-%E5%A4%84%E7%90%86%E6%96%87%E6%9C%AC%E6%96%87%E4%BB%B6/处理文本文件 处理文本的最佳实践是“Unicode三明治”。尽早把输入的的字节序列解码成字符串，然后对字符串进行处理，在其他过程中一定不能编码或解码。对输出来说，要尽量晚地把字符串编码成字节序列 在Python3中能轻松的采纳Unicode三明治的建议，因为内置的open函数会再https://blog.overfit.org/posts/2021-11-13-15547417-jieba-%E5%88%86%E8%AF%8D%E8%A5%BF%E6%B8%B8%E8%AE%B0/Sat, 13 Nov 2021 10:34:00 +0800https://blog.overfit.org/posts/2021-11-13-15547417-jieba-%E5%88%86%E8%AF%8D%E8%A5%BF%E6%B8%B8%E8%AE%B0/import jieba with open('./西游记.txt', 'r', encoding='utf_8') as f: words = jieba.lcut(f.read()) # 使用精确模式对文本进行分词 countshttps://blog.overfit.org/posts/2021-11-13-15547379-%E4%B9%92%E4%B9%93%E7%90%83%E6%AF%94%E8%B5%9B%E6%A8%A1%E6%8B%9F/Sat, 13 Nov 2021 10:19:00 +0800https://blog.overfit.org/posts/2021-11-13-15547379-%E4%B9%92%E4%B9%93%E7%90%83%E6%AF%94%E8%B5%9B%E6%A8%A1%E6%8B%9F/from random import random def printInfo(): ''' function: 打印程序的介绍信息 ''' print(&quot;产品名称： 排球比赛模拟分析器&quot;) print(&amp;quohttps://blog.overfit.org/posts/2021-11-08-15522450-%E9%80%9A%E8%BF%87%E6%98%BE%E7%A4%BA%E5%AD%97%E8%8A%82%E5%88%A4%E6%96%AD%E5%B0%8F%E7%AB%AF%E6%B3%95/Mon, 08 Nov 2021 00:16:00 +0800https://blog.overfit.org/posts/2021-11-08-15522450-%E9%80%9A%E8%BF%87%E6%98%BE%E7%A4%BA%E5%AD%97%E8%8A%82%E5%88%A4%E6%96%AD%E5%B0%8F%E7%AB%AF%E6%B3%95/#include &lt;stdio.h&gt; typedef unsigned char *byte_pointer; //将数据类型byte_pointer定义为一个指向类型为unsigned char的对象的指针 void show_bytes(byte_pointerhttps://blog.overfit.org/posts/2021-11-07-15521099-%E9%98%BB%E5%B0%BC%E7%89%9B%E9%A1%BF%E6%B3%95python%E5%AE%9E%E7%8E%B0/Sun, 07 Nov 2021 18:09:00 +0800https://blog.overfit.org/posts/2021-11-07-15521099-%E9%98%BB%E5%B0%BC%E7%89%9B%E9%A1%BF%E6%B3%95python%E5%AE%9E%E7%8E%B0/阻尼牛顿法（Python实现） 使用牛顿方向，分别使用Armijo准则和Wolfe准则来求步长 求解方程 的极小值 import numpy as np import tensorflow as tf def fun(x):https://blog.overfit.org/posts/2021-11-07-15521082-%E6%9C%80%E9%80%9F%E4%B8%8B%E9%99%8D%E6%B3%95python%E5%AE%9E%E7%8E%B0/Sun, 07 Nov 2021 18:06:00 +0800https://blog.overfit.org/posts/2021-11-07-15521082-%E6%9C%80%E9%80%9F%E4%B8%8B%E9%99%8D%E6%B3%95python%E5%AE%9E%E7%8E%B0/最速下降法（Python实现） 使用最速下降法方向，分别使用Armijo准则和Wolfe准则来求步长 求解方程 的极小值 import numpy as np import tensorflow as tf def fun(xhttps://blog.overfit.org/posts/2021-11-07-15521039-%E8%BE%93%E5%87%BA%E5%AD%97%E8%8A%82%E5%BA%8F%E5%88%97%E7%9A%84%E5%9C%B0%E5%9D%80/Sun, 07 Nov 2021 17:56:00 +0800https://blog.overfit.org/posts/2021-11-07-15521039-%E8%BE%93%E5%87%BA%E5%AD%97%E8%8A%82%E5%BA%8F%E5%88%97%E7%9A%84%E5%9C%B0%E5%9D%80/#include &lt;stdio.h&gt; typedef unsigned char *byte_pointer; //将数据类型byte_pointer定义为一个指向类型为unsigned char的对象的指针 void show_bytes(byte_pointerhttps://blog.overfit.org/posts/2021-10-31-15489652-tensorflow%E6%95%B0%E6%8D%AE%E9%9B%86%E9%A1%B9%E7%9B%AE/Sun, 31 Oct 2021 15:17:00 +0800https://blog.overfit.org/posts/2021-10-31-15489652-tensorflow%E6%95%B0%E6%8D%AE%E9%9B%86%E9%A1%B9%E7%9B%AE/TensorFlow数据集（TFDS）项目使下载通用数据集变得非常容易，从小型数据集（如MNIST或Fashion MNIST）到大型数据集（如ImageNet）。该列表包括图像数据集、文本数据集（包括翻译数据集）以及音频和视频数据集。 TFDS没有和TensorFlow捆绑在一https://blog.overfit.org/posts/2021-10-29-15482005-%E9%A2%84%E5%A4%84%E7%90%86%E8%BE%93%E5%85%A5%E7%89%B9%E5%BE%81/Fri, 29 Oct 2021 19:31:00 +0800https://blog.overfit.org/posts/2021-10-29-15482005-%E9%A2%84%E5%A4%84%E7%90%86%E8%BE%93%E5%85%A5%E7%89%B9%E5%BE%81/预处理输入特征 为神经网络准备数据需要将所有特征转换为数值特征，通常将其归一化等。特别是如果数据包含分类特征或文本特征，则需要将它们转换为数字。 在准备数据文件时，可以使用任何喜欢的工具（例如NumPy、pandas或Scikit-Learn）提前完成此操作。或者，可以在使用Dahttps://blog.overfit.org/posts/2021-10-27-15469681-tfrecord%E6%A0%BC%E5%BC%8F/Wed, 27 Oct 2021 11:15:00 +0800https://blog.overfit.org/posts/2021-10-27-15469681-tfrecord%E6%A0%BC%E5%BC%8F/TFRecord格式 TFRecord格式是TensorFlow首选的格式，用于储存大量数据并有效读取数据。这是一种非常简单的二进制格式，只包含大小不同的二进制记录序列（每个记录由一个长度、一个用于检查长度是否受损的CRC校验和、实际数据 以及最后一个CRC校验和组成）。可以使用https://blog.overfit.org/posts/2021-10-27-15469402-%E4%BA%86%E8%A7%A3%E7%BC%96%E7%A0%81%E9%97%AE%E9%A2%98/Wed, 27 Oct 2021 10:35:00 +0800https://blog.overfit.org/posts/2021-10-27-15469402-%E4%BA%86%E8%A7%A3%E7%BC%96%E7%A0%81%E9%97%AE%E9%A2%98/了解编码问题 虽然有一般性的UnicodeError异常，但是报告错误时几乎都会指明具体的异常：UnicodeEncoderError （把字符串转换成二进制序列时）或UnicodeDecoderError（把二进制序列转换成字符串时）。如果 源码的编码与预期不符，加载Pythohttps://blog.overfit.org/posts/2021-10-25-15458166-%E5%9F%BA%E6%9C%AC%E7%BC%96%E8%A7%A3%E7%A0%81%E5%99%A8/Mon, 25 Oct 2021 13:42:00 +0800https://blog.overfit.org/posts/2021-10-25-15458166-%E5%9F%BA%E6%9C%AC%E7%BC%96%E8%A7%A3%E7%A0%81%E5%99%A8/基本的编解码器 Python自带了超过100中编解码器（codec,encoder/decoder)，用于文本和字节之间相互转换。 每个编码器都有一个名称，如'uft_8'，而且经常有几个别名，如果'uft8'，'uft-8'和&amp;#https://blog.overfit.org/posts/2021-10-25-15458071-%E6%95%B0%E6%8D%AEapi/Mon, 25 Oct 2021 13:20:00 +0800https://blog.overfit.org/posts/2021-10-25-15458071-%E6%95%B0%E6%8D%AEapi/数据API 整个数据API都围绕着数据集的概念。通常，使用的是逐步从磁盘中读取数据的数据集，但为了简单起见，使用 tf.data.Dataset.from_tensor_slices()在RAM中完全创建一个数据集合 import keras.activations importhttps://blog.overfit.org/posts/2021-10-24-15452136-tensorflow%E5%87%BD%E6%95%B0%E5%92%8C%E5%9B%BE/Sun, 24 Oct 2021 18:41:00 +0800https://blog.overfit.org/posts/2021-10-24-15452136-tensorflow%E5%87%BD%E6%95%B0%E5%92%8C%E5%9B%BE/def cube(x): return x**3 cube(2) 8 import tensorflow as tf cube(tf.constant(2.0)) &lt;tf.Tensor: shape=(), dtype=float32, numpy=8.0&gt; 现在用thttps://blog.overfit.org/posts/2021-10-24-15450323-%E7%AC%AC%E4%BA%94%E6%AC%A1%E4%BD%9C%E4%B8%9A/Sun, 24 Oct 2021 09:50:00 +0800https://blog.overfit.org/posts/2021-10-24-15450323-%E7%AC%AC%E4%BA%94%E6%AC%A1%E4%BD%9C%E4%B8%9A/七段数码管绘制系统时间（年，月，日，小时） 代码 import datetime # 引入时间库 import random import turtle # 引入海龟库 def drawLine(draw): # 绘制单段数码管 turtle.pendown() if drawhttps://blog.overfit.org/posts/2021-10-19-15426866-%E6%9C%80%E4%BC%98%E5%8C%96%E4%BD%9C%E4%B8%9A%E7%94%B5%E5%AD%90%E7%89%88/Tue, 19 Oct 2021 22:42:00 +0800https://blog.overfit.org/posts/2021-10-19-15426866-%E6%9C%80%E4%BC%98%E5%8C%96%E4%BD%9C%E4%B8%9A%E7%94%B5%E5%AD%90%E7%89%88/给定函数，求在点处的最速下降方向和牛顿方向 [ f(x)=(6+x_1+x_2)^2+(2-3x_1-3x_2-x_1x_2)^2 frac{partial f}{phttps://blog.overfit.org/posts/2021-10-16-15415652-%E8%87%AA%E5%AE%9A%E4%B9%89%E6%A8%A1%E5%9E%8B%E5%92%8C%E8%AE%AD%E7%BB%83%E7%AE%97%E6%B3%95/Sat, 16 Oct 2021 23:19:00 +0800https://blog.overfit.org/posts/2021-10-16-15415652-%E8%87%AA%E5%AE%9A%E4%B9%89%E6%A8%A1%E5%9E%8B%E5%92%8C%E8%AE%AD%E7%BB%83%E7%AE%97%E6%B3%95/自定义损失函数 当训练回归模型时，训练集有噪声，均方误差MSE可能会对大误差惩罚太多而导致模型不精确。平均绝对误差MAE不会对异常值惩罚太多，但是训练可能要一段时间才能收敛，并且训练后的模型可能不太精确。这就是使用Huber损失而不是旧的MSE损失的好时机。 L_delta(y,https://blog.overfit.org/posts/2021-10-10-15390755-%E5%AD%97%E7%AC%A6%E6%A6%82%E8%A6%81/Sun, 10 Oct 2021 21:20:00 +0800https://blog.overfit.org/posts/2021-10-10-15390755-%E5%AD%97%E7%AC%A6%E6%A6%82%E8%A6%81/Python 3引入的不可变bytes类型和Python 2.6添加的可变bytearray类型 bytes和bytesarray对象的各个元素是介于0-255（含）之间的整数，而不像Python 2 的str对象那样是单个的字符。然而，二进制序列的切片始终是同一种类型的二进制序https://blog.overfit.org/posts/2021-10-10-15388679-%E5%AD%97%E7%AC%A6%E9%97%AE%E9%A2%98/Sun, 10 Oct 2021 10:00:00 +0800https://blog.overfit.org/posts/2021-10-10-15388679-%E5%AD%97%E7%AC%A6%E9%97%AE%E9%A2%98/编码与解码 “字符串”是个相当简单的概念：一个字符串是一个字符序列。问题出在“字符”的定义上。在2015年，“字符”的最佳定义是Unicode字符。因为，从Python3的str对象中获取的元素是Unicode字符，这相当于从Python2的unicode对象中获取的元素，而不是https://blog.overfit.org/posts/2021-10-09-15387552-%E5%83%8F-numpy-%E4%B8%80%E6%A0%B7%E4%BD%BF%E7%94%A8-tensorflow/Sat, 09 Oct 2021 20:46:00 +0800https://blog.overfit.org/posts/2021-10-09-15387552-%E5%83%8F-numpy-%E4%B8%80%E6%A0%B7%E4%BD%BF%E7%94%A8-tensorflow/张量和操作 可以使用tf.constant()创建张量 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity='all'https://blog.overfit.org/posts/2021-10-09-15384486-tensorflow%E5%BF%AB%E9%80%9F%E6%B5%8F%E8%A7%88/Sat, 09 Oct 2021 10:40:00 +0800https://blog.overfit.org/posts/2021-10-09-15384486-tensorflow%E5%BF%AB%E9%80%9F%E6%B5%8F%E8%A7%88/Tensorflow快速浏览 高级深度学习API tf.keras tf.estimator 底层深度学习API tf.nn tf.losses tf.metrics tf.optimizers tf.train tf.initializers 自动微分 tf.GradientThttps://blog.overfit.org/posts/2021-10-08-15382541-gradient-descent%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D/Fri, 08 Oct 2021 19:41:00 +0800https://blog.overfit.org/posts/2021-10-08-15382541-gradient-descent%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D/梯度下降 线性模型 来拟合学习时间与考试分数 [ loss=(hat{y}-y)^2=(x*w-y)^2to cost=frac1Nsum^N_{n=1}(hat{y_n}-y_n)^2 ] 由图可知损失函数在时，取得最小值。记损失函https://blog.overfit.org/posts/2021-10-08-15381272-linear-model/Fri, 08 Oct 2021 18:30:00 +0800https://blog.overfit.org/posts/2021-10-08-15381272-linear-model/Linear Model 机器学习 为学习时间，为学习该时间能够在考试中取得的分数 在这里来为这些数据寻求一个最好的模型 线性回归 Linear Model：(hat{y}=x*w) 训练损失 (误差) MSE（Mean Squared Mean）均方误差： [ loss=(hhttps://blog.overfit.org/posts/2021-10-03-15363685-%E9%80%9A%E8%BF%87%E6%AD%A3%E5%88%99%E5%8C%96%E9%81%BF%E5%85%8D%E8%BF%87%E6%8B%9F%E5%90%88/Sun, 03 Oct 2021 10:39:00 +0800https://blog.overfit.org/posts/2021-10-03-15363685-%E9%80%9A%E8%BF%87%E6%AD%A3%E5%88%99%E5%8C%96%E9%81%BF%E5%85%8D%E8%BF%87%E6%8B%9F%E5%90%88/通过正则化避免过拟合。 深度神经网络通常拥有数万个参数，有时甚至有数百万个。这个深度神经网络带来了难以置信的自由度，意味着它们可以拟合各种各样的复杂数据集。 但是这种巨大的灵活性也使网络易于过拟合训练集。此时就需要正则化。 和正则化 可以使用正则化来约https://blog.overfit.org/posts/2021-09-30-15355308-%E6%9B%B4%E5%BF%AB%E7%9A%84%E4%BC%98%E5%8C%96%E5%99%A8/Thu, 30 Sep 2021 09:13:00 +0800https://blog.overfit.org/posts/2021-09-30-15355308-%E6%9B%B4%E5%BF%AB%E7%9A%84%E4%BC%98%E5%8C%96%E5%99%A8/动量优化 想象一下，一个保龄球在光滑的表面上沿着平缓的坡度滚动：它开始速度很慢，在很快会获得动量，直到最终达到终极速度（如果有摩擦或空气阻力）。相比之下，常规的梯度下降法只是在斜坡上采取小的、常规的步骤，因此算法将花费更多时间到达底部 回想一下梯度下降通过直接减去权重的成本函数Jhttps://blog.overfit.org/posts/2021-09-28-15349842-%E9%87%8D%E7%94%A8%E9%A2%84%E8%AE%AD%E7%BB%83%E5%B1%82/Tue, 28 Sep 2021 20:15:00 +0800https://blog.overfit.org/posts/2021-09-28-15349842-%E9%87%8D%E7%94%A8%E9%A2%84%E8%AE%AD%E7%BB%83%E5%B1%82/用Keras进行迁移学习 假如Fashion MNIST数据集包含了8个类别，例如，除凉鞋和衬衫之外的所有类别。有人在该数据集上建立并训练的Keras模型，并获得了相当不错的性能（精度&gt;90%）。将此模型称为模型A。现在要处理另一项任务：有凉鞋和衬衫的图像，想要训练一个二元https://blog.overfit.org/posts/2021-09-27-15345309-%E7%94%B5%E5%BD%B1%E8%AF%84%E8%AE%BA%E5%88%86%E7%B1%BB%E4%BA%8C%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98/Mon, 27 Sep 2021 21:15:00 +0800https://blog.overfit.org/posts/2021-09-27-15345309-%E7%94%B5%E5%BD%B1%E8%AF%84%E8%AE%BA%E5%88%86%E7%B1%BB%E4%BA%8C%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98/IMDB数据集 它包含来自互联网电影数据库（IMDB）的50000条严重两极分化的评论 数据集被分为用于训练的25000条评论与用于测试的25000条评论 训练集和测试集都包含50%的正面评论和50%的负面评论 加载IMDB数据集 import tensorflow as tfhttps://blog.overfit.org/posts/2021-09-26-15340495-%E6%8A%9B%E7%89%A9%E7%BA%BF%E6%B3%95/Sun, 26 Sep 2021 22:35:00 +0800https://blog.overfit.org/posts/2021-09-26-15340495-%E6%8A%9B%E7%89%A9%E7%BA%BF%E6%B3%95/def f(x): return x ** 3 - 2 * x + 1 # 返回函数的值 def f1(s0, s1, s2): return (((s1 ** 2 - s2 ** 3) * f(s0) + (s2 ** 2 - s0 ** 2) * f(s1) + (s0 **https://blog.overfit.org/posts/2021-09-26-15340128-%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E8%AE%AD%E7%BB%83-%E6%A2%AF%E5%BA%A6%E6%B6%88%E5%A4%B1%E5%92%8C%E6%A2%AF%E5%BA%A6%E7%88%86%E7%82%B8%E9%97%AE%E9%A2%98/Sun, 26 Sep 2021 21:15:00 +0800https://blog.overfit.org/posts/2021-09-26-15340128-%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E8%AE%AD%E7%BB%83-%E6%A2%AF%E5%BA%A6%E6%B6%88%E5%A4%B1%E5%92%8C%E6%A2%AF%E5%BA%A6%E7%88%86%E7%82%B8%E9%97%AE%E9%A2%98/梯度消失与梯度爆炸问题 反向传播算法的工作原理是从输出层到输入层次，并在此过程中传播误差梯度。一旦算法计算出损失函数相对于每个参数的梯度，可以使用这些梯度以梯度下降步骤来更新每个参数。 随着算法向下传播到较低层，梯度通常会越来越小。结果梯度下降更新使较低层的连接权重保持不变，训练https://blog.overfit.org/posts/2021-09-26-15339973-%E5%AD%97%E5%85%B8%E6%8E%A8%E5%AF%BC/Sun, 26 Sep 2021 20:37:00 +0800https://blog.overfit.org/posts/2021-09-26-15339973-%E5%AD%97%E5%85%B8%E6%8E%A8%E5%AF%BC/构造字典 DIAL_COODES=[ # 一个承载成对数据的列表，可以直接用在字典的构造方法中 (86,'China'), (91,'India'), (1,'United States'), (62,'Indonesia&amp;https://blog.overfit.org/posts/2021-09-26-15339903-0618%E6%B3%95%E6%9C%80%E4%BC%98%E5%8C%96%E6%96%B9%E6%B3%95python%E5%AE%9E%E7%8E%B0/Sun, 26 Sep 2021 20:17:00 +0800https://blog.overfit.org/posts/2021-09-26-15339903-0618%E6%B3%95%E6%9C%80%E4%BC%98%E5%8C%96%E6%96%B9%E6%B3%95python%E5%AE%9E%E7%8E%B0/def fun(x): return x ** 3 - 2 * x + 1 def solve(a, b, epsilon): lamd = (5 ** 0.5 - 1) / 2 delta = b - a p = a + (1 - lamd) * (b - a) q = a +https://blog.overfit.org/posts/2021-09-19-15312104-%E6%9E%84%E5%BB%BAmlp%E6%A8%A1%E5%9E%8B%E6%95%B0%E6%8D%AE%E5%8F%AF%E8%A7%86%E5%8C%96%E5%8F%8A%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%B6%85%E5%8F%82%E6%95%B0%E5%BE%AE%E8%B0%83/Sun, 19 Sep 2021 17:01:00 +0800https://blog.overfit.org/posts/2021-09-19-15312104-%E6%9E%84%E5%BB%BAmlp%E6%A8%A1%E5%9E%8B%E6%95%B0%E6%8D%AE%E5%8F%AF%E8%A7%86%E5%8C%96%E5%8F%8A%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%B6%85%E5%8F%82%E6%95%B0%E5%BE%AE%E8%B0%83/利用顺序API构建回归MLP 用回归神经网络解决加州的住房问题 用Sickit-Learn中的fetch_california_housing()函数加载数据 from sklearn.datasets import fetch_california_housing from shttps://blog.overfit.org/posts/2021-09-19-15310882-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%AE%9E%E6%88%98%E9%83%A8%E5%88%86%E4%BB%A3%E7%A0%81%E8%AE%B0%E5%BD%95/Sun, 19 Sep 2021 09:46:00 +0800https://blog.overfit.org/posts/2021-09-19-15310882-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%AE%9E%E6%88%98%E9%83%A8%E5%88%86%E4%BB%A3%E7%A0%81%E8%AE%B0%E5%BD%95/import os import tarfile import urllib DOWNLOAD_ROOT = 'https://raw.githubusercontent.com/ageron/handson-ml2/master/' HOUSING_PATH =https://blog.overfit.org/posts/2021-09-19-15310877-python%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%95%99%E7%A8%8B%E4%BB%A3%E7%A0%81%E8%AE%B0%E5%BD%95/Sun, 19 Sep 2021 09:43:00 +0800https://blog.overfit.org/posts/2021-09-19-15310877-python%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%95%99%E7%A8%8B%E4%BB%A3%E7%A0%81%E8%AE%B0%E5%BD%95/from sklearn.datasets import load_iris import numpy as np from scipy import sparse import matplotlib.pyplot as plt import pandas as pd fromhttps://blog.overfit.org/posts/2021-09-19-15310849-%E4%BB%80%E4%B9%88%E6%98%AF%E5%8F%AF%E6%95%A3%E5%88%97%E7%9A%84%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B/Sun, 19 Sep 2021 09:31:00 +0800https://blog.overfit.org/posts/2021-09-19-15310849-%E4%BB%80%E4%B9%88%E6%98%AF%E5%8F%AF%E6%95%A3%E5%88%97%E7%9A%84%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B/什么是可散列的数据类型 在Python词汇表（https://docs.python.org/3/glossary.html#term-hashable）中，关于可散列类型的定义有这样一段话： 如果一个对象是可散列的，那么在这个对象的生命周期中，它的散列值是不变 的，而且这个对象https://blog.overfit.org/posts/2021-09-19-15310824-%E5%BD%93%E5%88%97%E8%A1%A8%E4%B8%8D%E6%98%AF%E9%A6%96%E9%80%89%E6%97%B6/Sun, 19 Sep 2021 09:11:00 +0800https://blog.overfit.org/posts/2021-09-19-15310824-%E5%BD%93%E5%88%97%E8%A1%A8%E4%B8%8D%E6%98%AF%E9%A6%96%E9%80%89%E6%97%B6/数组 from array import array # 引入数组类型 from random import random floats=array('d',(random()for i in range(10**7))) # 利用一个可迭代对象来创建一个双精度浮https://blog.overfit.org/posts/2021-09-18-15310241-%E5%88%97%E8%A1%A8%E6%93%8D%E4%BD%9C/Sat, 18 Sep 2021 21:28:00 +0800https://blog.overfit.org/posts/2021-09-18-15310241-%E5%88%97%E8%A1%A8%E6%93%8D%E4%BD%9C/为什么切片和区间会忽略最后一个元素 当只有最后一个位置信息时，可以快速看出切片和区间里有几个元素：range(3)和my_list[:3]都返回三个元素 当起止位置信息都可见时，我们可以快速计算出切片和区间长度，用最后一个数减去第一个下标（stop-start)即可 方便用任意一https://blog.overfit.org/posts/2021-09-15-15271118-%E5%85%B7%E4%BD%93%E5%91%BD%E5%90%8D%E5%85%83%E7%BB%84/Wed, 15 Sep 2021 10:26:00 +0800https://blog.overfit.org/posts/2021-09-15-15271118-%E5%85%B7%E4%BD%93%E5%91%BD%E5%90%8D%E5%85%83%E7%BB%84/from collections import namedtuple City=namedtuple('City','name country population coordinates') '''创建一个具名元组需要两个https://blog.overfit.org/posts/2021-09-13-15264640-%E7%AC%AC%E4%BA%8C%E5%91%A8%E4%BD%9C%E4%B8%9A/Mon, 13 Sep 2021 20:09:00 +0800https://blog.overfit.org/posts/2021-09-13-15264640-%E7%AC%AC%E4%BA%8C%E5%91%A8%E4%BD%9C%E4%B8%9A/第二周作业 计算矩形面积 if <strong>name</strong> == '<strong>main</strong>': x = eval(input('请输入矩形的长：')) y = eval(input('请输入矩形的宽')) print('矩形的面积为：{:.https://blog.overfit.org/posts/2021-09-11-15255671-%E6%AE%8B%E5%B7%AE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9Cresidualnet/Sat, 11 Sep 2021 16:54:00 +0800https://blog.overfit.org/posts/2021-09-11-15255671-%E6%AE%8B%E5%B7%AE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9Cresidualnet/残差神经网络（ResNet） 为什么神经网络的层数越来越深 由图可知随着神经网络层数的增加，神经网络的训练误差和测试误差相较于较低层数的神经网络都要更高。但是这个与越深的网络，训练误差和测试误差都要更小这个第一感觉相违背。 在相同的迭代次数下，更深的神经网络的误差更容易趋向于平稳https://blog.overfit.org/posts/2021-09-09-15248896-%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E9%AB%98%E7%BA%A7%E7%AF%87/Thu, 09 Sep 2021 21:36:00 +0800https://blog.overfit.org/posts/2021-09-09-15248896-%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E9%AB%98%E7%BA%A7%E7%AF%87/构建高级卷积神经网络 以Google Net为例 GoogleNet的模型图为 可以看到其中有一个模块反复使用 Inception Module Inception Module 模型的具体结构图为 个人理解这个模块是将数据经过不同的卷积方式并保持图像大小不变得到不同的通来获得更https://blog.overfit.org/posts/2021-09-08-15244220-%E4%BD%BF%E7%94%A8%E9%A1%BA%E5%BA%8Fapi%E6%9E%84%E5%BB%BA%E5%9B%BE%E5%83%8F%E5%88%86%E7%B1%BB%E5%99%A8/Wed, 08 Sep 2021 19:12:00 +0800https://blog.overfit.org/posts/2021-09-08-15244220-%E4%BD%BF%E7%94%A8%E9%A1%BA%E5%BA%8Fapi%E6%9E%84%E5%BB%BA%E5%9B%BE%E5%83%8F%E5%88%86%E7%B1%BB%E5%99%A8/使用Keras加载数据集 import tensorflow as tf from tensorflow import keras fashion_mnist=keras.datasets.fashion_mnist (X_train_full,y_train_full),(X_https://blog.overfit.org/posts/2021-09-08-15241801-%E5%85%83%E7%BB%84%E5%92%8C%E8%AE%B0%E5%BD%95/Wed, 08 Sep 2021 11:00:00 +0800https://blog.overfit.org/posts/2021-09-08-15241801-%E5%85%83%E7%BB%84%E5%92%8C%E8%AE%B0%E5%BD%95/lax_coordinates = (33.9425, -118.408056) # 洛杉矶国际机场的经纬度 city, year, pop, chg, area = ('Tokyo', 2003, 32450, 0.66, 8014) # 东京市的一些信息：市名https://blog.overfit.org/posts/2021-09-08-15241630-python%E5%88%97%E8%A1%A8%E6%8E%A8%E5%AF%BC%E5%92%8C%E5%8F%AF%E8%AF%BB%E6%80%A7/Wed, 08 Sep 2021 10:34:00 +0800https://blog.overfit.org/posts/2021-09-08-15241630-python%E5%88%97%E8%A1%A8%E6%8E%A8%E5%AF%BC%E5%92%8C%E5%8F%AF%E8%AF%BB%E6%80%A7/symbols = '%^&amp;*♕' codes = [] # 创建一个codes列表 for symbol in symbols: # 用for循环迭代symbols codes.append(ord(symbol)) # 将symbols中的元素迭代取出https://blog.overfit.org/posts/2021-09-06-15236192-pytorch%E7%8E%AF%E5%A2%83%E7%9A%84%E9%85%8D%E7%BD%AE/Mon, 06 Sep 2021 23:01:00 +0800https://blog.overfit.org/posts/2021-09-06-15236192-pytorch%E7%8E%AF%E5%A2%83%E7%9A%84%E9%85%8D%E7%BD%AE/PyTorch的配置 这里附上官网的链接https://pytorch.org/get-started/locally/ CPU版本 选择PyTorch版本(PyTorch Build)，Stable(稳定版)，Nightly(测试版) 系统版本，这里只介绍Windows系统的Phttps://blog.overfit.org/posts/2021-09-06-15236094-mnist%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E9%9B%86%E7%9A%84%E5%A4%9A%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98convolution-neural-network/Mon, 06 Sep 2021 22:34:00 +0800https://blog.overfit.org/posts/2021-09-06-15236094-mnist%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E9%9B%86%E7%9A%84%E5%A4%9A%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98convolution-neural-network/import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader import torch.nn.funhttps://blog.overfit.org/posts/2021-09-06-15235991-mnist%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E9%9B%86%E7%9A%84%E5%A4%9A%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98linear-layer/Mon, 06 Sep 2021 22:10:00 +0800https://blog.overfit.org/posts/2021-09-06-15235991-mnist%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E9%9B%86%E7%9A%84%E5%A4%9A%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98linear-layer/import torch # 引入模块PyTorch from torchvision import transforms # 从torch视觉中引入转换函数 from torchvision import datasets # 导入数据库 from torch.utils.dahttps://blog.overfit.org/posts/2021-09-06-15235875-pytorch%E5%88%9B%E5%BB%BA%E7%AE%80%E5%8D%95%E7%9A%84%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92%E6%A8%A1%E5%9E%8Blogisticregression/Mon, 06 Sep 2021 21:39:00 +0800https://blog.overfit.org/posts/2021-09-06-15235875-pytorch%E5%88%9B%E5%BB%BA%E7%AE%80%E5%8D%95%E7%9A%84%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92%E6%A8%A1%E5%9E%8Blogisticregression/import torch import torch.nn.functional as F # 从torch引入激活函数 x_data = torch.tensor([[1.0], [2.0], [3.0]]).cuda() # 将数据放在GPU上 y_data = torch.thttps://blog.overfit.org/posts/2021-09-06-15234803-pytorch%E5%AE%9E%E7%8E%B0linearmodel/Mon, 06 Sep 2021 17:34:00 +0800https://blog.overfit.org/posts/2021-09-06-15234803-pytorch%E5%AE%9E%E7%8E%B0linearmodel/这里选择将模型和loss还有数据都在GPU上，方便后续能够将大型神经网络的计算图放在GPU上来加快训练速度 import torch # 引入PyTorch模块 x = torch.tensor([[1.0], [2.0], [3.0]]).cuda() # 创建张量x，y并使用https://blog.overfit.org/posts/2021-09-06-15234574-python%E6%A8%A1%E6%8B%9F%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B/Mon, 06 Sep 2021 16:57:00 +0800https://blog.overfit.org/posts/2021-09-06-15234574-python%E6%A8%A1%E6%8B%9F%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B/利用特殊方法，来使得自定义对象来实现一个二维向量(Vector)类 一个简单的二维向量类 from math import hypot class Vector: def <strong>init</strong>(self, x=0, y=0): self.x = x # 将输入的x，y分别赋值给类属性https://blog.overfit.org/posts/2021-09-05-15230718-%E4%B8%80%E6%91%9Epython%E9%A3%8E%E6%A0%BC%E7%BA%B8%E7%89%8C/Sun, 05 Sep 2021 20:24:00 +0800https://blog.overfit.org/posts/2021-09-05-15230718-%E4%B8%80%E6%91%9Epython%E9%A3%8E%E6%A0%BC%E7%BA%B8%E7%89%8C/import collections # 引入collections模块 Card = collections.namedtuple('Card', ['rank', 'suit']) # 用namedtuple创造了一个简单的类Chttps://blog.overfit.org/posts/2021-09-04-15227657-python%E8%AF%AD%E8%A8%80%E5%9F%BA%E7%A1%80%E5%AD%A6%E4%B9%A0%E6%8A%A5%E5%91%8A/Sat, 04 Sep 2021 20:18:00 +0800https://blog.overfit.org/posts/2021-09-04-15227657-python%E8%AF%AD%E8%A8%80%E5%9F%BA%E7%A1%80%E5%AD%A6%E4%B9%A0%E6%8A%A5%E5%91%8A/从零开始学Python 第一节课 学会了Python的变量赋值、运算符使用和强制类型转换 if <strong>name</strong> == '<strong>main</strong>': print('Hello World') print('人因梦想而伟大') print(https://blog.overfit.org/posts/2021-09-04-15227635-%E5%88%B6%E4%BD%9C%E6%A4%8D%E7%89%A9%E5%A4%A7%E6%88%98%E5%83%B5%E5%B0%B8/Sat, 04 Sep 2021 20:05:00 +0800https://blog.overfit.org/posts/2021-09-04-15227635-%E5%88%B6%E4%BD%9C%E6%A4%8D%E7%89%A9%E5%A4%A7%E6%88%98%E5%83%B5%E5%B0%B8/使用Python的print函数来输出植物大战僵尸中的石头怪 根据给出的图片用字符串来拼接植物大战僵尸中的石头怪 print(' ' * 2 + '* ' * 5 + 'n' + ' ' + '*'https://blog.overfit.org/about/Mon, 01 Jan 0001 00:00:00 +0000https://blog.overfit.org/about/关于博主与本站