原创 anaconda,jupyter notebook管理 kernel

文章目錄jupyter notebook管理 kernel一、jupyter notebook 新增 kernel二、jupyter notebook 刪除 kernel jupyter notebook管理 kernel 一、j

原创 jupyter notebook 使用筆記

文章目錄jupyter使用筆記一、jupyter 管理 kernel:二、jupyter後臺運行: jupyter使用筆記 一、jupyter 管理 kernel: 參考我的另一篇博客: https://blog.csdn.net

原创 Windows安裝pytorch0.3.1

Windows安裝pytorch0.3.1 參考:https://github.com/peterjc123/pytorch-scripts

原创 查找算法總結,含 java 高質量算法實現

文章目錄查找算法總結1. 順序查找2. 二分查找3. 插值查找4. 斐波那契查找5. 樹表查找6. 分塊查找7. 哈希查找參考資料 查找算法總結 1. 順序查找 順序查找適合於存儲結構爲順序存儲或鏈式存儲的線性表。 算法實現:

原创 排序算法總結,含 java 高質量算法實現

文章目錄排序算法總結概念排序算法分類時間複雜度Top10 排序算法講解1. 直接插入排序2.希爾排序3. 選擇排序4. 堆排序5. 冒泡排序6. 快速排序7. 歸併排序8. 計數排序9. 桶排序10. 基數排序 排序算法總結 概念

原创 兩層循環,最內層滿足條件跳出兩層循環

文章目錄兩層循環,最內層滿足條件跳出兩層循環breakcontinue 兩層循環,最內層滿足條件跳出兩層循環 break 當最內層循環滿足條件,直接結束兩層循環: loop: for (int i

原创 算法思想 - 動態規劃算法,0/1揹包,旅行商問題,最大和子串 - java實現

文章目錄動態規劃算法一、前序知識一、基本思想二、適用情況三、一般解題思路四、經典案例1、0/1揹包問題2、旅行商問題3. 最大和子串問題 動態規劃算法 動態規劃(dynamic programming)是運籌學的一個分支,是求解決

原创 linux(GPU)查看服務器配置

一、服務器型號 命令: cat /etc/redhat-release 二、CPU 命令: 查看CPU統計信息:lscpu 查看CPU型號:cat /proc/cpuinfo | grep name | cut -f2 -

原创 python 實現網格聚類算法 - 子空間聚類 CLIQUE算法 - pyclustering聚類包的使用

文章目錄python 實現網格聚類算法一、基於網格聚類原理二、算法實現1. CLIQUE 算法參考資料 python 實現網格聚類算法 聚類算法很多,包括基於劃分的聚類算法(如:kmeans),基於層次的聚類算法(如:BIRCH)

原创 機器學習 - 決策樹

決策樹一、概念二、算法 一、概念 決策樹: 決策樹屬於機器學習中的一種監管學習方法,是一種樹形結構,其中每個內部節點表示一個屬性上的測試,每個分支代表一個測試輸出,每個葉節點代表一種類別。如下圖: 二、算法 決策樹的生成算

原创 centos gpu 編譯安裝 lightgbm,安裝出現問題首先考慮是否是版本對應問題

文章目錄centos gpu 編譯安裝 lightgbm一、前置依賴:編譯安裝步驟: centos gpu 編譯安裝 lightgbm 一、前置依賴: CMake openCL boost 編譯安裝步驟: 參考: https

原创 圖像縮放處理 - 雙線性插值算法,附加分析opencv(resize)源碼性能優化,含python代碼

文章目錄圖像縮放處理-雙線性插值算法一、概念二、圖像處理中的 雙線性插值函數:1.最近鄰插值法:2. 雙線性插值法雙線性內插值算法核心\color{red}核心核心描述如下:舉例便於大夥理解:算法完整步驟詳述:三、分析opencv

原创 LeetCode - 999. 車的可用捕獲量 - 方向數組思想

LeetCode 999. 車的可用捕獲量 - 方向數組思想 問題描述: 在一個 8 x 8 的棋盤上,有一個白色車(rook)。也可能有空方塊,白色的象(bishop)和黑色的卒(pawn)。它們分別以字符 “R”,“.”,“B

原创 AI賽事平臺

AI賽事平臺 一、平臺 阿里天池 : https://tianchi.aliyun.com/?spm=5176.12281978.J_9711814210.2.3f88292dbjZBE4 kaggle: https://

原创 機器學習之數據預處理——標準化/歸一化

文章目錄機器學習之數據預處理--標準化/歸一化一、歸一化,標準化,中心化的概念歸一化和標準化的區別:二、標準化/歸一化的好處三、標準化/歸一化的方法1、min-max標準化:2、0均值標準化(Z-score standardiza